GPT-6 Astra vs Claude Fable 5.1 vs Gemini 4 Carbon: Kodlama, araştırma ve yazı için hangisi?

Yeni bir büyük dil modeli çıktığında en sık sorulan soru aynıdır: Önceki modellerden daha mı güçlü?

API Hop’deki günlük çalışmalarımızda ise başka bir konuya daha çok önem veriyoruz: Aynı işi yeni model daha iyi ve daha hızlı yapabiliyor mu? Ne kadar beklemek gerekiyor? Maliyeti ne? Sonucu bir insanın ne kadar düzeltmesi gerekiyor?

Bu yazıda GPT-6 Astra, Claude Fable 5.1 ve Gemini 4 Carbon için genel yetenek değerlendirmelerini, kodlama ajanı verilerini, gerçek proje düzeltmelerini ve uzun görev, yazı yazma ve web sayfası oluşturma testlerini ele alıyoruz.

Önce sonuç: Her iş farklı ölçütler gerektirir

Sonucumuz şu: Modellerin performansı, kullanıldıkları işin bağlamına göre değişir.

Üç modelin temel bilgileri

Önce resmî bilgilere bakalım.

Kolayca gözden kaçan bir ayrım var: Model ile modeli kullandığınız araç aynı şey değildir. Aynı kodlama görevinde Codex, Claude Code veya Antigravity CLI; dosya okuma, komut çalıştırma, bağlam yönetimi ve yeniden deneme işlemlerini farklı yapabilir. Gördüğümüz sonuç aslında “model + araç + ayarlar” birleşiminin sonucudur.

Yalnızca bir paragrafı düzenletiyorsanız bu fark pek belirgin olmayabilir. Büyük bir kod deposunda saatlerce çalışmasını istiyorsanız araç ortamı çok daha önemli hâle gelir.

Genel yetenek: Carbon en yüksek puanda, ama her görevde kazanmaz

Önce aynı sürümdeki genel değerlendirmeye bakalım.

Carbon, genel endeksin bu sürümünde önde. Google’ın yeni modeli özellikle karmaşık akıl yürütme, bilgi ve bilimsel görevler için dikkate değer.

Bu görev kümesinde Astra’nın ortalama API maliyeti, diğer iki modelin listelenen ayarlarından daha düşük.

Fable’ın genel puanının düşük olması, her işte daha zayıf olduğu anlamına gelmez. Aşağıdaki bilgi çalışması değerlendirmesi farklı bir sonuç gösteriyor.

Kodlama için hangisi? Değişikliğin kalitesi ve gerçek maliyet daha önemli

Aynı sürümdeki kodlama ajanı verileri

Günlük geliştirme işi; bir kod deposunda yeni özellikler eklemek, hataları düzeltmek ve sonucu teslim etmektir. Bu yüzden kodlama ajanı değerlendirmelerine bakıyoruz.

Carbon’un araçla birlikte aldığı puan daha yüksek. Astra + Codex bu veri kümesinde daha hızlı ve ortalama API maliyeti daha düşük. Fable + Claude Code puan olarak ikisinin arasında, ancak daha pahalı ve daha yavaş.

64 kodlama görevi: Fable daha çok çözüyor, ama faturası da daha yüksek

imec/aistack testi bize tek bir genel puandan daha çok şey anlatıyor. Geliştiricinin asıl soruları şunlar: Hata düzeldi mi? İstenen özellik tamamlandı mı? Ne kadar tuttu?

Sonuç dikkat çekici: Fable 17 görev daha çözdü ve toplamda yaklaşık €68 daha fazla tuttu. Projede zor görevlerin tamamlanması çok önemliyse bu 17 görev, tasarruftan daha değerli olabilir. Her gün çok sayıda basit görev yapılıyorsa maliyet ve hız daha önemli hâle gelir.

Aynı Gradle hatası: İkisi de düzeltti, peki neden Fable’ın değişikliği tercih edildi?

Daha küçük, ama günlük geliştirme işine çok yakın başka bir örnek de var.

Gradle’ın mühendislik blogunda iki ajandan aynı dokümantasyon yapılandırması hatasını düzeltmeleri istendi. Kod deposu ve görev kısıtları aynıydı. Sonuç: İkisi de geçti.

Geliştiriciler neden Fable’ın değişikliğini birleştirmeyi tercih etti? Farkları inceledik: Fable yapılandırmanın kapsamını daha dar tuttu, depodaki mevcut yazım tarzına daha iyi uydu ve regresyon testi ekledi. Astra da mevcut sorunu çözdü, ancak daha geniş kapsamlı ayarı, gelecekte eklenecek benzer nesnelerde beklenmedik sonuçlara yol açabilirdi.

Buradaki ders, görevi iki dakika önce bitirmekten daha önemli: Görevi tamamlamak yalnızca temel gerekliliktir. Değişiklik gereğinden geniş mi, regresyon testi var mı ve sonraki geliştiriciler kodu sürdürebilir mi diye de bakmak gerekir.

Kod incelemesinde daha fazla akıl yürütme her zaman daha iyi değildir

Diğer modelleri anlatırken de bu noktayı sık sık vurguladık. Kendi geliştirme çalışmalarımızda da daha fazla akıl yürütmenin her zaman daha iyi sonuç vermediğini gördük.

Bu kod inceleme akışında High daha yavaştı ve genel ölçütlerde daha iyi değildi. Bu yüzden bir ayarın adı High veya Max diye ona daha fazla zaman ve para ayırmaya değer olduğunu varsaymayın. Gerçek etkisini kendi işinizde test edin.

Araştırma ve bilgi düzenleme: Sonuç üretmek, işe yarar bir çıktı teslim etmek değildir

Bilgi çalışması testinde Fable’ın yeri değişiyor

Görev türünü değiştirip sonucun nasıl değiştiğine bakalım.

Tek bir genel sıralamaya güvenmemenizi önermemizin nedeni tam da bu: Aynı modeller, bilgi çalışması görevlerine geçince farklı sıraya giriyor.

Müşteri araştırmalarını düzenlemek, rapor yazmak veya iş materyalleri hazırlamak istiyorsanız Fable’ı ilk deneyeceğiniz seçenekler arasına alabilirsiniz.

$10,000 bütçeli bir araştırma da reddedilebilir

CRUX dikkat çekici bir uzun görev değerlendirmesi yaptı. Yayımlanmamış makalelerdeki araştırma sorularını Astra ve Fable 5.1’e verdi, $10,000 araştırma bütçesi sağladı ve sonunda üretilen makaleleri asıl araştırmanın yazarlarına değerlendirdi.

Deney tasarımı ve kaynak kullanımı açısından ilerleme gördük; ancak son iki makale de uzmanlar tarafından açıkça reddedildi. Araştırma ekibi; bilimsel karar verme, özgünlük, iletişim ve başarısızlık karşısında yön değiştirme sorunlarına dikkat çekti. Modellerin farklı araştırma soruları üzerinde çalıştığını unutmamak gerekir. Bu nedenle son puanları, iki model arasında doğrudan ve adil bir yarış gibi değerlendiremeyiz. CRUX araştırma raporu

Bu örneğin, araştırma için yapay zekâ kullananlara önemli bir ders verdiğini düşünüyoruz.

Örneğin bir SaaS rakibini araştırırken yalnızca 20 sayfa metne ihtiyacımız yok. Verilen fiyatlar doğru mu, özellikler güncel mi, trafik hangi kanallardan geliyor ve yeni özelliklerden öğrenebileceğimiz bir şey var mı, bunları da bilmeliyiz.

Uzun süre çalışmak daha fazla içerik üretebilir, ama doğru yönde ilerlemeyi garanti etmez. Sonunda büyük miktarda işe yaramaz içerik çıkabilir. Gereksinimleri önceden belirleyip modelden bu çerçeveyi doldurmasını istemek süreci daha yönetilebilir kılar.

Carbon’un beş saatlik görevlerinde de teslim sorunları yaşandı

FrontierCS değerlendirmesinde her görev için en fazla beş saat tanındı. Modelden, bir makalenin uygulamasından çıkarılan yöntemleri yeniden eklemesi veya daha iyi bir yöntem sunması istendi.

Bu üçüncü taraf testinde bazı çalıştırmalar, ajanın arka plan görevlerini yönetme biçimi nedeniyle sonuç teslim edilmeden erken sonlandı.

İkisinin de sonuç sunduğu görevlerde Carbon’un ortalama puanı daha yüksekti. Buradaki uyarı şu: Saatlerce çalışabilen bir ajan da hedefi yanlış anlayabilir veya son teslimi tamamlayamayabilir.

Yazı ve web sitesi hazırlama: Kamuya açık örnekler ne söylüyor?

Aynı kaynak: Fable’ın yapısı daha iyi, Astra’nın iş akışı daha hızlı

Araştırma çalışmalarımızda aynı 20 sayfalık PDF’yi Fable 5.1 ve Astra’ya verip uzun bir yazıya dönüştürmelerini istedik.

Fable’ın girişi ve yazı düzeni bizim tercihlerimize daha uygundu; yapı açık, mantık tutarlıydı. Astra ise tüm süreci daha hızlı bitirdi.

Modelle yazı hazırlarken önce düzenli bir kaynak dosyası oluşturmanızı veya en azından genel taslağı ve yapıyı belirlemenizi öneriyoruz. Böylece çıktının gereksinimlerinizi karşılayıp karşılamadığını değerlendirebilirsiniz.

Web sayfası hazırlama: Puan, trafik veya dönüşüm anlamına gelmez

WebDev Arena’nın 27 Ekim 2026 tarihli sayfa görüntüsünde şu puanlar yer alıyordu:

Kaynak: WebDev Arena’nın asıl sıralaması.

Web sayfası hazırlamak; geliştirme, yazı yazma ve arama motorlarının gereksinimlerine uyum gibi işleri birleştirir. WebDev Arena puanlarını referans olarak sunsak da API Hop olarak geniş web sitesi deneyimimizden hareketle önerimiz, içerik planını Fable’a, geliştirmeyi Astra’ya vermektir.

Fiyat karşılaştırması: Aynı token tarifesi, farklı toplam fatura

Sık gördüğümüz bir karşılaştırma yöntemi, milyon token başına fiyatı alıp en düşük olanı seçmek. Bu sayı önemlidir, ama çok turlu akıl yürütme, araç çağrıları ve yeniden denemeler içeren karmaşık görevlerde hangi modelin daha ucuz olduğunu tek başına göstermez.

Önce standart API’nin resmî tarifeleri

Aşağıdaki tablonun birimi milyon token başına ABD dolarıdır. Bunlar API Hop platform fiyatları değildir.

Faturayı etkileyebilecek iki ayrıntı daha var:

• Astra: tek bir isteğin girdisi 272K tokens sınırını aşarsa, isteğin tamamında girdi ve önbellek tarifeleri 2, çıktı tarifesi 1.5 ile çarpılır. Artış yalnızca sınırı aşan bölüm için geçerli değildir.
• Fable 5.1: resmî açıklamaya göre 1M bağlamda standart girdi ve çıktı tarifeleri kullanılır. Önbelleğe yazmanın ayrı ücretleri vardır ve bunlar saklama süresine göre değişir.

Bağlama sürekli büyük kod depoları, uzun belgeler veya geniş sohbet geçmişleri ekliyorsanız bu kurallara dikkat etmelisiniz. Aksi takdirde fatura şaşırtabilir.

Sabit kullanım için bir hesap örneği

Bir isteğin tam olarak 100,000 önbelleğe alınmamış girdi tokenı kullandığını ve toplam 10,000 ücretlendirilebilir çıktı tokenı ürettiğini varsayalım. Araç ücretlerini, önbelleğe yazmayı, yeniden denemeleri ve özel paket fiyatlarını şimdilik hesaba katmıyoruz.

Hesap çok basit: girdi tokenları / 1,000,000 × girdi birim fiyatı + çıktı tokenları / 1,000,000 × çıktı birim fiyatı.

Burada token sayısını sabit tuttuk. Gerçek kullanımda modeller farklı miktarda akıl yürütme ve çıktı üretebilir, ayrıca farklı sayıda yeniden deneme yapabilir.

Daha iyi bir ölçüt: Kabul edilen teslim başına maliyet

Görevin sınırları ve kabul koşulları açıksa şu hesabı yapabiliriz:

Kabul edilen teslim başına ortalama maliyet = tüm çalıştırmaların API ve araç ücretleri ÷ kabul edilen görev sayısı

Toplam maliyete başarısızlıklar ve yeniden denemeler de dahil olmalı. Ardından her başarılı sonuç için ne kadar elle düzeltme gerektiğini ayrıca kaydedin. Bir model $2 ucuz olsa da yarım saat daha fazla düzeltme gerektiriyorsa tercihiniz değişebilir.

API Hop model sayfalarında platform fiyatı ile resmî referans fiyatı ayrı gösterilir. İkisini ayrı değerlendirmeyi ve gerçek faturalama kurallarını esas almayı öneriyoruz: Platform fiyatı, resmî API fiyatı değildir. API Hop Astra sayfası · API Hop Fable sayfası · API karşılaştırması

Üç modeli kendi görevlerimizle nasıl test ederdik?

Gerçek işi, kabul koşulları belirli küçük görevlere bölmenizi öneriyoruz. Basit bir hata veya küçük bir özellik isteğiyle başlayabilirsiniz.

Sürecin tekrarlanabilmesi için önce şu üç görev türünü hazırlardık. Bu bir test planıdır; tamamladığımız deneylerin sonucu değildir.

Erişilebilen her modelle her görev türünü üç kez çalıştırırdık. Astra ve Fable ile ilk tur yapılabilir. Carbon için tekrarlanabilir bir kamuya açık test erişimini doğrulamadığımız sürece ilgili sonuçları boş bırakır, asla Carbon yerine Argon kullanmayız.

Verilerin yararlı olması için kaynak sürümünü, görev açıklamasını, süre ve bütçe sınırlarını sabitlerdik. Her seferinde yeni oturum açar; tam model kimliğini, akıl yürütme ayarını, araç sürümünü, yedek modele geçilip geçilmediğini, maliyeti, süreyi ve son ürünü kaydederdik. Yazıda bilgi hatalarına ve elle düzeltmelere, hata onarımında ise testlere ve değişiklik kapsamına odaklanırdık.

Metin görevlerini karşılaştırmak için şu basit şablonla başlayabilirsiniz:

Aşağıdaki gerçek bilgilere dayanarak genel okuyucu için kolay anlaşılır bir yazı hazırlamamız gerekiyor.

Okuyucu: bu konuyu ilk kez öğrenen kişiler
Görev: sorunu açıklamak, uygulanabilir bir çözüm sunmak ve hangi koşullarda geçerli olduğunu belirtmek
Mutlaka yer almalı: [3–5 önemli noktayı yazın]
Yapılmaması gerekenler: kaynakta bulunmayan veriler eklemek, yapılmamış testleri yapılmış gibi anlatmak, sonuçları abartmak
Çıktı: yazı, kullanılan bilgilerin kaynakları ve hâlâ doğrulanması gereken noktalar

Kaynak:
[aynı kaynak metni yapıştırın]

Önemli bir kural var: Yalnızca en iyi görünen çıktıyı saklamayın. Başarısız görevler, tekrarlanan çağrılar ve elle yapılan düzeltmeler, model kullanmanın gerçek maliyetine dahildir.

Sık sorulan sorular

Gemini 4 Carbon’u artık herkes kullanabilir mi?

30 Ekim 2026 itibarıyla bunu varsaymak doğru değil. Google, erişimin önce belirli siber savunma kuruluşlarına açılacağını, ardından güvenilir iş ortaklarına genişletileceğini belirtti. Araştırma kuruluşlarının test yapmış olması, tüm geliştiricilerin standart kamuya açık API erişimine sahip olduğu anlamına gelmez. Açıklamaları, resmî erişim takvimine ve platformun gerçek model kataloğuna göre güncelleyeceğiz. Google’ın resmî duyurusu

Astra ve Fable’ın girdi ve çıktı fiyatı aynıysa görev maliyeti neden çok farklı olabilir?

Kullandıkları token sayısı, önbellek isabeti, akıl yürütme düzeyi, araç çağrıları ve yeniden deneme sayısı aynı olmayabilir. İkisinde de milyon token başına girdi $10, çıktı $50 olması, aynı hatayı aynı maliyetle düzelteceklerini garanti etmez. Gradle örneğinde faturalar $3.54 ve $4.34 idi. Gradle testi

Fable 5.1 Max her zaman daha düşük akıl yürütme düzeylerinden iyi mi?

Bu kesin yargıyı destekleyen bir kanıt görmedik. CodeRabbit, aynı kod inceleme görevlerinde yüksek ayarın daha yavaş olduğunu ve bilinen sorunların daha küçük bir bölümünü bulduğunu gördü. Önce kabul koşullarını karşılayan bir ayar kullanmayı, ardından akıl yürütmeyi artırmanın değerini değerlendirmeyi öneriyoruz. CodeRabbit testi

Uzun Çince yazılar için hangisi daha iyi?

Şimdilik üçlü kesin bir sıralama sunmuyoruz. Yazı örnekleri ve bilgi çalışması değerlendirmeleri var, ama aynı kaynak, ortam ve Çince yazım ölçütleriyle yapılmış üçlü bir test yok. Aynı Çince kaynağı kullanıp bilgi doğruluğunu, yapıyı, tonu ve düzeltme süresini karşılaştırmanızı öneriyoruz.

Değerlendirme sitelerinin sıralamaları neden farklı?

Görev kümeleri, puanlama yöntemleri, akıl yürütme ayarları, ajan araçları ve maliyet hesaplama kuralları farklı olabilir. Genel bilgi testi, gerçek depoda hata düzeltme ve iş belgelerini düzenleme aynı iş değildir. Bir sonuca göre karar vermeden önce en azından sıralamanın sürümünü, test tarihini, model ayarını ve başarı koşullarını kontrol edin.

API Hop’de üç modeli doğrudan aynı görevle karşılaştırabilir miyim?

Önce mevcut GPT-6 Astra, Claude Fable 5.1 ve model kataloğu sayfalarından kullanılabilen modelleri ve fiyatları kontrol edebilirsiniz. Sonra aynı metin göreviyle çıktıları karşılaştırın. Şu anda Carbon’u standart hesapların doğrudan çağırabileceği bir model olarak tanıtmıyoruz. Ayrıca çevrim içi metin aracı; kod çalıştırabilen, dosya yükleyebilen veya web’de gezinebilen tam bir ajan ortamı değildir. Kodlama ajanlarını karşılaştırırken araçların yeteneklerini ayrıca doğrulamak gerekir.

Sonuçta biz nasıl seçerdik?

Bu kamuya açık verileri bir araya getirmek, seçim yöntemimizi daha basit hâle getiriyor.

Mevcut bir depoda hata düzeltmek için önce Astra ve Fable’ı kendi projemizde aynı görevle test ederdik. Yalnızca kimin önce kod ürettiğine değil; tamamlanma durumuna, regresyon testlerine ve ilerideki bakım maliyetine bakardık.

Bilgileri düzenlemek, rapor yazmak veya uzun araştırma yapmak için Fable’ın bilgi çalışması sonuçlarına daha çok dikkat eder, Carbon’un yeni değerlendirmelerini de sonraki testler için izlerdik. Ancak her modelde bilgi kontrolü ve açık kabul koşulları gerekir.

Düzenli olarak yazı veya açılış sayfası üretmek için tüm içerik akışını genel sıralamaya göre belirlemek yerine, içeriğin gereksinimleri karşılayıp karşılamadığına ve her teslimin ne kadar düzeltme gerektirdiğine bakardık.

En yararlı karşılaştırma formülü: Kabul edilebilir teslim + toplam maliyet + bekleme süresi + insan düzeltmesi.

Gerçek bir metin göreviyle başlamak isterseniz API Hop’de Astra ve Fable 5.1 için model bilgileri, fiyatlar ve deneme erişimi bulunur. Güncel modelleri ve koşulları API karşılaştırma sayfasında da görebilirsiniz. Model hizmeti sunuyoruz, ancak bu yazıdaki üçüncü taraf testleri API Hop’in kendi deneyleri değildir. Kendi kararınızı verebilmeniz için kaynakları ve testlerin sınırlarını koruyoruz.

Kaynaklar ve güncelleme kaydı

Kaynakların kontrol tarihi: 2026-10-29. Yazıda o tarihte erişilebilen sıralama sürümleri kullanılmıştır. Fiyatlar, model erişimi ve değerlendirme sonuçları değişebilir. Yeni resmî erişim bilgileri veya kendi tekrarlanabilir testlerimiz ortaya çıktığında, eski test koşullarını sessizce değiştirmek yerine güncellemeleri ayrı kaydedeceğiz.

Resmî model ve fiyat bilgileri

• OpenAI: GPT-6 Astra özellikleri ve ücretlendirmesi
• Anthropic: Claude Fable 5.1 resmî model sayfası
• Google: Introducing Gemini 4 Carbon, 2026-10-28

Bağımsız değerlendirmeler ve örnekler

• Artificial Analysis: Carbon’un Intelligence Index v5.0 sonuçları
• Artificial Analysis: Astra ve Fable genel yetenek ve bilgi çalışması karşılaştırması
• Artificial Analysis: Antigravity CLI ve Codex
• Artificial Analysis: Fable 5.1 sonuçları dahil Claude Code ve Codex
• imec/aistack: 64 kodlama görevi ve gerçek faturalar
• Gradle mühendislik blogu: Aynı dokümantasyon hatasına iki çözüm
• CodeRabbit: Fable 5.1 kod inceleme testi
• CRUX: Astra ve Fable ile açık uçlu araştırma görevleri
• FrontierCS: Gemini 4 Carbon ile beş saatlik araştırma kodu görevleri
• Aaron Makelky: Astra ve Fable ile yazı ve web sitesi deneyimi
• WebDev Arena: Web sayfası oluşturma sıralaması

Editör notu: Yazıdaki “biz” ifadesi, API Hop ekibinin kaynak kontrolünü, analizini ve kullanım önerilerini anlatır. Üçüncü taraf deneylerini bizzat tekrarladığımız anlamına gelmez. Tüm örnek maliyet hesaplarının varsayımları açıkça belirtilmiştir; farklı değerlendirme sistemlerinin puan ve maliyetleri doğrudan toplanmaz veya birbirine dönüştürülmez.