GPT-5.6 vs Claude Fable 5: co naprawdę mówią benchmarki

Na SWE-Bench Pro Claude Fable 5 wyprzedzał GPT-5.5 o ponad dwadzieścia punktów procentowych. Po premierze GPT-5.6 z 9 lipca 2026 ten dystans wyraźnie się skurczył, ale nie zniknął. Za to na indeksie agentów kodujących Artificial Analysis nowy model OpenAI wyszedł na prowadzenie, więc odpowiedź na pytanie z tytułu zależy od tego, który ranking uznasz za swój.

Skąd wzięła się przewaga Fable 5

Claude Fable 5 pojawił się 9 czerwca 2026 jako pierwszy model klasy Mythos udostępniony szeroko. Anthropic opisał go wtedy jako state of the art na prawie wszystkich testowanych benchmarkach, ale w samym komunikacie firmy próżno szukać konkretnych procentów dla poszczególnych testów.

Najczęściej cytowaną liczbą stał się wynik z SWE-Bench Pro, czyli zestawu prawdziwych zgłoszeń z repozytoriów, w którym model musi sam znaleźć właściwy plik, napisać poprawkę i przejść testy. W zestawieniu Anthropic, przytoczonym między innymi przez Vellum, Fable 5 uzyskał 80,3% wobec 58,6% dla GPT-5.5 i 69,2% dla wcześniejszego Opus 4.8. Ponad dwadzieścia punktów różnicy na takim teście to nie szum pomiarowy.

Kto policzył ten wynik i dlaczego to ma znaczenie

80,3% to liczba producenta: pochodzi z zestawienia Anthropic, a nie z pomiaru powtórzonego przez kogoś z zewnątrz. Warunków, w jakich model rozwiązywał zadania, żadne z cytowanych źródeł nie opisuje.

Niezależne agregatory notują Fable 5 nieco niżej, na poziomie 80,0%. Różnica jest kosmetyczna, ale zasada nie: dopóki pomiaru nie powtórzy ktoś spoza firmy, liczba z komunikatu prasowego jest materiałem marketingowym, a nie dowodem.

Co GPT-5.6 rzeczywiście dostarczył

Premiera się przesunęła. Zamiast czerwcowego wydania OpenAI udostępniło 26 czerwca 2026 ograniczony podgląd dla wąskiej grupy partnerów, a szeroka dostępność przyszła 9 lipca 2026. Wcześniej, jak podaje TechCrunch, administracja USA dążyła do ograniczenia wdrożenia modelu w obawie przed jego nadużyciem. Podobny mechanizm dotknął wcześniej modele Anthropic, o czym pisaliśmy przy okazji rządowej blokady Fable 5 i Mythos 5.

Rodzina ma trzy warianty: Luna (najtańszy), Terra (pośredni) i Sol (najmocniejszy). Po premierze na SWE-Bench Pro Sol notuje 64,6%, Terra 63,4%, a Luna 62,7%. Na Coding Agent Index prowadzonym przez Artificial Analysis Sol ustanowił nowy rekord z wynikiem 80 punktów, o 2,8 nad Fable 5, i zrobił to zużywając mniej niż połowę tokenów wyjściowych. OpenAI podaje przy tym 54% wyższą efektywność tokenową w zadaniach kodowania.

Domknięcie luki, nie skasowanie

Zestawmy to uczciwie. Na SWE-Bench Pro odstęp między liderem a najmocniejszym modelem OpenAI zmalał z ponad dwudziestu punktów procentowych do około piętnastu. To realny postęp w jednym wydaniu, ale nadal przegrana w tej konkretnej konkurencji. Na Coding Agent Index układ jest odwrotny i to Sol jest z przodu. Na Intelligence Index tego samego Artificial Analysis, mierzonym na początku września, wersja Fable 5.1 zebrała 66 punktów wobec 61 dla GPT-5.6 Sol.

Wniosek jest niewygodny dla nagłówków: nie ma jednego zwycięzcy, jest zwycięzca per benchmark. Pytanie „który model jest lepszy” zadane bez dopowiedzenia nie ma poprawnej odpowiedzi. Sensowna wersja brzmi: lepszy w czym, przy jakim budżecie i w jakiej konfiguracji.

Druga strona medalu: czego nie wiemy

Okno kontekstu 1,5 mln tokenów, które przed premierą trafiło do wielu zapowiedzi, nie pojawia się ani w materiałach OpenAI, ani w relacjach z dnia premiery. Dopóki nie trafi do dokumentacji, jest liczbą niepotwierdzoną i tak należy ją traktować. Zresztą sama pojemność okna mówi mniej, niż się wydaje: modele potrafią gubić szczegóły ze środka bardzo długiego dokumentu, o czym pisaliśmy w tekście o tym, jak AI gubi się w długim tekście.

Druga niewiadoma dotyczy jakości samego zbioru zadań. BenchLM odnotowuje, że audyt OpenAI z lipca 2026 uznał około 30% publicznych zadań tego benchmarku za wadliwe i wycofał wcześniejszą rekomendację jego stosowania, więc wynik wymaga sprawdzenia konfiguracji i doboru zadań, zanim posłuży za podstawę decyzji zakupowej. Trzecia rzecz jest najprostsza: wszystkie te testy mierzą pracę inżynierską w repozytoriach open source. Twoje zadania to najprawdopodobniej coś zupełnie innego.

Co z tego dla właściciela małej firmy

Jeśli nie budujesz własnego produktu opartego na modelu, żadna z powyższych liczb nie powinna sama decydować o wyborze narzędzia. Praktyczne konsekwencje są trzy.

Koszt. Liczy się nie cena za milion tokenów, tylko ile tokenów model zużyje na Twoje zadanie. Model droższy w cenniku, ale kończący pracę w połowie kroków, wychodzi taniej w rachunku miesięcznym. Dokładnie o tym jest podejście, które opisaliśmy jako tokenmaxxing.

Zastosowanie. Modele rozjeżdżają się mocniej w zadaniach agentowych, czyli wieloetapowych, z narzędziami i długimi sesjami, niż w prostym pisaniu tekstu. Jeśli Twoje użycie to opisy produktów, streszczenia i odpowiedzi na maile, różnica między czołówką rankingu a modelem klasę niżej będzie dla Ciebie niewidoczna, a różnica w rachunku bardzo widoczna.

Widoczność. To, którego modelu używasz wewnętrznie, nie ma żadnego związku z tym, czy asystenci AI polecają Twoją firmę klientom. To osobna robota, opisana szerzej w tekście o tym, co Claude Fable 5 zmienia w SEO i GEO.

Jak sprawdzić to u siebie w tydzień

Zamiast ufać cudzym tabelom, zrób własny mikrotest. Wystarczy tydzień i arkusz.

1. Wypisz pięć zadań, które naprawdę zlecasz AI w firmie. Te powtarzalne, nie te z demo.
2. Uruchom każde na dwóch modelach z różnych rodzin, przy identycznie sformułowanym poleceniu.
3. Dla każdego przebiegu zapisz trzy rzeczy: czy wynik nadaje się do użycia bez poprawek, ile minut zajęła poprawka, ile kosztowało wywołanie.
4. Po pięciu zadaniach masz własny ranking. Będzie się różnił od każdego publicznego i o to chodzi, bo mierzy Twój przypadek.
5. Powtórz po każdej większej premierze. Czołówka przestawia się co kilka tygodni, czego dowodem jest to, że do gry weszły już Fable 5.1 i ChatGPT Astra, zanim ten spór zdążył się rozstrzygnąć.

Kontekst obu rodzin modeli opisaliśmy osobno: premierę Claude Fable 5 i Mythos 5 wraz z blokadą dystrybucji oraz co Fable 5.1 i Astra znaczą dla SEO, GEO i AEO.

Najczęstsze pytania

Który model jest lepszy w kodowaniu?

Zależy od benchmarku. Na SWE-Bench Pro Claude Fable 5 trzyma okolice 80 procent wobec 64,6 procent dla GPT-5.6 Sol. Na Coding Agent Index prowadzonym przez Artificial Analysis układ jest odwrotny: Sol ma 80 punktów, o 2,8 przed Fable 5.

Czy GPT-5.6 dogonił Claude Fable 5?

Częściowo. Na SWE-Bench Pro luka zmalała z ponad dwudziestu punktów procentowych do około piętnastu, a na indeksie agentów kodujących GPT-5.6 Sol wyszedł na prowadzenie. Wyprzedzenia we wszystkich testach naraz nie ma.

Czy GPT-5.6 ma okno kontekstu 1,5 mln tokenów?

Ta liczba pochodzi z zapowiedzi sprzed premiery i nie została potwierdzona ani w komunikacji OpenAI, ani w relacjach z dnia premiery 9 lipca 2026. Do czasu potwierdzenia traktuj ją jako niepewną.

Jak wybrać model do swoich zadań?

Nie kierować się rankingiem. Wypisz pięć zadań, które naprawdę zlecasz AI, uruchom je na dwóch modelach przy tym samym poleceniu i zapisz trzy rzeczy: czy wynik nadaje się do użycia bez poprawek, ile trwała poprawka i ile kosztowało wywołanie.

Źródła: Anthropic, premiera Claude Fable 5 i Mythos 5 (9.06.2026), Vellum, zestawienie benchmarków Fable 5 (80,3% i 58,6% na SWE-Bench Pro, 69,2% dla Opus 4.8), llm-stats, tabela SWE-Bench Pro (80,0% Fable 5, 64,6% GPT-5.6 Sol, 58,6% GPT-5.5), BenchLM, tabela SWE-Bench Pro i zastrzeżenie o jakości zadań (8.09.2026), TechCrunch, premiera GPT-5.6 Sol, Terra i Luna oraz wynik 80 na Coding Agent Index (9.07.2026), heise online, Intelligence Index 66 dla Fable 5.1 wobec 61 dla GPT-5.6 Sol (2.09.2026).