Ogni volta che esce un nuovo grande modello linguistico, la domanda più comune è sempre la stessa: è più capace dei precedenti?
Nel lavoro quotidiano di API Hop ci interessa soprattutto un’altra cosa: a parità di lavoro, il nuovo modello riesce a completarlo meglio e più velocemente? Quanto dobbiamo aspettare? Quanto costa? Serve ancora una persona per correggere il risultato?
Per GPT-6 Astra, Claude Fable 5.1 e Gemini 4 Carbon esaminiamo valutazioni generali, dati sugli agenti di programmazione, correzioni in progetti reali e test su attività lunghe, scrittura e creazione di siti.
Il punto di partenza: lavori diversi richiedono criteri diversi
| Cosa devi fare | Cosa conta | Risultati disponibili |
|---|---|---|
| Correggere bug o modificare codice esistente | Tasso di risoluzione, test di regressione, ampiezza delle modifiche e costo per attività | Fable ha completato più attività in un test da 64 problemi; Astra è costato meno |
| Usare un agente di programmazione | Indice della stessa versione del test, costi e attesa | Le combinazioni testate di Carbon, Fable e Astra offrono vantaggi e svantaggi diversi |
| Organizzare informazioni e produrre rapporti o presentazioni | Valutazioni del lavoro intellettuale, correttezza dei fatti e revisioni manuali | Fable ha ottenuto il punteggio più alto nelle impostazioni AA-Briefcase che abbiamo verificato |
| Svolgere lunghe ricerche autonome | Accettazione del risultato finale, riconoscimento degli errori e consegna puntuale | I casi pubblici mostrano che lavorare a lungo e consegnare un risultato accettabile sono cose diverse |
| Scrivere articoli o creare landing page | Struttura, coerenza del marchio, funzionalità e tempo di revisione | Esistono casi reali con Astra/Fable; i normali flussi di marketing in cinese con Carbon devono ancora essere testati |
La nostra conclusione è che i modelli si comportano diversamente a seconda del contesto di lavoro.
Le caratteristiche di base dei tre modelli
Partiamo dalle informazioni fornite dai produttori.
| Voce | GPT-6 Astra | Claude Fable 5.1 | Gemini 4 Carbon |
|---|---|---|---|
| Nome ufficiale | GPT-6 Astra | Claude Fable 5.1 | Gemini 4 Carbon |
| Finestra di contesto | 1M tokens | 1M tokens | 1M tokens |
| Output massimo | 128,000 tokens | 128,000 tokens | 1,048,576 tokens |
C’è una distinzione facile da trascurare: il modello e lo strumento con cui lo usiamo non sono la stessa cosa. Per lo stesso compito di programmazione, Codex, Claude Code o Antigravity CLI possono leggere file, eseguire comandi, gestire il contesto e ripetere i tentativi in modi diversi. Il risultato che vediamo dipende quindi da “modello + strumento + configurazione”.
La differenza può essere poco evidente quando si ritocca un paragrafo. Se invece un agente lavora per ore in un grande repository, l’ambiente degli strumenti diventa spesso molto importante.
Capacità generali: Carbon è primo, ma non vince per forza ogni compito
Cominciamo con una valutazione generale della stessa versione del benchmark.
| Modello e impostazione | Intelligence Index (più alto è meglio) | Costo API ponderato per attività (più basso è meglio) |
|---|---|---|
| Gemini 4 Carbon (high) | 59 | $7.76 |
| GPT-6 Astra (max) | 57 | $6.24 |
| Claude Fable 5.1 (max, default fallback) | 49 | $12.99 |
Artificial Analysis Intelligence Index v5.0 · Più alto è meglio · Le barre partono da 0 e la scala arriva a 60; non sono percentuali.
- Carbon · high59
- Astra · max57
- Fable 5.1 · max / default fallback49
Carbon guida questa versione dell’Intelligence Index. Il nuovo modello di Google merita attenzione, soprattutto per ragionamento complesso, conoscenze e compiti scientifici.
In questo insieme di attività, Astra ha un costo API medio inferiore alle altre due impostazioni elencate.
Il punteggio generale più basso di Fable non significa che sia meno valido in ogni lavoro. La valutazione del lavoro intellettuale che segue mostra un risultato diverso.
Quale scegliere per programmare? Contano la qualità della patch e il costo reale
Prima i dati degli agenti nella stessa versione del test
Lo sviluppo quotidiano consiste nell’aggiungere funzioni, correggere bug e consegnare modifiche in un repository. Per questo consideriamo le valutazioni degli agenti di programmazione.
| Modello + strumento | Indice dell’agente | Costo API medio per attività | Tempo medio per attività |
|---|---|---|---|
| Carbon high + Antigravity CLI | 59 | $7.74 | 29.8 minuti |
| Fable 5.1 max/default fallback + Claude Code | 58 | $11.53 | 35.3 minuti |
| Astra max + Codex | 55 | $7.04 | 24.8 minuti |
Stessa versione della valutazione degli agenti · Unità: minuti · Più basso è meglio · Scala: 0–40; punteggi e costi nella tabella sopra.
- Carbon high + Antigravity CLI29.8 minuti
- Fable 5.1 max / default fallback + Claude Code35.3 minuti
- Astra max + Codex24.8 minuti
La combinazione con Carbon ottiene il punteggio più alto. Astra + Codex è più veloce e ha un costo API medio più basso in questi risultati. Fable + Claude Code si colloca in mezzo per punteggio, ma richiede più tempo e denaro.
64 problemi di programmazione: Fable ne risolve di più, ma la fattura cresce
Rispetto a un punteggio generale, il test di imec/aistack ci sembra più vicino alle domande concrete degli sviluppatori: il bug è stato corretto? La richiesta è stata completata? Quanto è costato?
| Indicatore | Astra + Codex | Fable 5.1 + Claude Code |
|---|---|---|
| Attività risolte | 34 / 64 | 51 / 64 |
| Quota risolta (calcolata da noi in base ai conteggi) | 53.1% | 79.7% |
| Costo totale per 64 attività | Circa €53 | Circa €121 |
| Costo medio per attività risolta | Circa €1.56 | Circa €2.37 |
imec/aistack · Lo stesso insieme di 64 attività di programmazione · Le barre mostrano il numero risolto su una scala da 0–64.
- Astra + Codex34 / 64 · 53.1%
- Fable 5.1 + Claude Code51 / 64 · 79.7%
Il compromesso è interessante: Fable ha risolto 17 attività in più, con circa €68 di spesa totale aggiuntiva. Se per il progetto è essenziale completare i compiti difficili, queste 17 soluzioni possono valere più del risparmio. Se ogni giorno si affrontano molte attività semplici, costi e velocità possono diventare più importanti.
Lo stesso bug Gradle: entrambi lo correggono, perché preferire la patch di Fable?
Un altro caso è più piccolo, ma molto vicino al lavoro quotidiano.
Il blog tecnico di Gradle ha chiesto a due agenti di correggere lo stesso problema di configurazione della documentazione, nello stesso repository e con gli stessi vincoli. Il risultato: entrambi hanno superato il test.
| Indicatore | Astra + Codex | Fable 5.1 + Claude Code |
|---|---|---|
| Esito della correzione | PASS | PASS |
| Tempo | 12 min 03 s | 14 min 21 s |
| Costo API | $3.54 | $4.34 |
| Test di regressione aggiunto | No | Sì |
Perché lo sviluppatore ha preferito integrare la modifica di Fable? Abbiamo esaminato le differenze: Fable interveniva su una parte più precisa della configurazione, seguiva meglio lo stile del repository e aggiungeva un test di regressione. Astra risolveva il problema attuale, ma applicava una modifica più ampia, con possibili effetti inattesi all’aggiunta futura di oggetti simili.
Per noi la lezione va oltre i due minuti risparmiati: completare il compito è solo la base. Bisogna controllare anche l’ampiezza delle modifiche, i test di regressione e la possibilità di mantenere il codice nel tempo.
Nella revisione del codice, ragionare di più non è sempre meglio
Lo abbiamo già detto parlando di altri modelli e lo abbiamo sperimentato nel nostro sviluppo: più ragionamento non garantisce un risultato migliore.
| Impostazione di revisione Fable 5.1 | Richiamo dei problemi noti | Precisione dei commenti | Tempo medio per attività |
|---|---|---|---|
| Low | 61.0% | 37.3% | 18 min 38 s |
| High | 57.1% | 36.4% | 21 min 36 s |
In questo processo di revisione, High era più lento e non migliorava gli indicatori nel complesso. Non dare per scontato che un’impostazione chiamata High o Max valga il tempo e il denaro in più. L’effetto va verificato nel lavoro reale.
Ricerca e documentazione: produrre un risultato non significa produrre qualcosa di utile
Nel test sul lavoro intellettuale, Fable passa in testa
Cambiamo tipo di compito e osserviamo se cambia anche il risultato.
| Modello e impostazione | Punteggio AA-Briefcase |
|---|---|
| Fable 5.1 max/default fallback | 1669 Elo |
| Carbon high | 1609 Elo |
| Astra max | 1568 Elo |
Ecco perché sconsigliamo di basarsi su una sola classifica generale: gli stessi modelli cambiano posizione quando si passa al lavoro intellettuale.
Se devi organizzare ricerche sui clienti, scrivere rapporti o preparare documenti di lavoro, puoi mettere Fable tra i primi modelli da provare.
Anche con $10,000 di budget, una ricerca può essere respinta
CRUX ha svolto una valutazione di lunga durata che merita attenzione. Ha assegnato ad Astra e Fable 5.1 domande di ricerca tratte da articoli non pubblicati, con un budget di ricerca di $10,000. Gli autori originali hanno poi valutato gli articoli prodotti.
Il rapporto mostra progressi nella progettazione degli esperimenti e nell’uso delle risorse, ma entrambi gli articoli finali sono stati esplicitamente respinti dagli esperti. I problemi riguardavano il giudizio scientifico, l’originalità, la comunicazione e la capacità di cambiare direzione dopo un fallimento. I due modelli hanno affrontato domande diverse: non è quindi corretto usare i voti finali come un confronto diretto alla pari. Rapporto di ricerca CRUX
Pensiamo che sia un caso molto utile per chi usa davvero l’IA nella ricerca.
Se chiediamo a un modello di studiare un concorrente SaaS, per esempio, non ci servono solo 20 pagine di testo. I prezzi citati sono reali? Le funzioni sono aggiornate? Da quali canali arriva il traffico? Le ultime novità offrono spunti utili?
Lavorare più a lungo può aumentare la quantità prodotta, senza garantire la direzione giusta. Si può finire con molto materiale inutilizzabile. Conviene scrivere prima i requisiti e chiedere al modello di sviluppare i contenuti dentro una struttura definita. Il processo resta più controllabile.
Anche i compiti di cinque ore di Carbon hanno avuto problemi di consegna
Nella valutazione di FrontierCS, ogni modello aveva al massimo cinque ore per attività. Doveva ripristinare metodi rimossi dall’implementazione di un articolo scientifico oppure presentarne uno migliore.
| Indicatore | Gemini 4 Carbon | Gemini 4 Argon |
|---|---|---|
| Attività superate | 24 / 48 | 26 / 48 |
| Costo medio per esecuzione | $36.90 | $19.52 |
| Tempo mediano | 3.2 ore | 2.4 ore |
In questo test indipendente, alcune esecuzioni sono terminate prima di consegnare un risultato a causa del modo in cui l’agente gestiva le attività in background.
Fra le attività per cui entrambi hanno consegnato un risultato, Carbon ha ottenuto un punteggio medio superiore. Il messaggio è semplice: un agente capace di lavorare per ore può comunque fraintendere l’obiettivo o non completare la consegna finale.
Articoli e siti: cosa ci dicono i casi pubblici?
Lo stesso materiale: Fable organizza meglio, Astra completa il flusso più in fretta
Durante il nostro lavoro di ricerca abbiamo dato a Fable 5.1 e Astra lo stesso PDF di 20 pagine di materiale, chiedendo di trasformarlo in un articolo lungo.
Abbiamo preferito l’apertura e l’organizzazione di Fable: struttura chiara e ragionamento coerente. Astra, però, ha completato l’intero processo più rapidamente.
Per scrivere con un modello, consigliamo di preparare materiale ordinato o almeno di stabilire una scaletta e una struttura generale. Solo così si può valutare se il risultato soddisfa la richiesta.
Creazione di siti: un punteggio non è traffico né conversioni
La pagina di WebDev Arena acquisita il 27 ottobre 2026 riportava questi punteggi:
| Impostazione del modello | Punteggio WebDev Arena |
|---|---|
| Astra Max | 1773 ± 10 |
| Carbon High | 1768 ± 15 (Preliminary) |
| Fable 5.1 Max | 1746 ± 9 |
Fonte: Classifica originale di WebDev Arena.
Creare un sito combina sviluppo, scrittura e adattamento ai requisiti dei motori di ricerca. I punteggi WebDev Arena descrivono quindi solo una parte del lavoro. In API Hop, sulla base della nostra ampia esperienza nella creazione di siti, consigliamo Fable per pianificare i contenuti e Astra per sviluppare.
Prezzi: le stesse tariffe per token possono produrre fatture diverse
Vediamo spesso confronti basati solo sul prezzo per milione di token, scegliendo il più basso. È un dato importante, ma non basta per stabilire il costo di attività complesse con più fasi di ragionamento, chiamate a strumenti e nuovi tentativi.
Partiamo dalle tariffe API ufficiali ordinarie
L’unità della tabella è dollari statunitensi per milione di token. Non sono i prezzi di vendita della piattaforma API Hop.
| Voce di addebito | Astra | Fable 5.1 | Carbon al lancio | Carbon, tariffa standard successiva |
|---|---|---|---|---|
| Input non in cache | $10 | $10 | $2 | $4 |
| Output | $50 | $50 | $10 | $20 |
| Lettura della cache | $1 | $0.25 | $0.10 | $0.20 |
Altri due dettagli possono incidere sulla fattura:
- Astra: quando una singola richiesta supera 272K tokens di input, le tariffe di input e cache raddoppiano e quella di output viene moltiplicata per 1.5 sull’intera richiesta, non solo sulla parte oltre la soglia.
- Fable 5.1: il produttore dichiara che il contesto da 1M usa le normali tariffe di input e output. La scrittura nella cache ha costi separati, che dipendono anche dalla durata di conservazione.
Se inserisci spesso grandi repository, lunghi documenti o molta cronologia di conversazione nel contesto, presta attenzione a queste regole. Altrimenti il conto può sorprendere.
Un esempio con un utilizzo fisso
Supponiamo che una richiesta usi esattamente 100,000 token di input non in cache e produca in totale 10,000 token di output fatturabili. Per ora escludiamo costi degli strumenti, scrittura nella cache, tentativi ripetuti e tariffe di piani speciali.
| Modello e fase tariffaria | Costo input | Costo output | Totale |
|---|---|---|---|
| Astra | $1.00 | $0.50 | $1.50 |
| Fable 5.1 | $1.00 | $0.50 | $1.50 |
| Carbon al lancio | $0.20 | $0.10 | $0.30 |
| Carbon, tariffa standard successiva | $0.40 | $0.20 | $0.60 |
100,000 token di input + 10,000 token di output fatturabili · Dollari statunitensi · Scala: $0–$1.50; calcolo basato sulle tariffe ufficiali sopra, non una fattura misurata né un prezzo della piattaforma.
- Astra$1.50
- Fable 5.1$1.50
- Carbon · lancio$0.30
- Carbon · tariffa standard successiva$0.60
Il calcolo è semplice: token di input / 1,000,000 × tariffa input + token di output / 1,000,000 × tariffa output.
Qui manteniamo fissa la quantità di token. Nell’uso reale, i modelli possono impiegare quantità diverse per il ragionamento, generare risposte di lunghezze diverse e riprovare un numero diverso di volte.
Il costo per risultato accettato è un criterio migliore
Se il compito ha limiti e criteri di accettazione chiari, possiamo usare questa formula:
Costo medio per risultato accettato = costi API e strumenti di tutte le esecuzioni ÷ numero di attività che superano i controlli di accettazione
Il totale deve includere fallimenti e nuovi tentativi. Registra a parte il tempo di revisione umana richiesto da ogni risultato riuscito. Un modello che fa risparmiare $2 ma richiede mezz’ora di correzioni in più può portare a una scelta completamente diversa.
Le pagine dei modelli API Hop mostrano i prezzi della piattaforma e i prezzi ufficiali di riferimento. Consigliamo di leggerli separatamente e di attenersi alle regole effettive di fatturazione. I prezzi della piattaforma non sono le tariffe API ufficiali. Astra su API Hop · Fable su API Hop · Confronto API
Come testeremmo i tre modelli sui nostri compiti?
Consigliamo di dividere il lavoro reale in piccole attività con criteri di accettazione precisi. Parti da un bug minore o da una richiesta semplice.
Per rendere il processo riproducibile, prepareremmo questi tre tipi di compiti. È un piano di test, non il risultato di un esperimento già svolto.
| Compito | Materiale identico da fornire | Criteri di accettazione |
|---|---|---|
| Scrivere un articolo per lettori comuni | La stessa scheda dei fatti, note delle interviste e indicazioni di stile | Nessun fatto inventato, nessun punto chiave omesso; registrare il tempo di revisione |
| Modificare una landing page di prodotto | Lo stesso codice iniziale, vincoli del marchio e tre modifiche precise | Funzionamento corretto anche da mobile, senza alterare il marchio o la logica aziendale esistente |
| Correggere un bug che coinvolge più file | La stessa versione del repository, passi di riproduzione e test indipendenti | Problema risolto, nessuna regressione, resoconto dei test realmente eseguiti |
Ogni tipo di compito va eseguito tre volte con ciascun modello accessibile. Astra e Fable possono completare un primo giro. Finché non sarà confermato un accesso pubblico riproducibile per testare Carbon, lasceremo vuoti i suoi risultati e non useremo mai Argon al suo posto.
Per avere dati utili, fisseremmo la versione dei materiali, le istruzioni, il tempo massimo e il budget. Ogni esecuzione partirebbe da una nuova sessione, registrando ID esatto del modello, impostazione di ragionamento, versione degli strumenti, eventuale fallback, costo, durata e risultato finale. Per gli articoli conteremmo soprattutto errori fattuali e revisioni umane; per i bug controlleremmo test e ampiezza delle modifiche.
Per un confronto testuale puoi partire da questo modello semplice:
Usa i fatti riportati qui sotto per scrivere un articolo facile da leggere per un pubblico non esperto.
Lettori: persone che affrontano questo tema per la prima volta
Compito: spiegare il problema, proporre soluzioni concrete e indicare quando si applicano
Punti obbligatori: [elencare 3–5 punti chiave]
Da non fare: aggiungere dati assenti dai materiali, inventare esperienze di test o esagerare le conclusioni
Output: articolo, fonti dei fatti e informazioni ancora da confermare
Materiali:
[incollare gli stessi materiali]C’è un principio importante: non conservare soltanto la risposta migliore. Compiti falliti, chiamate ripetute e correzioni manuali sono costi reali dell’uso di un modello.
Domande frequenti
Tutti possono usare Gemini 4 Carbon adesso?
Al 30 ottobre 2026, non è così. Google afferma che l’accesso parte da alcune organizzazioni di difesa informatica e si estenderà gradualmente a partner fidati. I test degli enti di ricerca non significano che tutti gli sviluppatori abbiano un normale accesso API pubblico. Aggiorneremo le indicazioni in base alle aperture ufficiali e al catalogo effettivo della piattaforma. Annuncio ufficiale di Google
Se Astra e Fable hanno le stesse tariffe di input e output, perché i costi per compito cambiano tanto?
Possono cambiare il consumo di token, gli accessi alla cache, l’intensità del ragionamento, le chiamate agli strumenti e i tentativi. Anche con $10 per l’input e $50 per l’output ogni milione di token, correggere lo stesso bug può avere un costo diverso. Nel caso Gradle, le fatture erano rispettivamente $3.54 e $4.34. Test Gradle
Fable 5.1 Max è sempre migliore di un’impostazione di ragionamento più bassa?
Non abbiamo visto prove a sostegno di un’affermazione così assoluta. Nei test di CodeRabbit sulle stesse revisioni di codice, l’impostazione più alta era più lenta e individuava complessivamente meno problemi noti. Consigliamo di partire da un’impostazione che soddisfi i criteri di accettazione e poi valutare se convenga aumentare il ragionamento. Test CodeRabbit
Quale dei tre è più adatto agli articoli lunghi in cinese?
Per ora non proponiamo una classifica definitiva. Esistono esempi di scrittura e benchmark sul lavoro intellettuale, ma non un test a tre con gli stessi materiali, ambiente e criteri di scrittura cinese. Consigliamo di usare lo stesso testo di partenza in cinese e confrontare correttezza dei fatti, struttura, tono e tempo di revisione.
Perché i siti di valutazione danno classifiche diverse?
Possono cambiare i compiti, i metodi di valutazione, le impostazioni di ragionamento, gli strumenti dell’agente e il modo di calcolare i costi. Test di conoscenza generale, correzioni in repository reali e preparazione di documenti aziendali sono lavori diversi. Controlla almeno versione della classifica, data del test, impostazioni e criteri di superamento prima di adottarne le conclusioni.
Posso confrontare direttamente i tre modelli sullo stesso compito in API Hop?
Controlla prima i modelli e i prezzi effettivamente disponibili nelle pagine di GPT-6 Astra, Claude Fable 5.1 e nel catalogo dei modelli. Poi confronta le risposte allo stesso compito testuale. Al momento non presentiamo Carbon come un modello richiamabile direttamente da un normale account. Inoltre, uno strumento di testo online non è un ambiente completo per agenti con esecuzione di codice, caricamento di file e navigazione web. Queste capacità vanno verificate separatamente quando si confrontano agenti di programmazione.
Alla fine, cosa sceglieremmo?
Riunendo questi dati pubblici, il nostro metodo di scelta diventa più semplice.
Per correggere bug in un repository esistente, proveremmo prima Astra e Fable sullo stesso compito nel nostro progetto. Controlleremmo completamento, test di regressione e costi futuri di manutenzione, non soltanto chi produce codice per primo.
Per organizzare informazioni, scrivere rapporti o fare ricerche lunghe, daremmo più peso ai risultati di Fable nel lavoro intellettuale e considereremmo le nuove valutazioni di Carbon come uno spunto per test successivi. Ogni modello richiede comunque verifica dei fatti e criteri di accettazione chiari.
Per produrre articoli o landing page con continuità, verificheremmo prima se il contenuto soddisfa i requisiti e quanto tempo richiede la revisione di ogni pezzo. Una classifica generale non dovrebbe decidere l’intero processo editoriale.
La formula di confronto più utile per noi è: risultato accettabile + costo totale + attesa + revisione umana.
Per iniziare con un vero compito testuale, API Hop offre informazioni, prezzi e accessi di prova per Astra e Fable 5.1. La pagina di confronto API mostra i modelli e le condizioni attuali. Forniamo servizi di modelli, ma i test di terze parti citati qui non sono esperimenti di API Hop. Manterremo fonti e limiti dei test per permettere a ciascuno di valutare da sé.
Fonti e aggiornamenti
Data di verifica delle fonti: 2026-10-29. Le classifiche citate sono quelle disponibili in quel momento. Prezzi, accesso ai modelli e risultati possono cambiare. Nuove informazioni ufficiali sull’accesso o nostri test riproducibili saranno registrati separatamente, senza sostituire di nascosto le vecchie condizioni con dati nuovi.
Modelli e prezzi ufficiali
- OpenAI: specifiche e fatturazione di GPT-6 Astra
- Anthropic: pagina ufficiale di Claude Fable 5.1
- Google: Introducing Gemini 4 Carbon, 2026-10-28
Valutazioni e casi indipendenti
- Artificial Analysis: risultati di Carbon nell’Intelligence Index v5.0
- Artificial Analysis: Astra e Fable nelle capacità generali e nel lavoro intellettuale
- Artificial Analysis: Antigravity CLI e Codex
- Artificial Analysis: Claude Code e Codex, inclusi i risultati di Fable 5.1
- imec/aistack: 64 attività di programmazione e fatture reali
- Blog tecnico Gradle: due soluzioni allo stesso bug di documentazione
- CodeRabbit: test di revisione del codice con Fable 5.1
- CRUX: ricerca aperta con Astra e Fable
- FrontierCS: Gemini 4 Carbon in compiti di codice scientifico da cinque ore
- Aaron Makelky: esperienze di scrittura e siti con Astra e Fable
- WebDev Arena: classifica per la creazione di siti
Nota editoriale: “Noi” indica il lavoro di verifica delle fonti, analisi e raccomandazione del team API Hop. Non significa che abbiamo ripetuto personalmente gli esperimenti di terze parti. Tutti gli esempi di costo esplicitano le ipotesi. Punteggi e costi di sistemi di valutazione diversi non vengono sommati né convertiti direttamente tra loro.