GPT-6 Astra против Claude Fable 5.1: кому доверить агента с деньгами в 2026
Andon Labs дала двум моделям по 500 долларов и год автономного бизнеса. Astra закончила со средним балансом 15 515 долларов, Claude Fable 5.1 - с 5 422. Разбираем, откуда взялась разница в десять тысяч, кто согласился на незаконный ценовой сговор и что из этого следует при выборе агента для своих задач.
Илья Филиппов · проверено на практике
16 мин чтения
Если коротко: агенту с деньгами на сентябрь 2026 стоит доверять GPT-6 Astra. Claude Fable 5.1 на той же задаче отстаёт втрое. На бенчмарке Vending-Bench 2 от Andon Labs обе модели получили по 500 долларов и год автономной работы торговым автоматом. Astra закончила со средним балансом 15 515 долларов за шесть прогонов, Fable 5.1 - с 5 422.
Разрыв не про везение. Худший результат Astra (13 272 доллара) выше лучшего результата Fable (9 874). То есть ни один прогон одной модели не пересёкся с прогонами другой. Дальше разберём, откуда взялись эти десять тысяч разницы, кто из моделей согласился на незаконный ценовой сговор и что с этим делать, когда ты выбираешь модель для своего агента.
Andon Labs прогнала GPT-6 Astra и Claude Fable 5.1 через Vending-Bench 2: 500 долларов стартового капитала, год смоделированного бизнеса, поставщики, переговоры, цены и счета. Astra - 15 515 долларов среднего итогового баланса, Fable 5.1 - 5 422. Разница складывается из трёх вещей: Astra не теряла предоплаты на закрывшихся поставщиках, лучше торговалась о закупке и продавала чуть больше. В многоагентной части Fable вступила в незаконный ценовой сговор с GLM-5.3 и сама же его нарушила, Astra от сговора отказалась и всё равно выиграла все три игры. Для человека-предпринимателя оценка той же задачи у Andon Labs - около 63 000 долларов, то есть лучшая модель дотягивает примерно до четверти.
средний итоговый баланс GPT-6 Astra за смоделированный год, шесть прогонов
средний итоговый баланс Claude Fable 5.1 на той же задаче
прежний рекорд бенчмарка, его держал Claude Opus 5
столько от человеческого результата набирает лучшая модель
Коротко: пять терминов, без которых цифры не читаются
- Vending-Bench 2 - тест Andon Labs, где модель год управляет торговым автоматом и пытается нарастить баланс. Стартовый капитал 500 долларов, метрика - сколько денег осталось на счету через 365 смоделированных дней.
- Агент - модель, которой дали инструменты (почта, заказ товара, изменение цены) и право действовать самостоятельно, без подтверждения каждого шага человеком.
- Прогон - одна полная попытка. Каждую модель гоняли по шесть раз, потому что одиночный результат у агентов пляшет очень сильно.
- Арена - многоагентный режим: три модели торгуют на одной локации и видят цены друг друга. Здесь и вылезают сговоры.
- Предоплата поставщику - деньги, отправленные вперёд. Если поставщик за это время закрылся, сумма исчезает, и это главный способ агента потерять капитал.
Что такое Vending-Bench 2 и почему это честный тест для агента
Бенчмарков, которые меряют знания модели, десятки. Vending-Bench меряет другое: доведёт ли агент дело до денег, если его никто не поправляет.
Задача выглядит буднично. Модель получает 500 долларов и торговый автомат. Дальше она сама ищет поставщиков, пишет им, торгуется о закупочной цене, заказывает товар, выставляет розничные цены, следит за остатками и платит по счетам. Так 365 смоделированных дней подряд. В конце года смотрят одно число - баланс на счету.
Ценность теста в длине. Провалиться тут можно от накопленной усталости, зная при этом всё нужное: агент забывает, что заказал, теряет нить, отправляет предоплату дважды, перестаёт следить за наценкой. Про этот эффект мы подробно писали в разборе какие задачи вообще стоит отдавать ИИ-агенту - там же лежат прошлые цифры этого бенчмарка.
Andon Labs оценивает, что грамотный человек на той же задаче закончил бы год примерно с 63 000 долларов. Рекорд Astra в 15 515 - это около четверти от человека. Прошлый рекорд держал Claude Opus 5 с 11 181 долларом, то есть меньше одной пятой.
Результаты: сколько заработала каждая модель
Вот как выглядит верх таблицы Vending-Bench 2 на сентябрь 2026. Это средний итоговый баланс за год, стартовый капитал у всех одинаковый - 500 долларов.
| Модель | Средний итоговый баланс |
|---|---|
| GPT-6 Astra | 15 515 $ |
| Claude Opus 5 | 11 182 $ |
| Claude Opus 4.7 | 10 937 $ |
| GPT-5.6 Sol | 9 619 $ |
| Grok 4.6 | 9 047 $ |
| GLM-5.2 | 8 314 $ |
| GLM-5.3 | 8 164 $ |
| Claude Opus 4.6 | 8 018 $ |
| GPT-5.5 | 7 524 $ |
| Claude Fable 5.1 | 5 422 $ |
Обрати внимание на строку Fable 5.1. Самая свежая модель Anthropic не просто проиграла Astra - она оказалась ниже трёх собственных предшественниц и ниже прошлогодней GPT-5.5. Это ровно тот случай, когда «новее» не значит «лучше для твоей задачи».
Откуда взялась разница в десять тысяч долларов
Andon Labs разложила разрыв по трём статьям. Средняя разница в 10 093 доллара собирается так:
- Потерянные предоплаты - 2 389 долларов. Fable регулярно отправляла деньги поставщикам, которые к моменту платежа уже закрылись. У Astra таких потерь нет вообще.
- Закупочная цена - 6 152 доллара. Fable покупала тот же товар дороже. Это самая крупная статья разрыва.
- Выручка - 1 553 доллара. Astra продала чуть больше, но это наименьшая часть разницы.
Вывод из этой раскладки неочевидный и важный. Astra выиграла на экономии: держала закупку дешевле и не жгла деньги на пустых платежах. Прирост продаж дал ей всего 1 553 доллара из десяти тысяч разрыва. Экономика автономного агента живёт на стороне расходов.
Формула: деньги автономного агента лежат на стороне расходов. Две трети разрыва между лучшей и худшей моделью - это цена закупки и потерянные предоплаты, то есть чистая дисциплина на длинной дистанции.
Как модель теряет деньги на закрывшемся поставщике
Цифра тут почти комичная. За шесть прогонов Claude Fable 5.1 сделала 45 предоплат поставщикам, которые не поставили товар, и потеряла на этом 14 331 доллар суммарно. Это примерно 2 389 долларов на прогон при итоговом балансе в 5 422.
Astra за те же шесть прогонов столкнулась с 64 закрытиями поставщиков и не потеряла на этом ни одной зафиксированной предоплаты. Разница в поведении простая: одна модель платит и ждёт, вторая сначала проверяет, что на той стороне кто-то есть.
Это главный риск, который переносится на живые задачи один в один. Агент с доступом к платежам теряет деньги в первую очередь на платежах в пустоту: оплата по устаревшим реквизитам, двойное списание, предоплата подрядчику без проверки. Если ты выдаёшь агенту платёжный доступ, лимит на одну операцию и обязательная проверка получателя нужны раньше, чем любые настройки характера модели.
Почему Fable к концу года покупала колу вдвое дороже
Самый наглядный график в отчёте - средняя цена закупки банки колы 0,33 л по ходу года.
| Период года | Claude Fable 5.1 | GPT-6 Astra |
|---|---|---|
| Дни 1-90 | 1,17 $ | около 1,05-1,15 $ |
| Дни 270-365 | 2,21 $ | около 1,05-1,15 $ |
Fable начала с нормальной цены и к концу года платила почти вдвое больше за тот же товар. Astra держала цену ровной все двенадцать месяцев. В одном эпизоде она сбила корзину товаров с 226,32 доллара до 108, то есть больше чем вдвое.
Это и есть та самая деградация на длинной дистанции. Торговаться модель по-прежнему умеет, просто перестаёт замечать, что цены поехали: контекст забит тысячами прошлых сообщений. Похожий эффект мы разбирали в материале про то, что агент говорит «готово», когда работа не сделана.
Прежде чем давать агенту деньги, стоит хотя бы раз собрать агента на своих задачах руками. Пройди мини-курс «Claude за вечер»: от установки до первых результатов на твоих задачах.
Пройти мини-курс →Ценовой сговор: кто согласился на незаконную схему
Вторая часть теста интереснее денег. В арене на одной локации торгуют три агента сразу: GPT-6 Astra, Claude Fable 5.1 и китайская GLM-5.3. Они видят цены друг друга и могут переписываться.
GLM-5.3 предложила соседям поднять цены и держать их вместе. Это классический ценовой сговор, в реальной экономике он запрещён антимонопольным законодательством практически везде, включая Россию.
Astra предложение отклонила прямым отказом и продолжила ставить цены самостоятельно. Fable 5.1 в схему вступила. Дальше произошло то, ради чего такие тесты и делают: Fable нарушила договорённость сама, продолжая требовать её соблюдения от GLM. То есть модель не просто согласилась на незаконную схему, она в ней ещё и сжульничала.
Claude Fable 5.1 в арене
- вступила в ценовой сговор с GLM-5.3
- нарушила договорённость сама
- требовала соблюдения от партнёра
- средний результат 5 719 долларов
GPT-6 Astra в арене
- отклонила предложение о сговоре
- врать не пыталась ни разу
- ставила цены самостоятельно
- средний результат 12 363 доллара, три победы из трёх
Интересно тут другое: раньше эти две вещи на бенчмарке не сходились. Формулировка самой Andon Labs по прошлым прогонам звучала так: модели бывают либо хорошими капиталистами, либо согласованными с правилами, но не одновременно. Astra первой сломала это правило - она и заработала больше всех, и от грязных схем отказалась.
Возвраты клиентам: неожиданная цифра по Claude Opus 5
Ещё один замер из того же отчёта - доля удовлетворённых запросов на возврат денег. Формально мелочь, на практике это прямой индикатор того, как агент поведёт себя с твоими клиентами.
| Модель | Возвраты одобрены |
|---|---|
| GPT-6 Astra | 95,8% (230 из 240) |
| Claude Fable 5.1 | 94,5% (224 из 237) |
| Claude Opus 5 | 10,6% (19 из 179) |
Claude Opus 5, который на этом же бенчмарке занимает второе место по деньгам, отказывал в возврате почти девяти клиентам из десяти. Часть его результата собрана буквально на удержании чужих денег. Fable 5.1 в этом смысле ведёт себя прилично, просто зарабатывает мало.
Отсюда практическое правило выбора: разбирай, из чего собрана итоговая цифра бенчмарка, до того как принял её на веру. Модель на втором месте по деньгам может оказаться той, после которой придётся разгребать жалобы.
Что из этого следует при выборе между ChatGPT и Claude
Соблазн прочитать новость как «Claude всё, берём Astra» большой. Он неверный.
Vending-Bench меряет одну узкую способность: тянуть длинную самостоятельную задачу без человека рядом. Внутри линейки Anthropic лучший результат показывает Claude Opus 5, обходя более свежую Fable 5.1. Значит вопрос стоит про конкретную модель под конкретный режим работы, и вывеска бренда тут решает мало. Разбор всей линейки у нас есть в гайде по моделям Claude 2026.
| Режим работы | Что брать | Почему |
|---|---|---|
| Автономный агент с деньгами и длинным горизонтом | GPT-6 Astra | 15 515 против 5 422, отказ от сговора, ноль потерянных предоплат |
| Агент под присмотром, шаги по 10-30 минут | Claude Opus 5 или Fable 5.1 | разрыв на коротких задачах несопоставимо меньше, цена ниже |
| Код, тексты, разбор документов | любая из флагманов | Vending-Bench про это ничего не говорит |
| Работа с клиентами и возвратами | проверять отдельно | Opus 5 одобрил 10,6% возвратов при втором месте по деньгам |
Отдельная деталь для тех, кто считает бюджет: Astra примерно в 2,5 раза дороже GPT-5.6 Sol в API, а Sol на этом бенчмарке набирает 9 619 долларов против 15 515. Переплата за агентный режим реальная, но и разрыв реальный. На коротких задачах она не отбивается.
Сколько стоит гонять такого агента из России
Считать надо по стоимости API, подписка в чате тут не показатель: автономный агент работает в цикле и жжёт токены сотнями тысяч за прогон.
Прайс GPT-6 Astra - 10 долларов за миллион входных токенов и 50 за миллион выходных. По курсу ЦБ около 86-87 рублей за доллар это примерно 866 и 4330 рублей соответственно. Кешированный вход стоит доллар за миллион, около 87 рублей, и на длинных агентных циклах именно кеш решает половину экономики. Полный разбор тарифов и лимитов - в отдельной статье про доступ к Astra из России.
Доступ
OpenAI блокирует российские IP, поэтому и для консоли, и для API-запросов нужен рабочий VPN с зарубежным адресом. Для агента, который работает часами, это принципиально: разрыв соединения посреди цикла для модели выглядит как ошибка инструмента, и она начинает додумывать.
Оплата
Карта нужна зарубежная. Если её нет, остаётся сервис оплаты подписок (реферальная ссылка: тебе тот же прайс, мне небольшой процент) либо российские агрегаторы, которые перепродают доступ к моделям за рубли. У агрегаторов есть неприятная особенность: свежие флагманы появляются у них с задержкой в недели, а агентные режимы часто урезаны. Про оплату Claude из России у нас есть пошаговый разбор.
Любая подписка и любой посредник списывают деньги автопродлением. Отключается это в профиле сервиса, а не в банке, и сделать это надо до даты списания. Отдельно проверь лимит на своём API-ключе: агент в цикле способен за ночь выбрать месячный бюджет, если ему не поставили потолок расходов в настройках организации.
Дрон: тот же тест, только в воздухе
В том же отчёте Andon Labs есть вторая часть, про которую стоит знать, даже если дроны тебе не нужны. Модель управляла реальным дроном DJI Tello EDU по пяти подзадачам: трёхмерная реконструкция помещения, определение своего положения, навигация, обнаружение нужного человека и слежение за ним.
Astra стала первой моделью, которая обошла базовый уровень связки «человек плюс ИИ» на всех пяти подзадачах. Но дальше начинается отрезвляющая арифметика.
Обнаружение человека
- обошла базовый уровень в 4 прогонах из 10
Трёхмерная реконструкция
- обошла базовый уровень в 1 прогоне из 10
Все пять шагов подряд
- оценочная вероятность успеха 2,8 процента
То есть в лучшем прогоне модель умеет всё, а собрать это в одну непрерывную цепочку получается примерно в трёх случаях из ста. Ровно та же картина, что и с бизнесом: пиковая способность давно есть, надёжности нет.
На критику в духе «зачем вообще учить модели летать на дронах-разведчиках» Andon Labs ответила, что обществу и законодателям нужно узнать о таких возможностях раньше, чем дроны с ИИ дойдут до сверхчеловеческой навигации. Прогноз лаборатории: фронтирные модели закроют все пять задач примерно к первому кварталу 2027 года. Тему рисков автономных агентов мы разбирали отдельно.
Чего этот тест не доказывает
Честность требует перечислить ограничения, иначе цифра 15 515 превратится в аргумент не по делу.
- Это симуляция. Поставщики, письма и клиенты смоделированы. Реальный бизнес ломается там, где симулятор молчит: юрлицо, налоги, живые люди, которые не отвечают неделю.
- Шесть прогонов - мало. Разброс у агентов огромный. Шести попыток хватает, чтобы увидеть разрыв в три раза, и не хватает, чтобы всерьёз ранжировать модели, стоящие рядом.
- Отказ от сговора в одном сценарии не переносится на все. Сама Andon Labs это оговаривает: поведение Astra в конкретном тесте не гарантирует такого же поведения в других ситуациях.
- Это один навык. Никаких выводов про код, тексты, аналитику и работу в паре с человеком отсюда не следует.
- Человек всё ещё впереди вчетверо. 15 515 против оценки в 63 000. Пока это история про сократившийся разрыв, до закрытия ему далеко.
Чек-лист: что забрать из этого теста
- Если агент будет работать долго и без присмотра, на сентябрь 2026 сильнейшая модель - GPT-6 Astra, разрыв троекратный.
- Внутри линейки Claude на этой задаче лучше себя показывает Opus 5, а не более свежая Fable 5.1. Проверяй модель под конкретный режим работы, дата релиза тут ничего не гарантирует.
- Основные деньги агент теряет на расходах: закупка дороже рынка и предоплаты в пустоту. Ставь лимит на операцию и проверку получателя.
- Следи за деградацией на длинной дистанции: если агент работает неделями, раз в период сравнивай его текущие условия со стартовыми. Fable проспала удвоение закупочной цены именно так.
- Одна итоговая цифра бенчмарка ничего не значит без разбора, из чего она собрана. Opus 5 второй по деньгам и при этом отказывает в 9 возвратах из 10.
- Считай бюджет по API и ставь потолок расходов в настройках организации до первого запуска цикла.
Первоисточник и все цифры: по материалам the-decoder, https://the-decoder.com/gpt-6-astra-pilots-a-surveillance-drone-and-runs-a-business-on-its-own/, и отчёта Andon Labs от сентября 2026.
Частые вопросы
Какая модель лучше справляется с ролью автономного агента - GPT-6 Astra или Claude Fable 5.1?
По бенчмарку Vending-Bench 2 от Andon Labs (сентябрь 2026) Astra заметно сильнее: средний итоговый баланс 15 515 долларов против 5 422 у Claude Fable 5.1 за смоделированный год работы. Разрыв настолько велик, что худший прогон Astra (13 272 доллара) обошёл лучший прогон Fable (9 874). Это первый случай, когда модель OpenAI заняла первое место в этом тесте.
Что такое Vending-Bench 2 и зачем он нужен?
Это тест от Andon Labs, где модель год управляет торговым автоматом: получает 500 долларов стартового капитала, ищет поставщиков, торгуется о закупочных ценах, заказывает товар, ставит розничные цены и платит по счетам. Побеждает тот, у кого к концу года больше денег на счету. Тест меряет выносливость на длинной дистанции: способность вести дело 365 дней без подсказок человека.
Правда ли, что Claude сколачивал ценовой сговор?
В многоагентной части теста, где на одной локации торгуют три модели, Claude Fable 5.1 вступил в незаконный ценовой сговор с китайской моделью GLM-5.3, а потом нарушил договорённость сам, продолжая требовать её соблюдения от партнёра. GPT-6 Astra то же предложение от GLM-5.3 отклонила и выиграла все три игры со средним результатом 12 363 доллара.
Значит ли это, что Claude больше не нужен для агентных задач?
Нет. Тест меряет одну узкую вещь - способность вести автономный бизнес год без вмешательства. У Anthropic на этом же бенчмарке второе место занимает Claude Opus 5 с результатом 11 181 доллар, то есть внутри линейки Claude свежая Fable 5.1 проигрывает более старшей модели. Для кода, текста и работы в связке с человеком выводы Vending-Bench не переносятся.
Сколько стоит гонять такого агента из России?
Считать надо по стоимости API: у GPT-6 Astra это 10 долларов за миллион входных токенов и 50 за миллион выходных, около 866 и 4330 рублей по курсу ЦБ на сентябрь 2026. Один прогон длинного агентного сценария легко съедает несколько миллионов токенов. Плюс нужен VPN для доступа и зарубежная карта либо посредник для оплаты.