GPT-6 Astra vs Claude Fable 5.1 vs Gemini 4 Carbon: qual escolher para programar, pesquisar e escrever?

Sempre que um novo grande modelo de linguagem é lançado, a pergunta mais comum é a mesma: ele é mais capaz que os anteriores?

No dia a dia da API Hop, porém, nos interessa mais outra questão: para realizar o mesmo trabalho, o novo modelo consegue entregar algo melhor e mais rápido? Quanto tempo leva? Quanto custa? Quanto ainda precisa de correção humana?

Nesta comparação de GPT-6 Astra, Claude Fable 5.1 e Gemini 4 Carbon, analisamos avaliações gerais, dados de agentes de programação, correções em projetos reais e testes de tarefas longas, escrita e criação de páginas web.

Primeiro, a conclusão: cada tarefa pede critérios diferentes

Nossa conclusão: o desempenho de cada modelo muda conforme o contexto de trabalho.

Informações básicas dos três modelos

Vamos começar pelas informações oficiais.

Um detalhe costuma passar despercebido: o modelo e a ferramenta usada para acessá-lo não são a mesma coisa. Na mesma tarefa de programação, Codex, Claude Code e Antigravity CLI podem ler arquivos, executar comandos, gerenciar o contexto e repetir tentativas de maneiras diferentes. O resultado observado é, na prática, o de “modelo + ferramenta + configuração”.

Para revisar um parágrafo, essa diferença pode ser discreta. Para trabalhar durante horas em um grande repositório, o ambiente de ferramentas costuma fazer muita diferença.

Capacidade geral: Carbon lidera, mas não vence em todas as tarefas

Primeiro, vamos comparar os resultados da mesma versão da avaliação geral.

Carbon lidera esta versão do índice geral. O novo modelo do Google merece atenção, especialmente em raciocínio complexo, conhecimento e tarefas científicas.

Astra apresenta um custo médio de API menor que o das outras duas configurações listadas nesse conjunto de tarefas.

A pontuação geral menor de Fable não significa que ele seja pior em todo tipo de trabalho. A avaliação de trabalho intelectual apresentada adiante mostra um resultado diferente.

Qual escolher para programar? Importam a qualidade da alteração e o gasto real

Dados de agentes de programação da mesma versão

No desenvolvimento cotidiano, trabalhamos em repositórios para implementar funcionalidades, corrigir bugs e entregar alterações. Por isso, faz sentido usar avaliações de agentes de programação.

A combinação com Carbon tem a maior pontuação. Astra + Codex é mais rápido e tem o menor custo médio de API nesse conjunto. Fable + Claude Code fica entre os dois em pontuação, mas custa mais e demora mais.

64 tarefas de programação: Fable resolve mais, mas a conta também aumenta

O teste da imec/aistack nos parece mais próximo das dúvidas práticas de quem desenvolve do que uma pontuação geral: o bug foi corrigido? A funcionalidade foi concluída? Quanto custou?

O resultado chama a atenção: Fable resolveu 17 tarefas a mais, com um custo total cerca de €68 maior. Se resolver problemas difíceis é a prioridade do projeto, essas 17 tarefas podem valer mais que a economia. Para muitas tarefas simples todos os dias, custo e velocidade ganham mais importância.

O mesmo bug no Gradle: ambos resolveram, então por que preferiram integrar a versão de Fable?

Há também um caso menor, mas bastante próximo do trabalho diário.

O blog de engenharia do Gradle colocou dois agentes para corrigir o mesmo problema de configuração de documentação, com o mesmo repositório e as mesmas restrições. O resultado: os dois passaram.

Por que os desenvolvedores preferiram a alteração de Fable? Conferimos as diferenças: Fable restringiu melhor o alcance da configuração, seguiu mais de perto o estilo do repositório e incluiu um teste de regressão. Astra corrigiu o problema imediato, mas sua configuração mais ampla poderia afetar de maneira inesperada objetos semelhantes adicionados no futuro.

A lição vai além de terminar dois minutos antes: concluir a tarefa é apenas o requisito básico. Também é preciso verificar se a mudança é ampla demais, se há testes de regressão e se outras pessoas conseguirão manter o código.

Na revisão de código, mais raciocínio nem sempre é melhor

Já reforçamos essa ideia ao apresentar outros modelos. Nossa própria experiência de desenvolvimento também mostrou que mais raciocínio não garante resultados melhores.

Nesse fluxo de revisão, High foi mais lento e não melhorou os indicadores gerais. Portanto, não suponha que uma opção chamada High ou Max justifique automaticamente mais tempo e dinheiro. O resultado precisa ser testado no seu contexto de trabalho.

Pesquisa e documentação: gerar uma resposta não significa entregar algo útil

No trabalho intelectual, a posição de Fable muda

Vamos mudar o tipo de tarefa e observar o resultado.

É por isso que não recomendamos olhar apenas uma classificação geral: os mesmos modelos mudam de posição quando a avaliação passa a medir trabalho intelectual.

Se você precisa organizar pesquisas com clientes, redigir relatórios ou preparar materiais de trabalho, vale colocar Fable entre as primeiras opções a testar.

Mesmo com $10,000 de orçamento, uma pesquisa pode acabar rejeitada

A CRUX fez uma avaliação de tarefas longas que merece atenção. Entregou a Astra e Fable 5.1 problemas de pesquisa retirados de artigos ainda não publicados, com um orçamento de pesquisa de $10,000, e pediu aos autores originais que avaliassem os artigos produzidos.

Observamos avanços no planejamento dos experimentos e no uso de recursos, mas os especialistas rejeitaram explicitamente os dois artigos finais. A equipe apontou problemas de julgamento científico, originalidade, comunicação e mudança de direção diante de falhas. Os modelos receberam problemas de pesquisa diferentes, portanto suas notas finais não servem como uma comparação direta e justa entre os dois. Relatório da CRUX

Consideramos esse caso bastante útil para quem usa IA em pesquisa.

Por exemplo, ao estudar um concorrente de SaaS, não precisamos apenas de 20 páginas de texto. Precisamos saber se os preços citados são reais, se as funções estão atualizadas, quais canais trazem tráfego e se as novidades recentes oferecem algo que valha a pena aprender.

Trabalhar por mais tempo pode aumentar o volume de conteúdo, mas não garante a direção correta. O resultado pode ser uma pilha de material sem utilidade. O melhor é definir os requisitos antes e pedir ao modelo que desenvolva o conteúdo dentro dessa estrutura.

Carbon também teve problemas de entrega em tarefas de cinco horas

Na avaliação da FrontierCS, cada tarefa podia durar até cinco horas. O modelo precisava recuperar métodos removidos da implementação de um artigo científico ou entregar um método melhor.

Nesse teste de terceiros, algumas execuções terminaram antes de enviar o resultado devido à maneira como o agente lidou com tarefas em segundo plano.

Nas tarefas em que ambos entregaram resultados, Carbon teve uma pontuação média maior. O alerta é simples: um agente capaz de rodar durante horas também pode interpretar mal o objetivo ou não concluir a entrega final.

Escrever artigos e criar sites: o que os casos públicos mostram?

O mesmo material: Fable organiza melhor, Astra termina o processo mais rápido

Em nosso trabalho de pesquisa, entregamos o mesmo PDF de 20 páginas a Fable 5.1 e Astra e pedimos um artigo longo.

A abertura e a organização de Fable ficaram mais próximas da nossa preferência, com estrutura clara e lógica consistente. Astra, por outro lado, concluiu o fluxo inteiro mais rápido.

Ao usar um modelo para escrever, recomendamos preparar o material antes, ou pelo menos definir o esboço e a estrutura geral. Assim fica possível avaliar se a resposta atende ao que você precisa.

Criação de páginas: pontuação não é tráfego nem conversão

A captura da página do WebDev Arena em 27 de outubro de 2026 mostrava estas pontuações:

Fonte: classificação original do WebDev Arena.

Criar uma página mistura desenvolvimento, redação e adaptação aos requisitos dos mecanismos de busca. Embora apresentemos as pontuações do WebDev Arena como referência, a experiência da API Hop na criação de sites nos leva a recomendar Fable para planejar o conteúdo e Astra para desenvolver a página.

Comparação de preços: mesma tarifa por token, contas diferentes

É comum comparar apenas o preço por milhão de tokens e escolher o mais baixo. Esse número importa, mas não basta para dizer qual modelo custa menos em tarefas complexas com várias rodadas de raciocínio, chamadas de ferramentas e novas tentativas.

Primeiro, as tarifas oficiais da API padrão

A unidade da tabela é dólares americanos por milhão de tokens. Estes não são os preços da plataforma API Hop.

Dois detalhes podem fazer diferença na conta:

• Astra: quando a entrada de uma solicitação passa de 272K tokens, as tarifas de entrada e cache dobram e a de saída é multiplicada por 1.5 para a solicitação inteira, não só para a parte acima do limite.
• Fable 5.1: a documentação oficial informa que o contexto de 1M usa as tarifas padrão de entrada e saída. A gravação em cache tem cobrança própria, com diferenças conforme o prazo de retenção.

Essas regras merecem atenção se você costuma incluir grandes repositórios, documentos extensos ou longos históricos de conversa no contexto. Caso contrário, a conta pode surpreender.

Um exemplo com consumo fixo

Suponha que uma solicitação use exatamente 100,000 tokens de entrada sem cache e gere 10,000 tokens de saída faturáveis no total. Vamos deixar de fora taxas de ferramentas, gravação em cache, novas tentativas e preços de planos especiais.

A conta é simples: tokens de entrada / 1,000,000 × tarifa de entrada + tokens de saída / 1,000,000 × tarifa de saída.

Neste exemplo fixamos a quantidade de tokens. Na prática, cada modelo pode usar quantidades diferentes para raciocinar e responder, além de repetir a tarefa um número diferente de vezes.

O custo por entrega aprovada é um critério melhor

Se a tarefa tem limites e critérios de aceitação claros, podemos calcular:

Custo médio por entrega aprovada = gastos de API e ferramentas de todas as execuções ÷ quantidade de tarefas aprovadas

O gasto total deve incluir falhas e novas tentativas. Depois, registre separadamente o tempo de correção humana de cada resultado aprovado. Economizar $2 pode não compensar se isso exigir mais meia hora de revisão.

As páginas de modelos da API Hop mostram o preço da plataforma e o preço oficial de referência. Recomendamos observar os dois separadamente e seguir as regras reais de cobrança: o preço da plataforma não é o preço oficial da API. Astra na API Hop · Fable na API Hop · Comparação de APIs

Como testaríamos os três modelos nas nossas próprias tarefas?

Recomendamos dividir o trabalho real em tarefas pequenas com critérios claros de aceitação. Comece por um bug simples ou uma pequena funcionalidade.

Para tornar o processo reproduzível, prepararíamos os três tipos de tarefa abaixo. Este é um plano de testes, não o resultado de experimentos já realizados.

Faríamos três execuções de cada tipo de tarefa com cada modelo acessível. Astra e Fable podem completar uma primeira rodada. Enquanto não confirmarmos um acesso público a Carbon que permita reproduzir os testes, deixaremos esses resultados vazios e nunca usaremos Argon no lugar dele.

Para obter dados úteis, fixaríamos a versão dos materiais, as instruções e os limites de tempo e orçamento. Cada execução começaria em uma sessão nova, registrando ID exato do modelo, configuração de raciocínio, versão das ferramentas, uso de modelo de reserva, custo, duração e entrega final. Na escrita, mediríamos erros factuais e correções manuais; nos bugs, observaríamos testes e alcance das alterações.

Para comparar tarefas de escrita, você pode começar com este modelo de instrução:

Precisamos escrever um artigo fácil de entender para o público geral, usando os fatos abaixo.

Público: pessoas que estão conhecendo o assunto pela primeira vez
Tarefa: explicar o problema, apresentar uma solução prática e esclarecer quando ela se aplica
Deve abordar: [liste de 3 a 5 pontos principais]
Não fazer: acrescentar dados ausentes no material, inventar experiências de teste ou exagerar conclusões
Entrega: artigo, fontes dos fatos utilizados e informações que ainda precisam ser confirmadas

Material:
[cole o mesmo material]

Uma regra é essencial: não guarde apenas a resposta que ficou melhor. Tarefas que falham, chamadas repetidas e ajustes manuais fazem parte do custo real de usar modelos.

Perguntas frequentes

Gemini 4 Carbon já está disponível para qualquer pessoa?

Em 30 de outubro de 2026, não se deve presumir isso. O Google informou que o acesso começaria por algumas organizações de defesa cibernética e seria ampliado gradualmente a parceiros de confiança. Instituições de pesquisa terem feito testes não significa que todos os desenvolvedores tenham acesso a uma API pública comum. Atualizaremos as informações conforme a abertura oficial e o catálogo real da plataforma. Anúncio oficial do Google

Se Astra e Fable têm as mesmas tarifas de entrada e saída, por que uma tarefa pode custar tão diferente?

Porque a quantidade de tokens, o aproveitamento do cache, a intensidade de raciocínio, as chamadas de ferramentas e as novas tentativas podem variar. Cobrar $10 de entrada e $50 de saída por milhão de tokens não garante o mesmo custo para corrigir um bug. No caso do Gradle, as contas foram de $3.54 e $4.34. Teste do Gradle

Max em Fable 5.1 é sempre melhor que níveis menores de raciocínio?

Não vimos evidências para sustentar essa afirmação absoluta. Nos mesmos trabalhos de revisão de código, a CodeRabbit constatou que a configuração alta demorou mais e detectou uma parcela menor dos problemas conhecidos. Recomendamos começar com uma configuração que atenda aos critérios de aceitação e só depois avaliar se vale aumentar o raciocínio. Teste da CodeRabbit

Qual dos três é melhor para artigos longos em chinês?

Ainda não propomos uma classificação definitiva dos três. Existem casos de escrita e avaliações de trabalho intelectual, mas não uma comparação conjunta com os mesmos materiais, ambiente e critérios de escrita em chinês. Recomendamos usar o mesmo material em chinês e comparar precisão factual, estrutura, tom e tempo de revisão.

Por que as classificações mudam entre sites de avaliação?

Podem variar as tarefas, a forma de pontuar, as configurações de raciocínio, as ferramentas dos agentes e os critérios de custo. Testar conhecimento geral, corrigir um repositório real e organizar documentos de trabalho são atividades diferentes. Antes de adotar uma conclusão, confira pelo menos a versão da classificação, a data, a configuração do modelo e os critérios de aprovação.

Posso comparar os três com a mesma tarefa diretamente na API Hop?

Comece pelas páginas atuais de GPT-6 Astra, Claude Fable 5.1 e pelo catálogo de modelos para verificar disponibilidade e preços. Depois compare as respostas à mesma tarefa de texto. Atualmente não apresentamos Carbon como um modelo que contas comuns possam chamar diretamente. Além disso, uma ferramenta de texto online não equivale a um ambiente completo de agentes com execução de código, envio de arquivos ou navegação web. Para comparar agentes de programação, é preciso verificar essas capacidades à parte.

Afinal, como escolheríamos?

Reunir esses dados públicos torna nossa escolha mais simples.

Para corrigir bugs em um repositório existente, começaríamos com Astra e Fable na mesma tarefa do nosso projeto. Verificaríamos a conclusão, os testes de regressão e o custo de manutenção, não apenas quem gera código primeiro.

Para organizar informações, escrever relatórios ou fazer pesquisas longas, daríamos atenção especial a Fable em trabalho intelectual e consideraríamos as novas avaliações de Carbon para testes futuros. Todos precisam de checagem de fatos e critérios claros para aceitar a entrega.

Para produzir artigos ou páginas de destino continuamente, olharíamos primeiro se o conteúdo atende aos requisitos e quanto tempo cada entrega exige de revisão, em vez de basear todo o processo em uma classificação geral.

A comparação mais útil é: entrega aprovada + gasto total + tempo de espera + correções humanas.

Para começar com uma tarefa real de texto, a API Hop oferece informações, preços e acesso para testar Astra e Fable 5.1. A página de comparação de APIs mostra os modelos e as condições atuais. Oferecemos serviços de modelos, mas os testes de terceiros citados neste artigo não são experimentos próprios da API Hop. Mantemos as fontes e os limites dos testes para que você possa avaliar por conta própria.

Fontes e histórico de atualizações

Data de conferência das fontes: 2026-10-29. As classificações citadas são as versões disponíveis naquele momento. Preços, permissões de acesso e resultados podem mudar. Quando surgirem novas informações oficiais de acesso ou testes próprios reproduzíveis, registraremos as mudanças separadamente, sem substituir silenciosamente as condições dos testes anteriores.

Modelos e preços oficiais

• OpenAI: especificações e cobrança de GPT-6 Astra
• Anthropic: página oficial de Claude Fable 5.1
• Google: Introducing Gemini 4 Carbon, 2026-10-28

Avaliações e casos independentes

• Artificial Analysis: Carbon no Intelligence Index v5.0
• Artificial Analysis: Astra e Fable em capacidade geral e trabalho intelectual
• Artificial Analysis: Antigravity CLI e Codex
• Artificial Analysis: Claude Code e Codex, com resultados de Fable 5.1
• imec/aistack: 64 tarefas de programação e contas reais
• Blog de engenharia do Gradle: duas correções para o mesmo bug de documentação
• CodeRabbit: teste de revisão de código com Fable 5.1
• CRUX: tarefas de pesquisa aberta com Astra e Fable
• FrontierCS: tarefas de código de pesquisa de cinco horas com Gemini 4 Carbon
• Aaron Makelky: experiência de escrita e criação de sites com Astra e Fable
• WebDev Arena: classificação de criação de páginas web

Nota editorial: “nós” se refere à conferência de fontes, análise e recomendações da equipe da API Hop. Não significa que repetimos os experimentos de terceiros. Todos os exemplos de custos apresentam suas hipóteses; não somamos nem convertemos diretamente pontuações e custos de sistemas de avaliação diferentes.