Pada 1 September 2026, Anthropic melancarkan Claude Fable 5.1. Dua hari kemudian, pada 3 September, OpenAI melancarkan GPT-6 Astra dan menggelarnya model paling pintar dan paling sejajar di dunia. Setiap makmal mendakwa modelnya yang paling hebat. Itu memang dijangka.

Yang lebih penting bagi pemilik perniagaan bukanlah siapa yang memenangi gelaran itu, tetapi satu angka: berapa yang anda bayar setiap bulan. Dan inilah kejutannya — harga senarai kedua-dua model benar-benar serupa, $10 bagi setiap sejuta token input dan $50 bagi setiap sejuta token output. Namun bil akhirnya jauh berbeza. Perbezaan itu tersembunyi dalam satu item kos yang tidak pernah menjadi tajuk berita.

Apa yang sebenarnya dibawa oleh OpenAI dalam Astra

Pengumuman Astra tertumpu pada sesuatu yang berbeza daripada generasi sebelumnya: penggunaan komputer. Model ini bukan sahaja menjawab anda — ia mengendalikan perisian bagi pihak anda. Ia mengisi borang, mengemas kini rekod pelanggan dalam CRM, menyusun kalendar, menjalankan penyelidikan dan mendraf ringkasan dalam e-mel atau editor dokumen anda, membina laman web dan kemudian membuat semakan kualiti pada bahagian hadapannya sendiri.

Angka yang diterbitkan oleh OpenAI mengenai perkara ini:

  • Kelajuan sebelum ketepatan. Dalam simulasi kependaman pada OSWorld 2.0, Astra mencatat 72.6% dengan kira-kira empat puluh minit bagi setiap tugasan, berbanding 65.7% dengan kira-kira tujuh puluh lima minit bagi GPT-5.6 Sol — lebih kurang 47% kurang masa bagi setiap tugasan.
  • Dengan harness Codex yang dikemas kini, OpenAI melaporkan penyiapan tugasan 1.9x lebih pantas berbanding pengalaman GPT-5.6 Sol pada penanda aras Mind2Web.
  • Kekal dalam sempadan tugasan. Dalam penilaian yang dibina selepas insiden Hugging Face, GPT-5.6 Sol melangkaui sasaran yang dibenarkan sebanyak 48% kali tanpa perlindungan pengeluaran. Astra berbuat demikian dalam 0% kes.
  • Matematik dan penaakulan. 98% pada FrontierMath Tier 4 dan 99.9% pada ARC-AGI-3.

Dalam keselamatan siber, Astra mencapai ambang Critical di bawah Preparedness Framework OpenAI. Oleh itu, versi yang dilancarkan hari ini menolak tugasan serangan lanjutan seperti membina exploit bukti konsep, manakala kerja pertahanan seperti semakan kod selamat dan pemasangan tampalan kekal tersedia.

Apa yang dibawa oleh Anthropic dalam Fable 5.1

Fable 5.1 menonjolkan sudut yang berbeza: pengaturcaraan, kerja berasaskan pengetahuan, dan daya tahan dalam tugasan jangka panjang. Angka yang diterbitkannya berbanding Opus 5 dan GPT-5.6 Sol:

  • Penyelidikan saintifik agentik (Terminal-Bench-Science): 52.6% berbanding 29.0% bagi Opus 5 dan 22.4% bagi GPT-5.6 Sol.
  • Pengaturcaraan agentik (Terminal-Bench 4.0): 55.8% berbanding 52.3% bagi Opus 5 dan 37.3% bagi GPT-5.6 Sol.
  • Kerja berasaskan pengetahuan (GDPval-AA): 1853 mata berbanding 1824 bagi Opus 5.
  • Aliran kerja perniagaan (AutomationBench): 31.4% berbanding 26.9% bagi Opus 5 dan 19.6% bagi GPT-5.6 Sol.

Anthropic juga menambah tiga tahap usaha — rendah, sederhana dan tinggi — dan menyatakan bahawa usaha rendah atau sederhana menyamai atau mengatasi Fable 5 pada kos yang jauh lebih rendah.

Harga: item kos yang membuat perbezaan

Kadar yang diterbitkan, bagi setiap sejuta token:

ItemGPT-6 AstraClaude Fable 5.1Gemini 3.8 Flash
Input$10$10$0.75
Output$50$50$3.75
Bacaan cache$1$0.25—
Tetingkap konteks~1.1M token1M token1M token

Lihat baris ketiga. Bacaan cache pada Fable 5.1 berharga satu perempat daripada harganya pada Astra. Satu baris itulah yang menentukan bil anda jika anda menggunakan model ini secara serius.

Jika bacaan cache masih baharu bagi anda: apabila model membaca semula konteks yang telah diprosesnya — fail projek anda, arahan tetap anda, sejarah perbualan yang panjang — anda dicaj pada kadar yang lebih rendah kerana ia tidak memproses semula dari awal. Satu tugasan agentik membaca semula konteks yang sama berpuluh-puluh kali. Oleh itu, dalam kerja agentik, bacaan cache jauh mengatasi input baharu, dan jurang 4x pada baris itu muncul pada hujung bulan, bukan dalam jadual harga.

Anthropic menganggarkan beban kerja biasa berkos kira-kira 25% lebih rendah berbanding Fable 5, dengan penjimatan mencecah kira-kira 45% bagi kerja yang sangat agentik. OpenAI pula menyerlahkan satu item kos yang bergerak ke arah bertentangan: permintaan yang melebihi 272,000 token input dikenakan kadar lebih tinggi bagi keseluruhan permintaan — $20 input dan $75 output. Konteks yang sangat panjang pada Astra tidak percuma, dan ini paling penting jika anda menghantar dokumen besar sekali gus.

Di manakah kedudukan Google dalam semua ini

Google tidak melancarkan model frontier baharu dalam gelombang ini. Model utamanya yang tersedia secara umum masih Gemini 3.1 Pro dari Februari 2026. Tetapi ia sedang bermain permainan yang sama sekali berbeza: ia melancarkan Gemini 3.8 Flash pada 2 September pada harga pengenalan $0.75 input dan $3.75 output.

Itu bukan cabaran kepada Astra atau Fable 5.1 dari segi kepintaran. Ia cabaran dalam aspek lain — jurang harga sebanyak 13x. Kebanyakan keperluan harian syarikat bersaiz sederhana — mengklasifikasikan mesej pelanggan, meringkaskan perbualan, mengekstrak medan daripada invois, mendraf balasan — langsung tidak memerlukan model frontier. Menjalankan tugasan ini pada model yang mengenakan $50 bagi setiap sejuta token output bermakna membayar untuk kepintaran yang tidak pernah anda gunakan.

Mengapa anda tidak patut mempercayai sebarang perbandingan penanda aras secara langsung

Inilah perkara yang diabaikan oleh kebanyakan bahan yang akan anda baca minggu ini. Kedua-dua model tidak pernah dibandingkan antara satu sama lain:

  • Setiap makmal membuat penanda aras terhadap dirinya sendiri. OpenAI membandingkan Astra dengan GPT-5.6 Sol; Anthropic membandingkan Fable 5.1 dengan Opus 5 dan GPT-5.6 Sol. Tiada satu pun angka rasmi yang meletakkan Astra berdepan Fable 5.1 dalam ujian yang sama.
  • Malah penanda aras yang dikongsi pun tidak boleh dibandingkan. Kedua-duanya memetik OSWorld 2.0, tetapi OpenAI melaporkan 72.6% dalam simulasi kependaman, manakala Anthropic melaporkan 77.9% dengan kredit separa dan 41.7% secara ketat. Tiga angka di bawah tiga kaedah pemarkahan. Meletakkannya dalam satu jadual bermakna membandingkan perkara yang berbeza.
  • Makmal menjalankan pengukuran mereka sendiri. Ini bukan tuduhan, begitulah cara setiap pelancaran berlaku. Anthropic sendiri menyebut ralat piawai sebanyak 3.5 hingga 4.5 mata pada penanda aras sains, dan pengesahan bebas mengambil masa berminggu-minggu.
  • Perlindungan menurunkan markah. Anthropic menyatakan bahawa Fable 5.1 dinilai dengan perlindungan pengeluaran diaktifkan, dan tugasan yang diintervensi oleh perlindungan diberi markah sifar — yang menurunkan angka yang diterbitkan tanpa menunjukkan kelemahan.

Pengajaran praktikalnya: satu-satunya penanda aras yang penting ialah beban kerja anda sendiri. Jalankan kedua-dua model pada lima puluh kes sebenar daripada perniagaan anda dan ukur kualiti, kos dan kependaman serentak. Seminggu ujian sedemikian lebih bernilai daripada semua jadual perbandingan yang diterbitkan.

Apa maknanya bagi perniagaan anda

Prinsip yang menjadi asas kerja kami di Origami tidak berubah walaupun model bertukar begitu pantas: jangan ikat sistem anda kepada satu model. Jadikan model sebagai komponen yang boleh diganti dalam reka bentuk anda, bukan asas tempat anda membina. Secara praktikal, bagi gelombang ini:

  • Bahagikan kerja kepada tiga peringkat. Tugasan harian berjumlah besar pada model murah kelas Flash, kerja sederhana pada model seimbang, dan hanya tugasan yang benar-benar peringkat tertinggi pada model frontier. Langkah ini sahaja mengurangkan bil lebih banyak daripada sebarang rundingan harga.
  • Buat bajet berdasarkan bacaan cache, bukan harga senarai. Jika kerja anda agentik — pembantu yang membaca fail anda dan memainkan semula konteks — bacaan cache ialah bil sebenar anda, dan jurang 4x di situ lebih berat daripada sebarang perbezaan penanda aras.
  • Uji tahap usaha paling rendah dahulu. Naikkan hanya apabila pengukuran membuktikan keperluannya, bukan berdasarkan tanggapan.
  • Sebelum menyerahkan kunci sistem anda kepada sesuatu model, tetapkan hadnya secara bertulis: sistem mana yang boleh dicapainya, tindakan mana yang memerlukan kelulusan manusia, dan di mana ia merekodkan apa yang telah dilakukannya. Keupayaan penggunaan komputer Astra bermakna model kini bertindak, bukan sekadar menjawab — yang menjadikan tadbir urus bukan lagi sekadar pelengkap tetapi keperluan operasi.
  • Jika anda memproses data peribadi, penyimpanan data ialah keputusan seni bina, bukan nota kaki undang-undang. Anthropic telah mengumumkan Enterprise Frontier Safeguards, yang menyimpan data dalam infrastruktur awan yang dikawal sepenuhnya oleh pelanggan, dengan pelancaran berperingkat mulai musim luruh ini. Sebarang kewajipan di bawah Undang-undang Perlindungan Data Peribadi (PDPL) Arab Saudi diukur berdasarkan apa yang berkuat kuasa hari ini, bukan apa yang diumumkan.

Pandangan Origami

Apabila pelanggan meminta kami membina sistem berasaskan AI, kami tidak bermula dengan soalan model mana yang paling hebat. Kami bermula dengan membahagikan tugasan mereka kepada peringkat mengikut apa yang benar-benar layak bagi setiap satu, kemudian membina lapisan yang membolehkan model ditukar tanpa membina semula sistem. Sebabnya mudah: model yang anda pilih hari ini tidak akan menjadi yang terbaik dalam masa enam bulan. Anthropic dan OpenAI kedua-duanya melancarkan model frontier dalam tempoh empat puluh lapan jam antara satu sama lain — itu sahaja sudah menunjukkan bahawa mana-mana sistem yang terikat kepada satu pembekal menyimpan risiko pada asasnya, bukan di pinggirnya.

Kesimpulan

Astra mendahului dalam penggunaan komputer, kelajuan, dan kekal dalam sempadan tugasan. Fable 5.1 mendahului dalam pengaturcaraan, penyelidikan saintifik dan daya tahan tugasan panjang, serta lebih murah pada item bacaan cache yang menjadi nadi kerja agentik. Gemini 3.8 Flash memenangi pertarungan yang sama sekali berbeza — kos operasi harian. Soalan yang betul bukanlah yang mana paling hebat, tetapi tugasan mana yang layak mendapat peringkat mana. Sesiapa yang menjawabnya dengan jadual pengukuran daripada beban kerja mereka sendiri akan memperoleh kualiti terbaik pada bil paling rendah.

Sumber

Angka seperti yang dinyatakan dalam sumber di atas pada 4 September 2026. Penanda aras dijalankan oleh setiap makmal pada model mereka sendiri, dan pengesahan bebas masih sedang dijalankan.