GPT-6 Astra vs Claude Fable 5.1 vs Gemini 4 Carbon: welches Modell für Code, Recherche und Texte?

Wenn ein neues großes Sprachmodell erscheint, hören wir meist dieselbe Frage: Ist es leistungsfähiger als die bisherigen Modelle?

Im Arbeitsalltag bei API Hop interessiert uns etwas anderes mehr: Kann das neue Modell dieselbe Aufgabe besser und schneller erledigen? Wie lange müssen wir warten? Was kostet es? Muss ein Mensch das Ergebnis noch überarbeiten?

Für GPT-6 Astra, Claude Fable 5.1 und Gemini 4 Carbon betrachten wir allgemeine Leistungstests, Daten zu Programmieragenten, Fehlerbehebungen in echten Projekten sowie Tests zu langen Aufgaben, Texten und Webseiten.

Die wichtigste Erkenntnis: Jede Aufgabe braucht passende Maßstäbe

Unser Fazit: Je nach geschäftlichem Einsatzgebiet fallen die Stärken der Modelle unterschiedlich aus.

Die drei Modelle im Überblick

Zunächst die grundlegenden Angaben der Anbieter.

Ein wichtiger Unterschied wird leicht übersehen: Das Modell und das Werkzeug, mit dem es arbeitet, sind nicht dasselbe. Bei derselben Programmieraufgabe können Codex, Claude Code und Antigravity CLI Dateien anders lesen, Befehle anders ausführen, den Kontext anders verwalten und Wiederholungen anders handhaben. Das sichtbare Ergebnis stammt also aus „Modell + Werkzeug + Konfiguration“.

Beim Überarbeiten eines Absatzes fällt dieser Unterschied vielleicht wenig auf. Arbeitet ein Agent mehrere Stunden in einem großen Repository, wird seine Werkzeugumgebung oft sehr wichtig.

Allgemeine Leistung: Carbon führt, gewinnt aber nicht automatisch jede Aufgabe

Wir beginnen mit einer allgemeinen Auswertung aus derselben Benchmark-Version.

Carbon liegt in dieser Version des Intelligence Index vorn. Googles neues Modell verdient Aufmerksamkeit, besonders bei komplexem Schlussfolgern, Wissensfragen und wissenschaftlichen Aufgaben.

Astra hat bei diesen Aufgaben geringere durchschnittliche API-Kosten als die beiden anderen aufgeführten Einstellungen.

Fables niedrigerer Gesamtwert bedeutet nicht, dass es bei jeder Arbeit schwächer ist. Der folgende Test zur Wissensarbeit zeigt ein anderes Bild.

Welches Modell zum Programmieren? Patch-Qualität und tatsächliche Kosten zählen

Zuerst die Programmieragenten aus derselben Testversion

Im Entwicklungsalltag setzen wir Anforderungen in einem Repository um, beheben Bugs und liefern Änderungen ab. Dafür betrachten wir Tests von Programmieragenten.

Die Carbon-Kombination erzielt die meisten Punkte. Astra + Codex ist in diesen Daten schneller und bei den durchschnittlichen API-Kosten günstiger. Fable + Claude Code liegt bei den Punkten dazwischen, kostet aber mehr und dauert länger.

64 Programmieraufgaben: Fable löst mehr, kostet aber auch mehr

Der Test von imec/aistack liegt für uns näher an den praktischen Fragen von Entwicklern als ein Gesamtwert: Ist der Bug behoben? Ist die Anforderung erfüllt? Was hat es gekostet?

Hier zeigt sich eine interessante Abwägung: Fable löste 17 Aufgaben mehr und kostete insgesamt etwa €68 mehr. Ist die Erfolgsquote bei schwierigen Aufgaben für ein Projekt entscheidend, können diese 17 Lösungen wichtiger sein als die Ersparnis. Bei vielen einfachen Aufgaben pro Tag zählen Kosten und Geschwindigkeit möglicherweise stärker.

Derselbe Gradle-Bug: Beide lösen ihn. Warum bevorzugt der Entwickler Fables Patch?

Ein weiteres Beispiel ist kleiner, kommt dem Alltag aber sehr nahe.

Im Gradle-Engineering-Blog sollten zwei Agenten denselben Konfigurationsfehler in der Dokumentation beheben, im selben Repository und mit denselben Vorgaben. Das Ergebnis: Beide bestanden.

Warum wollte der Entwickler am Ende lieber Fables Änderungen übernehmen? Wir haben uns die Unterschiede angesehen: Fable änderte einen enger abgegrenzten Konfigurationsbereich, orientierte sich stärker am bestehenden Stil des Repositorys und ergänzte einen Regressionstest. Astra löste das aktuelle Problem, griff aber breiter in die Konfiguration ein. Das könnte unerwartete Folgen haben, wenn später ähnliche Objekte hinzukommen.

Wichtiger als die Frage, wer zwei Minuten früher fertig ist, ist für uns diese Lehre: Die Aufgabe zu lösen ist nur die Grundlage. Man muss auch prüfen, ob die Änderung zu weit reicht, ob Regressionstests vorhanden sind und ob der Code wartbar bleibt.

Bei Code-Reviews ist mehr Nachdenken nicht immer besser

Wir haben diesen Punkt schon bei anderen Modellen angesprochen und auch in unserer eigenen Entwicklung erlebt: Mehr Aufwand fürs Schlussfolgern führt nicht immer zu besseren Ergebnissen.

In diesem Review-Ablauf war High langsamer, ohne die Kennzahlen insgesamt zu verbessern. Eine Einstellung namens High oder Max ist nicht automatisch den zusätzlichen Zeit- und Kostenaufwand wert. Testen Sie die Wirkung im eigenen Einsatzgebiet.

Recherche und Wissensarbeit: Ein Ergebnis ist noch kein nützliches Ergebnis

Beim Test zur Wissensarbeit liegt Fable plötzlich vorn

Wechseln wir die Aufgabenart und sehen uns an, was sich ändert.

Genau deshalb raten wir davon ab, sich auf eine einzige Gesamtrangliste zu verlassen: Dieselben Modelle stehen bei Wissensarbeit in einer anderen Reihenfolge.

Wer Kundenrecherchen aufbereitet, Berichte schreibt oder Arbeitsunterlagen erstellt, kann Fable bei den ersten Tests bevorzugt berücksichtigen.

Auch mit $10,000 Forschungsbudget kann ein Paper abgelehnt werden

CRUX führte einen lesenswerten Langzeittest durch: Astra und Fable 5.1 erhielten Forschungsfragen aus unveröffentlichten Papers und $10,000 Forschungsbudget. Anschließend bewerteten die ursprünglichen Autoren die entstandenen Papers.

Der Bericht zeigt Fortschritte bei Versuchsplanung und Ressourcennutzung, doch beide abschließenden Papers wurden von Fachleuten ausdrücklich abgelehnt. Die Probleme betrafen wissenschaftliches Urteilsvermögen, Originalität, Kommunikation und Kurswechsel nach Fehlschlägen. Wichtig ist: Die Modelle bearbeiteten unterschiedliche Forschungsfragen. Ihre Endbewertungen sind daher kein fairer direkter Vergleich. CRUX-Forschungsbericht

Für den praktischen KI-Einsatz in der Recherche halten wir das für sehr aufschlussreich.

Soll ein Modell beispielsweise einen SaaS-Wettbewerber untersuchen, brauchen wir mehr als 20 Seiten Text: Stimmen die genannten Preise? Sind die Funktionen aktuell? Über welche Kanäle kommen Besucher? Lohnt es sich, die neuesten Funktionen als Anregung aufzugreifen?

Längeres Arbeiten kann mehr Inhalt erzeugen, garantiert aber nicht die richtige Richtung. Am Ende kann viel unbrauchbares Material entstehen. Deshalb sollten wir vorher klare Anforderungen formulieren und das Modell innerhalb einer festgelegten Struktur arbeiten lassen. So bleibt der Ablauf besser kontrollierbar.

Auch Carbons Fünf-Stunden-Aufgaben hatten Probleme bei der Abgabe

Im FrontierCS-Test durften die Modelle pro Aufgabe bis zu fünf Stunden arbeiten. Sie sollten Methoden ergänzen, die aus der Umsetzung eines Papers entfernt worden waren, oder eine bessere Methode einreichen.

In diesem unabhängigen Test endeten einige Durchläufe vor der Abgabe eines Ergebnisses. Der Grund lag darin, wie der Agent Hintergrundaufgaben handhabte.

Bei den Aufgaben, für die beide Modelle ein Ergebnis abgaben, erreichte Carbon im Durchschnitt mehr Punkte. Der Hinweis bleibt: Ein Agent kann stundenlang arbeiten und trotzdem das Ziel falsch verstehen oder das Endergebnis nicht abliefern.

Texte und Webseiten: Was sagen öffentliche Beispiele aus?

Dasselbe Material: Fable strukturiert besser, Astra erledigt den Ablauf schneller

Bei unserer Recherchearbeit gaben wir Fable 5.1 und Astra dieselbe PDF mit 20 Seiten Material und baten beide, daraus einen längeren Artikel zu erstellen.

Fables Einstieg und Artikelaufbau entsprachen eher unseren Vorlieben: klar gegliedert und logisch nachvollziehbar. Astra erledigte dafür den gesamten Ablauf schneller.

Wer mit einem Modell Artikel schreibt, sollte vorher das Material ordnen oder zumindest eine grobe Gliederung festlegen. Nur so lässt sich beurteilen, ob der Text die Anforderungen erfüllt.

Webseiten erstellen: Punkte sind weder Besucherzahlen noch Conversions

Ein Snapshot der WebDev-Arena-Seite vom 27. Oktober 2026 enthielt folgende Werte:

Quelle: Originalrangliste von WebDev Arena.

Webseiten verbinden Entwicklung, Textarbeit und die Anpassung an Suchmaschinenanforderungen. Die WebDev-Arena-Werte sind daher nur ein Teil des Bildes. Aufgrund unserer umfangreichen Erfahrung mit Webseiten bei API Hop empfehlen wir: Fable für die Inhaltsplanung, Astra für die Entwicklung.

Preise: Gleiche Tokenpreise können zu unterschiedlichen Rechnungen führen

Oft wird einfach der Preis pro Million Tokens verglichen und das günstigste Modell gewählt. Dieser Wert ist wichtig. Bei komplexen Aufgaben mit mehreren Denkschritten, Werkzeugaufrufen und Wiederholungen reicht er aber nicht aus, um die tatsächlichen Kosten zu beurteilen.

Zunächst die offiziellen regulären API-Preise

Die Einheit der folgenden Tabelle ist US-Dollar pro Million Tokens. Es handelt sich nicht um die Verkaufspreise der API Hop-Plattform.

Zwei weitere Details können die Rechnung verändern:

• Astra: Überschreitet die Eingabe einer einzelnen Anfrage 272K tokens, gelten für die gesamte Anfrage der 2-fache Eingabe- und Cachepreis sowie der 1.5-fache Ausgabepreis. Der Aufschlag betrifft nicht nur den Teil oberhalb der Grenze.
• Fable 5.1: Laut Anbieter gelten für den 1M-Kontext die normalen Eingabe- und Ausgabepreise. Cache-Schreibzugriffe werden gesondert berechnet; auch die Speicherdauer spielt eine Rolle.

Wer regelmäßig große Repositories, lange Dokumente oder umfangreiche Gesprächsverläufe in den Kontext lädt, sollte diese Regeln beachten. Sonst kann die Rechnung überraschen.

Ein Rechenbeispiel mit fester Nutzung

Eine Anfrage verwendet genau 100,000 nicht zwischengespeicherte Eingabetokens und erzeugt insgesamt 10,000 abrechenbare Ausgabetokens. Werkzeugkosten, Cache-Schreibkosten, Wiederholungen und Sondertarife lassen wir zunächst weg.

Die Rechnung ist einfach: Eingabetokens / 1,000,000 × Eingabepreis + Ausgabetokens / 1,000,000 × Ausgabepreis.

In diesem Beispiel bleibt die Tokenzahl gleich. Im echten Einsatz können Modelle unterschiedlich viel nachdenken, verschieden lange Antworten erzeugen und unterschiedlich oft neu ansetzen.

Kosten pro abgenommenem Ergebnis sind ein besserer Maßstab

Bei klar abgegrenzten Aufgaben mit festgelegten Abnahmekriterien können wir so rechnen:

Durchschnittliche Kosten pro abgenommenem Ergebnis = API- und Werkzeugkosten aller Durchläufe ÷ Anzahl der Aufgaben, die die Abnahme bestehen

Die Gesamtkosten müssen Fehlschläge und Wiederholungen einschließen. Erfassen Sie zusätzlich den menschlichen Überarbeitungsaufwand pro erfolgreichem Ergebnis. Spart ein Modell $2, erfordert aber eine halbe Stunde mehr Nacharbeit, kann die Entscheidung ganz anders ausfallen.

Die API Hop-Modellseiten zeigen Plattformpreise und offizielle Referenzpreise. Wir empfehlen, beide getrennt zu betrachten und die tatsächlich geltenden Abrechnungsregeln zu beachten. Plattformpreise sind nicht mit offiziellen API-Preisen gleichzusetzen. Astra bei API Hop · Fable bei API Hop · API-Vergleich

Wie würden wir die drei Modelle mit eigenen Aufgaben prüfen?

Wir empfehlen, echte Arbeit in kleine Aufgaben mit klaren Abnahmekriterien aufzuteilen. Beginnen Sie mit einem kleinen Bug oder einer überschaubaren Anforderung.

Für einen wiederholbaren Ablauf würden wir diese drei Aufgabenarten vorbereiten. Das ist ein Testplan, kein Ergebnis eines bereits durchgeführten Experiments.

Jede Aufgabenart wird mit jedem zugänglichen Modell dreimal durchgeführt. Astra und Fable können zuerst eine Runde durchlaufen. Solange für Carbon kein bestätigter, wiederholbarer öffentlicher Testzugang besteht, lassen wir die entsprechenden Ergebnisse leer. Argon dient niemals als Ersatz für Carbon.

Für brauchbare Daten würden wir Materialversion, Aufgabenbeschreibung, Zeitlimit und Budget festlegen. Jeder Durchlauf beginnt in einer neuen Sitzung. Erfasst werden die genaue Modell-ID, Denkeinstellung, Werkzeugversion, mögliche Fallbacks, Kosten, Laufzeit und das Endergebnis. Bei Texten zählen vor allem Faktenfehler und menschliche Nacharbeit, bei Bugs die Tests und der Änderungsumfang.

Für einen eigenen Textvergleich eignet sich diese einfache Vorlage:

Schreibe anhand des folgenden Faktenmaterials einen leicht verständlichen Artikel für ein allgemeines Publikum.

Leser: Menschen, die sich zum ersten Mal mit diesem Thema beschäftigen
Aufgabe: das Problem erklären, umsetzbare Lösungen nennen und deren Voraussetzungen erläutern
Unbedingt behandeln: [3–5 Kernpunkte nennen]
Nicht erlaubt: nicht belegte Daten ergänzen, Testerfahrungen erfinden oder Schlussfolgerungen übertreiben
Ausgabe: Artikeltext, Quellen zu den Fakten und noch zu klärende Informationen

Material:
[dasselbe Ausgangsmaterial einfügen]

Ein Grundsatz ist entscheidend: Bewahren Sie nicht nur das beste Ergebnis auf. Gescheiterte Aufgaben, zusätzliche Aufrufe und manuelle Korrekturen gehören zu den realen Nutzungskosten.

Häufige Fragen

Können inzwischen alle Gemini 4 Carbon nutzen?

Stand 30. Oktober 2026 ist das nicht der Fall. Laut Google erhalten zunächst ausgewählte Organisationen der Cyberabwehr Zugang, später schrittweise weitere vertrauenswürdige Partner. Tests durch Forschungseinrichtungen bedeuten nicht, dass alle Entwickler einen normalen öffentlichen API-Zugang haben. Wir aktualisieren die Angaben anhand offizieller Freigaben und des tatsächlichen Modellkatalogs der Plattform. Offizielle Google-Ankündigung

Warum können Aufgaben mit Astra und Fable trotz gleicher Ein- und Ausgabepreise unterschiedlich teuer sein?

Tokenverbrauch, Cache-Treffer, Denkaufwand, Werkzeugaufrufe und Wiederholungen unterscheiden sich. Auch wenn beide pro Million Tokens $10 für Eingabe und $50 für Ausgabe berechnen, muss derselbe Bug nicht gleich viel kosten. Im Gradle-Beispiel waren es $3.54 beziehungsweise $4.34. Gradle-Praxistest

Ist Fable 5.1 Max immer besser als eine niedrigere Denkeinstellung?

Für diese pauschale Aussage sehen wir keinen Beleg. CodeRabbit stellte bei denselben Code-Review-Aufgaben sogar fest, dass die höhere Einstellung langsamer war und insgesamt weniger bekannte Probleme erkannte. Nutzen Sie zunächst eine Einstellung, die Ihre Abnahmekriterien erfüllt, und prüfen Sie dann, ob mehr Denkaufwand lohnt. CodeRabbit-Praxistest

Welches Modell eignet sich am besten für lange chinesische Texte?

Wir geben derzeit keine feste Rangfolge der drei Modelle an. Es gibt Schreibbeispiele und Benchmarks zur Wissensarbeit, aber keinen einheitlichen Dreiervergleich mit gleichem Material, gleicher Umgebung und gleichen Kriterien für chinesische Texte. Wir empfehlen, dasselbe chinesische Material zu verwenden und Fakten, Aufbau, Ton und Überarbeitungszeit zu vergleichen.

Warum unterscheiden sich die Ranglisten verschiedener Testseiten?

Aufgaben, Bewertungsverfahren, Denkeinstellungen, Agent-Werkzeuge und Kostendefinitionen können verschieden sein. Allgemeine Wissenstests, Fehlerbehebung in echten Repositories und Geschäftsdokumente sind unterschiedliche Aufgaben. Prüfen Sie mindestens die Benchmark-Version, das Testdatum, die Modelleinstellungen und die Erfolgskriterien, bevor Sie ein Ergebnis übernehmen.

Kann ich die drei Modelle direkt bei API Hop mit derselben Aufgabe vergleichen?

Prüfen Sie zuerst die aktuell gelisteten Modelle und Preise auf den Seiten für GPT-6 Astra, Claude Fable 5.1 und im Modellkatalog. Danach können Sie dieselbe Textaufgabe verwenden. Wir stellen Carbon derzeit nicht als Modell dar, das gewöhnliche Konten direkt aufrufen können. Außerdem ist ein Online-Textwerkzeug keine vollständige Agent-Umgebung mit Codeausführung, Datei-Uploads und Webzugriff. Für Vergleiche von Programmieragenten müssen diese Fähigkeiten gesondert geprüft werden.

Wie würden wir uns entscheiden?

Zusammen betrachtet machen diese öffentlichen Daten die Auswahl für uns einfacher.

Für Bugs in einem bestehenden Repository würden wir zuerst Astra und Fable mit derselben Aufgabe im eigenen Projekt testen. Wir prüfen Aufgabenerfüllung, Regressionstests und spätere Wartungskosten, nicht nur die Zeit bis zum ersten Code.

Für Materialaufbereitung, Berichte oder längere Recherchen würden wir Fables Ergebnisse bei Wissensarbeit stärker gewichten und Carbons neue Bewertungen als Anlass für spätere Tests nehmen. Jedes Modell braucht weiterhin Faktenprüfung und klare Abnahmekriterien.

Für laufende Artikel- oder Landingpage-Produktion würden wir zuerst prüfen, ob die Inhalte die Anforderungen erfüllen und wie lange die Überarbeitung pro Beitrag dauert. Eine Gesamtrangliste sollte nicht den ganzen Inhaltsprozess bestimmen.

Unser praktischster Vergleich lautet: brauchbares Ergebnis + Gesamtkosten + Wartezeit + menschliche Nacharbeit.

Wer zunächst eine echte Textaufgabe ausprobieren möchte, findet bei API Hop Informationen, Preise und Testzugänge für Astra und Fable 5.1. Der API-Vergleich zeigt aktuelle Modelle und Bedingungen. Wir bieten Modelldienste an; die hier zitierten unabhängigen Tests sind jedoch keine eigenen API Hop-Experimente. Quellen und Einschränkungen bleiben sichtbar, damit Leser selbst urteilen können.

Quellen und Aktualisierungen

Datum der Quellenprüfung: 2026-10-29. Die zitierten Ranglisten entsprechen den damals verfügbaren Versionen. Preise, Modellzugänge und Testergebnisse können sich ändern. Neue offizielle Zugangsinformationen oder eigene wiederholbare Tests dokumentieren wir gesondert. Neue Daten ersetzen nicht stillschweigend frühere Testbedingungen.

Offizielle Modelle und Preise

• OpenAI: GPT-6 Astra, technische Daten und Abrechnung
• Anthropic: offizielle Modellseite für Claude Fable 5.1
• Google: Introducing Gemini 4 Carbon, 2026-10-28

Unabhängige Tests und Beispiele

• Artificial Analysis: Carbons Ergebnisse im Intelligence Index v5.0
• Artificial Analysis: Astra und Fable bei allgemeiner Leistung und Wissensarbeit
• Artificial Analysis: Antigravity CLI und Codex
• Artificial Analysis: Claude Code und Codex, einschließlich Fable 5.1
• imec/aistack: 64 Programmieraufgaben und tatsächliche Rechnungen
• Gradle-Engineering-Blog: zwei Lösungen für denselben Dokumentationsfehler
• CodeRabbit: Fable 5.1 im Code-Review-Test
• CRUX: offene Forschungsaufgaben für Astra und Fable
• FrontierCS: Gemini 4 Carbon bei fünfstündigen Forschungs-Programmieraufgaben
• Aaron Makelky: Erfahrungen mit Astra und Fable bei Texten und Webseiten
• WebDev Arena: Rangliste zur Webseitenerstellung

Redaktioneller Hinweis: „Wir“ bezeichnet die Quellenprüfung, Analyse und Nutzungsempfehlungen des API Hop-Teams. Es bedeutet nicht, dass wir die unabhängigen Experimente selbst wiederholt haben. Alle Beispielrechnungen nennen ihre Annahmen. Werte und Kosten aus unterschiedlichen Bewertungssystemen werden weder direkt addiert noch ineinander umgerechnet.