GPT-6 Astra vs Claude Fable 5.1 vs Gemini 4 Carbon: что выбрать для кода, исследований и текстов?

После выхода новой большой языковой модели чаще всего спрашивают одно и то же: она сильнее предыдущих?

В повседневной работе API Hop нас больше интересует другое: может ли новая модель выполнить ту же задачу лучше и быстрее? Сколько придётся ждать? Во сколько это обойдётся? Сколько потом нужно исправлять вручную?

В этом сравнении GPT-6 Astra, Claude Fable 5.1 и Gemini 4 Carbon мы рассматриваем общие оценки возможностей, данные по агентам для программирования, исправления в реальных проектах, а также тесты длительных задач, написания текстов и создания веб-страниц.

Сначала вывод: для разных задач нужны разные критерии

Наш вывод: результат зависит и от модели, и от конкретной рабочей ситуации.

Основные характеристики трёх моделей

Начнём с официальной информации.

Здесь легко упустить важное различие: модель и инструмент для работы с ней — не одно и то же. В одной и той же задаче Codex, Claude Code и Antigravity CLI могут по-разному читать файлы, выполнять команды, управлять контекстом и повторять попытки. На практике мы видим результат связки «модель + инструмент + настройки».

При редактировании одного абзаца разница может быть небольшой. Но если агент должен несколько часов работать в крупном репозитории, набор инструментов становится очень важен.

Общие возможности: Carbon лидирует по баллам, но не во всех задачах

Сначала посмотрим на результаты одной версии общей оценки.

В этой версии общего индекса лидирует Carbon. Новая модель Google заслуживает внимания, особенно для сложных рассуждений, работы со знаниями и научных задач.

В этом наборе задач средняя стоимость API у Astra ниже, чем у двух других указанных конфигураций.

Более низкий общий балл Fable не означает, что модель хуже во всех видах работы. Специализированная оценка интеллектуальных задач ниже показывает иной результат.

Что выбрать для программирования? Важнее качество изменений и реальные расходы

Данные агентов для программирования одной версии

Повседневная разработка — это добавление функций, исправление ошибок и сдача изменений в репозитории. Поэтому мы смотрим на оценки агентов для программирования.

Связка с Carbon получила больше баллов. Astra + Codex в этом наборе работает быстрее и требует меньших средних расходов на API. Fable + Claude Code находится между ними по баллам, но стоит дороже и занимает больше времени.

64 задачи по программированию: Fable решает больше, но счёт тоже выше

Тест imec/aistack кажется нам ближе к практическим вопросам разработчика, чем единый общий балл: исправлена ли ошибка, реализована ли функция и сколько это стоило?

Результат интересный: Fable решил на 17 задач больше, а общая стоимость выросла примерно на €68. Если проекту особенно важно решать сложные задачи, эти 17 решений могут быть ценнее экономии. Если каждый день нужно выполнять много простых задач, стоимость и скорость приобретают больший вес.

Одна ошибка Gradle: оба справились, почему разработчики предпочли изменение Fable?

Есть и меньший по масштабу пример, очень близкий к обычной разработке.

В инженерном блоге Gradle описан тест: двум агентам поручили исправить одну проблему в конфигурации документации, используя тот же репозиторий и одинаковые ограничения. Результат: оба прошли проверку.

Почему разработчики предпочли принять изменения Fable? Мы изучили различия: Fable точнее ограничил область действия настройки, лучше сохранил принятый в репозитории стиль и добавил регрессионный тест. Изменение Astra решало текущую проблему, но более широкая настройка могла неожиданно повлиять на похожие объекты, добавленные позже.

Урок здесь важнее разницы в две минуты: выполнить задачу — лишь базовое требование. Нужно также проверить, не слишком ли широко действует изменение, есть ли регрессионные тесты и смогут ли другие разработчики поддерживать этот код.

При проверке кода больше рассуждений не всегда лучше

Мы уже отмечали это, рассказывая о других моделях. В собственной разработке мы тоже убедились: более длительные рассуждения не гарантируют лучшего результата.

В этом процессе проверки High работал медленнее, а общие показатели не улучшились. Поэтому не стоит считать, что название High или Max само по себе оправдывает дополнительные время и расходы. Проверяйте эффект на своих рабочих задачах.

Исследования и работа с материалами: полученный результат ещё не обязательно полезен

В интеллектуальной работе положение Fable меняется

Сменим тип задачи и посмотрим, что произойдёт.

Именно поэтому мы не советуем опираться только на один общий рейтинг: при переходе к интеллектуальной работе те же модели располагаются в другом порядке.

Если нужно разобрать исследования клиентов, написать отчёт или подготовить рабочие материалы, Fable стоит включить в число первых вариантов для проверки.

Даже исследование с бюджетом $10,000 может закончиться отказом

CRUX провёл заслуживающую внимания оценку длительных задач. Astra и Fable 5.1 получили исследовательские вопросы из ещё не опубликованных статей и бюджет на исследование $10,000. Итоговые статьи затем оценивали авторы исходных исследований.

Мы увидели прогресс в планировании экспериментов и использовании ресурсов, но эксперты однозначно отклонили обе итоговые статьи. Исследовательская группа указала на проблемы с научными решениями, новизной, коммуникацией и сменой направления после неудач. Важно, что модели работали над разными вопросами. Поэтому их итоговые оценки нельзя считать прямым и справедливым сравнением друг с другом. Отчёт CRUX

Мы считаем этот пример полезным для тех, кто применяет ИИ в исследованиях.

Допустим, мы изучаем конкурента SaaS-сервиса. Нам нужны не просто 20 страниц текста, а ответы: верны ли указанные цены, актуальны ли функции, из каких каналов приходит трафик и стоит ли перенять что-то из последних нововведений.

Долгая работа может увеличить объём текста, но не гарантирует верного направления. В итоге можно получить много бесполезного материала. Лучше заранее сформулировать требования и попросить модель заполнить заданную структуру: так процесс проще контролировать.

У Carbon тоже возникли проблемы со сдачей пятичасовых задач

В оценке FrontierCS на каждую задачу отводили до пяти часов. Модель должна была восстановить методы, удалённые из реализации научной статьи, либо предложить более хороший метод.

В этом стороннем тесте некоторые запуски завершались до сдачи результата из-за того, как агент обращался с фоновыми задачами.

В задачах, по которым результат сдали обе модели, у Carbon был выше средний балл. Но важно помнить: агент, способный работать часами, всё равно может неправильно понять цель или не завершить итоговую сдачу.

Статьи и сайты: что показывают открытые примеры?

Один материал: Fable лучше строит текст, Astra быстрее завершает процесс

В ходе нашей исследовательской работы мы дали Fable 5.1 и Astra один и тот же PDF на 20 страницах и попросили подготовить большую статью.

Вступление и организация текста Fable лучше соответствовали нашим предпочтениям: структура была ясной, а логика последовательной. Но Astra быстрее завершил весь процесс.

Для написания статей с помощью модели мы советуем сначала подготовить материалы или хотя бы определить общий план и структуру. Тогда будет понятно, соответствует ли результат требованиям.

Создание веб-страниц: баллы не равны трафику и конверсии

В снимке страницы WebDev Arena от 27 октября 2026 года были указаны такие оценки:

Источник: исходный рейтинг WebDev Arena.

Создание страницы объединяет разработку, написание текста и адаптацию к требованиям поисковых систем. Поэтому, хотя мы приводим баллы WebDev Arena для ориентира, наш большой опыт создания сайтов в API Hop подсказывает такой подход: Fable планирует содержание, Astra занимается разработкой.

Сравнение цен: одинаковая ставка за токены, разные итоговые счета

Часто модели сравнивают только по цене за миллион токенов и выбирают самую дешёвую. Эта цифра важна, но для сложных задач с несколькими этапами рассуждений, вызовами инструментов и повторными попытками её недостаточно.

Сначала официальные тарифы стандартного API

В таблице указаны доллары США за миллион токенов. Это не цены платформы API Hop.

Есть ещё два важных для счёта нюанса:

• Astra: если ввод одного запроса превышает 272K tokens, ставки за ввод и кэш умножаются на 2, а за вывод — на 1.5 для всего запроса, а не только для части сверх порога.
• Fable 5.1: по официальной информации, контекст 1M использует стандартные ставки ввода и вывода. Запись в кэш оплачивается отдельно, а условия зависят от срока хранения.

Если вы регулярно помещаете в контекст крупные репозитории, длинные документы или большой объём истории диалога, эти правила особенно важны. Иначе счёт может оказаться неожиданным.

Пример расчёта при фиксированном объёме

Предположим, запрос использует ровно 100,000 входных токенов без кэша и создаёт 10,000 оплачиваемых выходных токенов в сумме. Пока не учитываем инструменты, запись в кэш, повторные попытки и специальные пакетные тарифы.

Расчёт простой: входные токены / 1,000,000 × ставка ввода + выходные токены / 1,000,000 × ставка вывода.

Здесь количество токенов зафиксировано. В реальной работе модели могут тратить разное количество токенов на рассуждения и ответ, а также делать разное число повторных попыток.

Стоимость принятого результата — более полезный критерий

Если задача имеет чёткие границы и критерии приёмки, можно считать так:

Средняя стоимость принятого результата = расходы на API и инструменты всех запусков ÷ число принятых задач

В общую сумму нужно включать неудачные запуски и повторные попытки. Затем отдельно записывайте, сколько ручной доработки потребовал каждый успешный результат. Экономия $2 может потерять смысл, если придётся потратить ещё полчаса на правки.

На страницах моделей API Hop указаны цены платформы и официальные справочные цены. Мы советуем различать их и учитывать реальные правила расчёта: цена платформы не равна официальной цене API. Astra в API Hop · Fable в API Hop · Сравнение API

Как мы проверили бы три модели на собственных задачах?

Мы рекомендуем разбить реальную работу на небольшие задачи с понятными критериями приёмки. Начать можно с простого бага или небольшой функции.

Чтобы процесс можно было повторить, мы подготовили бы три типа задач ниже. Это план тестирования, а не результаты уже выполненных экспериментов.

Для каждой доступной модели и каждого типа задач мы сделали бы по три запуска. Astra и Fable могут пройти первый раунд. Пока мы не подтвердим открытый доступ к Carbon, позволяющий воспроизвести тест, соответствующие результаты останутся пустыми. Подменять Carbon моделью Argon мы не будем.

Чтобы данные были полезными, мы зафиксировали бы версию материалов, формулировку задачи, ограничения времени и бюджета. Каждый запуск начинался бы с новой сессии, с записью точного ID модели, настройки рассуждений, версии инструментов, переходов на резервную модель, расходов, времени и итогового артефакта. Для статей мы учитывали бы фактические ошибки и ручные правки; для багов — тесты и область изменений.

Для сравнения текстовых задач можно начать с такого шаблона:

Нужно написать понятную статью для широкой аудитории на основе приведённых ниже фактов.

Аудитория: люди, которые впервые знакомятся с темой
Задача: объяснить проблему, предложить практическое решение и указать условия его применения
Обязательно включить: [перечислите 3–5 ключевых пунктов]
Нельзя: добавлять отсутствующие в материалах данные, выдумывать опыт тестирования, преувеличивать выводы
Результат: статья, источники использованных фактов и сведения, которые ещё нужно подтвердить

Материалы:
[вставьте одинаковые исходные материалы]

Есть важное правило: не сохраняйте только самый удачный ответ. Проваленные задачи, повторные вызовы и ручная доработка — часть реальных расходов на использование моделей.

Частые вопросы

Gemini 4 Carbon уже доступен всем?

По состоянию на 30 октября 2026 года так считать нельзя. Google сообщил, что сначала доступ получат отдельные организации киберзащиты, затем его будут постепенно расширять на доверенных партнёров. Тесты исследовательских организаций не означают, что любой разработчик уже имеет обычный открытый доступ к API. Мы будем обновлять описание по официальным сведениям и фактическому каталогу платформы. Официальное объявление Google

Если ставки ввода и вывода Astra и Fable одинаковы, почему цена задачи может сильно различаться?

Могут различаться расход токенов, попадания в кэш, глубина рассуждений, число вызовов инструментов и повторных попыток. Одинаковые $10 за ввод и $50 за вывод на миллион токенов не гарантируют одинаковую стоимость исправления бага. В примере Gradle счета составили $3.54 и $4.34. Тест Gradle

Режим Max у Fable 5.1 всегда лучше меньшей глубины рассуждений?

Мы не видели доказательств такого безусловного утверждения. В одном и том же наборе задач проверки кода CodeRabbit обнаружил, что высокая настройка работает медленнее и находит меньшую долю известных проблем. Мы советуем сначала выбрать настройку, которая проходит критерии приёмки, а потом оценить, стоит ли увеличивать глубину рассуждений. Тест CodeRabbit

Какая модель лучше для длинных статей на китайском?

Пока мы не предлагаем окончательный рейтинг всех трёх. Есть примеры написания текстов и оценки интеллектуальной работы, но нет единого теста трёх моделей с одинаковыми материалами, средой и критериями китайского текста. Мы советуем дать им один материал на китайском и сравнить точность фактов, структуру, тон и время на исправления.

Почему рейтинги на разных сайтах отличаются?

Могут отличаться наборы задач, способы оценки, настройки рассуждений, инструменты агентов и правила подсчёта расходов. Проверка общих знаний, исправление реального репозитория и подготовка рабочих документов — разные виды работы. Прежде чем опираться на вывод, проверьте хотя бы версию рейтинга, дату теста, настройки модели и условия успешного прохождения.

Можно ли прямо в API Hop сравнить все три модели на одной задаче?

Сначала проверьте доступные модели и цены на текущих страницах GPT-6 Astra, Claude Fable 5.1 и в каталоге моделей. Затем можно сравнить ответы на одну текстовую задачу. Сейчас мы не представляем Carbon как модель, которую обычный аккаунт может вызывать напрямую. Кроме того, онлайн-инструмент для текста не равен полноценной среде агентов с выполнением кода, загрузкой файлов и просмотром веб-страниц. Для сравнения агентов программирования эти возможности нужно проверять отдельно.

Какой выбор сделали бы мы?

Собрав эти открытые данные, мы получаем более простой способ выбора.

Для исправления ошибок в существующем репозитории мы сначала проверили бы Astra и Fable на одинаковой задаче в собственном проекте. Смотрели бы на выполнение, регрессионные тесты и будущую стоимость поддержки, а не только на скорость появления кода.

Для разбора материалов, отчётов и длительных исследований мы внимательнее рассмотрели бы Fable в интеллектуальной работе, а новые оценки Carbon использовали бы как ориентир для будущих тестов. При этом любой модели нужны проверка фактов и чёткая приёмка результата.

Для постоянного выпуска статей и посадочных страниц мы прежде всего оценили бы соответствие требованиям и время на правки каждой работы, а не строили весь процесс на общем рейтинге.

Самая полезная формула сравнения: пригодность результата + все расходы + ожидание + ручные правки.

Если хотите начать с реальной текстовой задачи, в API Hop есть описания, цены и доступ для пробы Astra и Fable 5.1. Актуальные модели и условия можно посмотреть и на странице сравнения API. Мы предоставляем доступ к моделям, но приведённые здесь сторонние тесты не являются собственными экспериментами API Hop. Мы сохраняем источники и ограничения тестов, чтобы читатели могли сделать свои выводы.

Источники и история обновлений

Дата проверки материалов: 2026-10-29. В статье используются версии рейтингов, доступные на тот момент. Цены, доступ к моделям и результаты оценок могут измениться. Новые официальные сведения о доступе или собственные воспроизводимые тесты мы будем отмечать отдельно, не подменяя незаметно прежние условия новыми данными.

Официальные характеристики и цены

• OpenAI: характеристики и тарификация GPT-6 Astra
• Anthropic: официальная страница Claude Fable 5.1
• Google: Introducing Gemini 4 Carbon, 2026-10-28

Независимые оценки и примеры

• Artificial Analysis: результаты Carbon в Intelligence Index v5.0
• Artificial Analysis: Astra и Fable в общей оценке и интеллектуальной работе
• Artificial Analysis: Antigravity CLI и Codex
• Artificial Analysis: Claude Code и Codex, включая результаты Fable 5.1
• imec/aistack: 64 задачи программирования и реальные счета
• Инженерный блог Gradle: два исправления одной ошибки документации
• CodeRabbit: проверка кода с Fable 5.1
• CRUX: открытые исследовательские задачи для Astra и Fable
• FrontierCS: пятичасовые исследовательские задачи с кодом для Gemini 4 Carbon
• Aaron Makelky: опыт написания текстов и создания сайтов с Astra и Fable
• WebDev Arena: рейтинг создания веб-страниц

Примечание редакции: слово «мы» обозначает проверку материалов, анализ и рекомендации команды API Hop. Оно не означает, что мы лично повторили сторонние эксперименты. Во всех примерах расчёта стоимости явно указаны допущения; баллы и расходы разных систем оценки не складываются и не пересчитываются напрямую.