GPT-6 Astra oder Claude Fable 5.1: Welches KI-Modell ist wirklich vorn, wenn sich selbst die Ranglisten jede Woche ändern?

Wie aus einer Produktwoche ein Duell wurde

Es gibt Wochen, in denen die KI-Branche so wirkt, als würde sie absichtlich dieselbe Bühne teilen. Anfang September war so eine Woche: Anthropic veröffentlichte am 1. September Claude Fable 5.1, OpenAI antwortete am 3. September mit GPT-6 Astra. Beide Unternehmen setzten den Listenpreis auf 10 Dollar je Million Input-Token und 50 Dollar je Million Output-Token. Wer jetzt „einfach den Preis vergleichen“ wollte, stand sofort vor einem Unentschieden.

OpenAI ließ keinen Zweifel daran, wie es Astra verstanden wissen wollte. Laut Axios entstand das Modell im bislang größten Trainingslauf des Unternehmens, mit mehr als 100.000 GPUs am Stargate-Standort in Texas. OpenAI-Präsident Greg Brockman sagte nach der Vorstellung, man sei „jetzt in der AGI-Ära“. Wir hatten Astra bereits im August in einem anderen Zusammenhang beschrieben: als das Modell, dessen Entwicklung teilweise pausiert wurde, weil sich eine kritische Cyberfähigkeit nicht ausschließen ließ. Jetzt ist es draußen, zunächst für Kunden im Daybreak-Programm, danach schrittweise für API-Nutzer und ChatGPT-Abonnenten.

Dieses Zitat stammt ausgerechnet von der Organisation, deren Test OpenAI am häufigsten für Astras Leistung anführt. Es ist der erste Hinweis darauf, dass sich zwischen Marketing-Schlagzeile und Messergebnis eine Lücke auftut.

Dieselbe KI, zwei Ergebnisse: 62,7 und 99,9 Prozent

Die Zahl, die nach dem Launch am häufigsten zitiert wurde, lautet 99,9 Prozent bei ARC-AGI-3. Der Test setzt KI-Agenten in unbekannte, anleitungslose Spielumgebungen und misst, ob sie die Regeln selbst herausfinden und effizient handeln. Zum Start des Tests lagen alle getesteten Spitzenmodelle unter einem Prozent. Ein Wert von fast 100 Prozent klingt deshalb nach einem Quantensprung.

Die ARC Prize Foundation hat Astra allerdings unter zwei Bedingungen getestet. In der neutralen Standard-Umgebung, die für alle Anbieter gleich ist, erreichte das Modell 62,7 Prozent bei Kosten von rund 26.000 Dollar. In OpenAIs eigenem Provider-Adapter, der den internen Denkzustand des Modells zwischen den Schritten bewahrt und lange Verläufe komprimiert, waren es 99,9 Prozent bei rund 19.000 Dollar.

Fairerweise gehört dazu: Die ARC Prize Foundation sagt selbst, beide Messungen beantworten unterschiedliche Fragen und seien es wert, erfasst zu werden. Der neutrale Test zeigt, wie Modelle unter gleichen Bedingungen abschneiden. Der Adapter zeigt, was das System kann, wenn es die Werkzeuge nutzt, die sein Hersteller dafür gebaut hat. Auch die 62,7 Prozent sind ein Rekord und weit entfernt von den 30,2 Prozent, die Claude Opus 5 in der Launch-Grafik erreichte. Dazu kommt ein bemerkenswertes Detail: Astra benötigte auf 96 Prozent der gelösten Level weniger Aktionen als der mittlere menschliche Testteilnehmer.

Die ehrliche Lesart lautet also weder „AGI erreicht“ noch „alles nur Marketing“. Sie lautet: Astra ist bei interaktivem Schlussfolgern ein echter Sprung, und die 99,9 Prozent sind vor allem eine Aussage über das Zusammenspiel von Modell und OpenAI-Infrastruktur. Für Anwender ist das nicht trivial, denn genau dieses Zusammenspiel bekommen sie nur, wenn sie die OpenAI-eigenen Schnittstellen nutzen.

Wenn sich die Messlatte in einer Woche dreimal bewegt

Wer sich auf unabhängige Ranglisten verlassen wollte, erlebte eine Woche, die ihresgleichen sucht. Artificial Analysis, einer der meistzitierten Vergleichsdienste der Branche, veröffentlichte den ersten Astra-Wert, und der war eine Überraschung: Das neue Modell schnitt im Intelligence Index nicht besser ab als sein Vorgänger GPT-5.6 Sol. Einen Tag später erschien Version 4.2 des Index, diesmal mit mehr privaten Testdaten und neuen Aufgaben. Wenig später folgte Version 4.3, in der beide Modelle gleichauf lagen.

Artificial Analysis begründet die Anpassungen damit, einzelne Bausteine des geplanten Index v5 vorzuziehen, um mit der Geschwindigkeit der Modellveröffentlichungen Schritt zu halten, und den Anteil privater Testdaten auf 40 Prozent zu erhöhen, damit Labore die Tests nicht gezielt „knacken“ können. In Entwicklerforen wurde dennoch Kritik laut: Wer die Messmethode ändert, kurz nachdem ein Ergebnis überrascht, riskiert den Eindruck, das Ergebnis an die Erwartung anzupassen. Ob man das teilt oder nicht – der Vorfall zeigt, wie wacklig einzelne Rangplätze bei Modellen sind, die nur wenige Punkte auseinanderliegen.

Ein einheitliches Bild liefern auch andere Quellen nicht. Epoch AI führt Astra nach mehr als 50 Benchmarks auf Platz eins. Die Capability Indices von Artificial Analysis, die Modelle nach Fachgebieten bewerten, sehen dagegen Fable 5.1 in allen sechs Kategorien vorn, mit Astra auf Platz zwei in Finanzen und Buchhaltung, Strategie und Betrieb, Recht sowie Technik. Wer sich ein Urteil bilden will, sollte deshalb mehrere Quellen nebeneinanderlegen, statt sich an einer einzigen Zahl festzuhalten.

Die Detailwertung – mit Angabe, wer misst

Entscheidend ist bei jeder dieser Zahlen, wer sie veröffentlicht hat. Herstellerangaben (etwa OpenAIs eigene Vergleichstabelle) sind nicht automatisch falsch, aber sie zeigen naturgemäß die Disziplinen, in denen das eigene Modell glänzt. Deshalb steht in der folgenden Übersicht bei jeder Zeile, woher der Wert kommt.

Das Muster ist auffällig und ziemlich konsistent: Bei Mathematik, Konstruktion, Dokumenten und Kosteneffizienz liegt Astra vorn. Bei agentischer Wissensarbeit, beim Programmieren im jeweiligen Standard-Werkzeug und in der gesamtheitlichen Fachbewertung liegt Fable 5.1 vorn – oft nur um wenige Punkte. Dass Astra pro Aufgabe weniger Token verbraucht und damit im Schnitt günstiger arbeitet, ist laut Artificial Analysis ein echter Vorteil, auch wenn der Listenpreis identisch ist.

Gleiche Liste, unterschiedliche Rechnung

Zwei unterschiedliche Antworten auf dasselbe Risiko

Beide Hersteller wissen, dass ihre stärksten Modelle auch in falschen Händen mächtig sind – nur gehen sie unterschiedlich damit um. Astra ist das erste OpenAI-Modell, das die höchste interne Cyber-Stufe („Kritisch“) erreicht. Es startete deshalb zunächst nur für geprüfte Kunden im Daybreak-Programm und wurde parallel in Microsoft Foundry bereitgestellt, was für Unternehmen im Azure-Umfeld relevant ist. Für fortgeschrittene Sicherheitsfunktionen gelten strengere Zugangsregeln. Fable 5.1 setzt dagegen auf automatische Umleitung: Anfragen, die als Cybersicherheits- oder Biologie-Risiko markiert werden, landen bei einem früheren, weniger leistungsfähigen Claude-Modell.

Für den Alltag heißt das: Wer mit Fable 5.1 sicherheitsnahe Aufgaben bearbeitet, etwa Schwachstellenanalysen, kann auf eine schwächere Antwort stoßen, ohne dass es offensichtlich ist. Wer Astra für dieselbe Arbeit nutzen will, braucht möglicherweise eine Freischaltung. Beides ist eine bewusste Entscheidung der Hersteller – für Sicherheitsteams im Mittelstand ein Punkt, den man vor der Anbieterwahl klären sollte, nicht danach.

Welches Modell für welche Aufgabe

Die vielleicht wichtigste Empfehlung ist unspektakulär: Testen Sie beide Modelle an Ihren eigenen Aufgaben. Ein Index, der sich in einer Woche dreimal ändert, kann Ihnen nicht sagen, welches Modell Ihre Rechnungen besser versteht oder Ihre Support-Anfragen sauberer beantwortet. Planen Sie dafür zehn bis zwanzig echte Arbeitsbeispiele ein, messen Sie Qualität und Kosten je Aufgabe, und halten Sie Ihre Software so flexibel, dass sich das Modell später austauschen lässt.

FAQ – GPT-6 Astra vs. Claude Fable 5.1