GPT-5.6 kontra Claude 5: pierwsze testy pokazują, że najważniejsza zmiana to nie nowy lider benchmarków
OpenAI wypuściło GPT-5.6 Sol, Terra i Luna. Anthropic odpowiedziało modelami Claude Fable 5 i Sonnet 5. Po pierwszych niezależnych benchmarkach nie ma czystego zwycięzcy, ale frontier intelligence tanieje, a walka przeniosła się z odpowiadania na pytania na dowożenie pracy.
GTM Architect & Growth Operator · Insights · 12 lipca 2026
TL;DR · Najważniejsze wnioski
- Claude Fable 5 wciąż prowadzi w Artificial Analysis Intelligence Index z wynikiem 60. GPT-5.6 Sol ma 59 i kończy ten sam benchmark za około jedną trzecią kosztu Fable. Różnica to już pieniądze, nie zdolności.
- GPT-5.6 to trzy modele, nie jeden: Sol (flagowy), Terra (zbalansowany, index 55 za $2.50/$15) i Luna (wolumen, index 51 za $1/$6). Rozsądny domyślny wybór to Terra, z Sol jako eskalacją, a nie Sol do wszystkiego.
- Taniej za token nie znaczy taniej za wynik. Sonnet 5 spalił w jednym benchmarku około 300 mln tokenów, pięć razy więcej niż mediana, i po zakończeniu promocji potrafi kosztować więcej na ukończone zadanie niż Opus 4.8.
- Przestań pytać, który model jest najlepszy. Kieruj pracę: Luna do Terra do Sol, albo Sonnet wykonuje, a Fable planuje. Wygrywa architektura, nie wiersz z najwyższą liczbą.
OpenAI i Anthropic wypuściły nowe generacje modeli w odstępie kilku tygodni. Na papierze wygląda to jak kolejna runda wojny benchmarkowej. Nie jest. Ciekawy ruch jest strukturalny i zmienia to, jak budowałbym na obu stackach.
OpenAI przestało sprzedawać jeden „najlepszy GPT”. GPT-5.6 to rodzina trzech modeli:
- GPT-5.6 Sol, flagowiec,
- GPT-5.6 Terra, poziom zbalansowany pod jakość i koszt,
- GPT-5.6 Luna, szybki, tani poziom do wolumenu.
Anthropic pozycjonuje dwa:
- Claude Fable 5 jako najmocniejszy szeroko dostępny model firmy,
- Claude Sonnet 5 jako praktyczny model agentowy do codziennej pracy, automatyzacji i kodowania.
Wszystkie pięć obsługuje około miliona tokenów kontekstu i do 128 000 tokenów wyjścia. Context window przestał być wyróżnikiem. Dziś różnicują je niezawodność, koszt na ukończone zadanie, wykorzystanie narzędzi, szybkość i to, ile nadzoru potrzebują, żeby działać, kiedy na nie nie patrzę.
| Model | Intelligence Index | Wej. / wyj. za 1 mln | Najbardziej logiczna rola |
|---|---|---|---|
| Claude Fable 5 | 60 | $10 / $50 | Najtrudniejsze problemy, analiza, planowanie, high-stakes coding |
| GPT-5.6 Sol | 59 | $5 / $30 | Frontier capability przy lepszej ekonomii, mocna integracja z Codexem |
| GPT-5.6 Terra | 55 | $2.50 / $15 | Domyślny model do codziennej pracy profesjonalnej |
| Claude Sonnet 5 | 53 | $2 / $10 promo | Dobrze zdefiniowany agentic execution i Claude Code |
| GPT-5.6 Luna | 51 | $1 / $6 | Szybkie, wolumenowe, niskokosztowe workloady |
Pięć modeli w skrócie. Artificial Analysis Intelligence Index, opublikowane ceny API i to, gdzie każdy zarabia na siebie. Reszta artykułu to powód, dla którego podświetlony wiersz nie jest całą prawdą.
Najważniejszy wniosek: Fable prowadzi, Sol jest o punkt za nim za jedną trzecią ceny
Claude Fable 5 uzyskał 60 w Artificial Analysis Intelligence Index. GPT-5.6 Sol w maksymalnym reasoningu dostał 59. Artificial Analysis oszacowało koszt Sol na około $1,04 na zadanie w tym benchmarku, mniej więcej jedną trzecią kosztu Fable. Sol objął też prowadzenie w Coding Agent Index z wynikiem 80.
Artificial Analysis Intelligence Index
+2% vs baselineTo nie nokaut. To zmiana ekonomiki rynku.
Fable nadal może być właściwym wyborem do jednego najtrudniejszego problemu, gdzie koszt modelu znaczy mniej niż prawdopodobieństwo poprawnego wyniku. Sol wygląda na lepszy domyślny model do powtarzalnej pracy frontier-level, zwłaszcza takiej, którą uruchamiasz wiele razy dziennie.
Co faktycznie zmienia GPT-5.6
Sol: blisko Fable, wyraźnie taniej
GPT-5.6 Sol kosztuje $5 za milion tokenów wejściowych i $30 wyjściowych. Fable 5 kosztuje $10 i $50.
Sama cena tokena nigdy nie mówi całej prawdy, bo modele zużywają różne ilości reasoningu, robią inną liczbę kroków i wymagają innej ilości poprawek. Ale niezależny koszt na zadanie mówi, że przewaga Sol to więcej niż sztuczka z cennika.
Sol, koszt na zadanie
$1,04
eval Artificial Analysis
Koszt Fable vs Sol
~3x
taniej
ten sam benchmark
Sol, Coding Agent Index
80
obecny lider
Claire Vo przepuściła Sol, Terra, Luna, Fable i Sonnet przez PRD, prototypy, wireframe’y, debugowanie i agentic voice. Sol wygrał cały test, najmocniej w PRD, prototypach i obsłudze przeglądarki. Problemem Fable nie były surowe zdolności. Była nadmierna pedanteria i trudniejsza współpraca podczas samej realizacji.
Pierwsze relacje deweloperów idą w tę samą stronę. Opisują Sol jako zbliżony do Fable, ale szybszy, tańszy i bardziej niezawodny przy zmianach, które dotykają kilku warstw systemu naraz. To anegdoty, nie kontrolowane eksperymenty, ale kierunek zgadza się z niezależnymi liczbami.
Fable nie przegrał na zdolnościach. Przegrał na tym, ile pracy kosztowała współpraca z nim.
Terra może być najważniejszym modelem tej premiery
Sol przyciąga uwagę. Terra może mieć większy wpływ operacyjny.
Terra kosztuje $2,50 za milion tokenów wejściowych i $15 wyjściowych. OpenAI opisuje ją jako konkurencyjną wobec GPT-5.5 za połowę ceny. Artificial Analysis dało jej 55 w indeksie, cztery punkty za Sol.
To wystarcza do sporej części realnej pracy produkcyjnej:
Analiza biznesowa
TerraCzyta, streszcza i rozumuje na nieuporządkowanych danych na tyle dobrze, by przygotować decyzję.
Praca z dokumentami i research
TerraWarstwa wolumenowa profesjonalnego outputu: drafty, ekstrakcja, synteza wielu źródeł.
Generowanie i refaktoryzacja kodu
TerraZmiany o średniej trudności z jasnym zakresem, nie dwuznaczne decyzje architektoniczne.
Tool use i agentic execution
TerraWieloetapowe runy, w których plan jest zdefiniowany, a model go wykonuje.
Nie wszyscy są przekonani. Część testujących zauważa, że Terra wypada poniżej GPT-5.5 w kilku pojedynczych benchmarkach i zachowuje się bardziej jak wydestylowany model średniej klasy niż tańszy Sol. Trafnie. Mocna średnia nie oznacza równej jakości w każdym workloadzie. Ale dla firmy pytanie nie brzmi „czy Terra wygrywa każdy eval”. Brzmi:
Czy Terra kończy wystarczająco dużo naszych zadań, żeby płacenie za Sol domyślnie stało się zbędne?
Dla wielu workloadów odpowiedź brzmi: tak.
Luna pokazuje, jak szybko tanieją zdolności
GPT-5.6 Luna kosztuje $1 za milion tokenów wejściowych i $6 wyjściowych. Uzyskała 51,2 w indeksie, tylko nieco poniżej Sonnet 5 w maksymalnym reasoningu.
To nie znaczy, że Luna bije Sonnet w każdym zadaniu. Sonnet potrafi być znacznie lepszy w konkretnej pracy agentowej, kodowej albo długo działającej. Luna pokazuje presję cenową, którą tworzy GPT-5.6: zdolności, które jeszcze niedawno wymagały drogiego modelu frontier, siedzą dziś w poziomie za dolara za wejście.
Gdzie Luna jest racjonalnym wyborem
Oceniaj Lunę po pracy, którą odblokowuje ekonomicznie, nie po tym, czy pokona Fable w najtrudniejszym możliwym problemie.
Duży wolumen, niska dwuznaczność, jasne pass albo fail. Klasyczna robota dla taniego modelu.
Wstępne drafty, warianty, przepisania na skalę, gdzie output i tak edytuje człowiek.
Triage zadania, ocena trudności, potem eskalacja tych trudnych do mocniejszego poziomu.
Najlepsza architektura to więc nie Sol do wszystkiego. To routing pracy według trudności i ryzyka.
Fable 5 wciąż ma najmocniejszy argument czysto jakościowy
Claude Fable 5 zostaje pierwszy w ogólnym indeksie i szczególnie mocno wypada w długich zadaniach analitycznych, kodowaniu agentowym, prototypowaniu, pracy z arkuszami i problemach wymagających samokontroli. Partnerzy Anthropic z wczesnego dostępu opisywali go jako zdolny do kończenia pracy, która wcześniej wymagała wielu promptów, i do refleksji nad własnym wynikiem przy najwyższym effort.
Fable zdobył też 80% w SWE-Bench Pro wobec 64,6% Sol. Ale Sol wygrał Terminal-Bench 2.1 wynikiem 88,8% wobec 83,1% Fable.
SWE-Bench Pro
+24% vs baselineTerminal-Bench 2.1
+7% vs baselineOba benchmarki mierzą inną robotę, a harness waży tyle samo co model:
- SWE-Bench premiuje naprawianie zdefiniowanych problemów w repo.
- Terminal-Bench sprawdza pracę w środowisku terminalowym.
- Codex i Claude Code dokładają własne harnessy, prompty systemowe, zarządzanie kontekstem i strategie narzędziowe.
Ten sam model wypada inaczej przez surowe API, w Claude Code, w Codexie albo w środowisku zbudowanym przez trzecią firmę. Oceniaj środowisko, nie same wagi.
Prawdziwe wady Fable to koszt i dostępność. Po czasowym wstrzymaniu model wrócił globalnie, ale wielu użytkowników krytykowało Anthropic za przeniesienie użycia Fable poza standardowe limity subskrypcyjne i na dodatkowe płatne credity. Fable może być najlepszym specjalistą, nie będąc najlepszym domyślnym pracownikiem.
Sonnet 5: dobry model z problemem pozycjonowania
Sonnet 5 miał odpowiedzieć na proste pytanie: który model Claude wybierać do codziennej pracy?
Oferta produktowa jest atrakcyjna. Sonnet 5 jest dostępny we wszystkich planach Claude, domyślny w Free i Pro, działa w Claude Code i ma promocyjną cenę $2 za milion tokenów wejściowych i $10 wyjściowych do 31 sierpnia 2026, po czym rośnie do $3 i $15. Anthropic prezentuje go jako istotnie bardziej agentowego niż Sonnet 4.6: lepiej kończącego wieloetapowe zadania, sprawdzającego własny output i działającego na nieuporządkowanych, istniejących codebase’ach. Partnerzy z wczesnego dostępu zgłaszali mocne wyniki w debugowaniu, tool use, testowaniu i pracy z brownfield code.
Niezależny obraz jest bardziej mieszany.
To nie czyni Sonnet 5 słabym. Sugeruje, że planowanie mocno niejasnej pracy nie jest jego naturalną rolą. Bardziej racjonalny podział:
| Zadanie | Mój wybór | Dlaczego |
|---|---|---|
| Architektura, planowanie, praca z dużą niepewnością | Fable albo Sol | Drogie jest pomylenie się. Zapłać za model najmniej skłonny wysłać cię złą ścieżką. |
| Implementacja jasno zdefiniowanego zadania | Sonnet 5 | Zakres jest ustalony, robotą jest wykonanie. Tu jego siła agentowa działa, a cena pasuje. |
| Codzienna analiza i implementacja z dobrym cost/performance | Terra | Jakość blisko frontier za połowę ceny flagowca, dla większości profesjonalnego outputu. |
| Skala i workloady niskiego ryzyka | Luna | Wolumen, który wcześniej nie uzasadniał modelu frontier, dziś działa za dolara za milion wejścia. |
Dopasuj model do ryzyka zadania, nie do jednego wiersza w rankingu.
Prawdziwy pojedynek: ChatGPT Work i Codex kontra Claude Cowork i Claude Code
Porównania samych modeli coraz gorzej opisują realną produktywność.
OpenAI udostępniło GPT-5.6 w ChatGPT, ChatGPT Work, Codexie i API. Użytkownicy płatnych planów wybierają Sol, Terra albo Luna w Work i Codexie oraz sterują poziomem reasoningu. Tryby max i ultra są dostępne na wybranych planach, a API obsługuje programmatic tool calling i równoległych subagentów. Anthropic oferuje porównywalny system przez Claude Chat, Cowork i Claude Code.
OpenAI: ChatGPT Work + Codex
lepsza ekonomiaSol, Terra i Luna do wyboru w Work i Codexie, sterowanie effortem, tryby max i ultra, programmatic tool calling i równolegli subagenci. Siłą jest głębsza integracja z resztą ChatGPT i agresywniejsza ekonomia modeli.
Anthropic: Cowork + Claude Code
dojrzały dev UXTen sam zakres zadań przez Claude Chat, Cowork i Claude Code. Przewagą zostaje Claude Code: wciąż najbardziej dojrzałe doświadczenie deweloperskie, zwłaszcza do naturalnej pracy na istniejącym, nieuporządkowanym codebase.
Oba stacki przechodzą między tymi samymi zadaniami: rozmowa i analiza, dokumenty i pliki, praca na poziomie aplikacji, edycja repozytorium, uruchamianie kodu, delegowanie do subagentów. Przewagą Anthropic zostaje Claude Code, wciąż najbardziej dojrzałe i najczęściej preferowane doświadczenie deweloperskie, zwłaszcza do naturalnej pracy na istniejącym codebase. Odpowiedź OpenAI to głębsza integracja Codexa z resztą ChatGPT plus agresywniejsza ekonomia modeli.
Pierwsze opinie nie koronują jednego zwycięzcy. Część deweloperów wciąż woli Claude do frontendu, trzymania się konwencji projektu i generowania kodu bliższego intencji. Inni relacjonują, że Codex z Sol jest bardziej niezawodny, gdy problem przechodzi przez kilka warstw systemu, i rzadziej utyka w lokalnym rozwiązaniu.
Co naprawdę mówią liczby
Dwa wnioski przetrwają wszystkie zastrzeżenia.
Po pierwsze, różnica zdolności między flagowcem a tańszymi poziomami maleje. Jeden punkt dzieli Fable i Sol w ogólnym indeksie. Cztery punkty dzielą Sol i Terra. Modele premium to już nie inna liga, tylko inna cena.
Po drugie, cena tokena nie jest liczbą, która się liczy. Tańszy model może być droższy na wynik, gdy generuje więcej tokenów reasoningu, robi więcej kroków albo wymaga więcej poprawek. Koszt na ukończony wynik to jedyna liczba, która dotyka P&L, i nie ma jej na żadnej stronie z cennikiem.
To, co pokazuje cennik
Koszt na token
To, co realnie uderza w budżet
Koszt na ukończony wynik
Jak kierowałbym pracę
Do większości pracy profesjonalnej: Terra
Terra to najlepszy punkt startowy do analizy, researchu, pracy z dokumentami, treści i średnio trudnego kodowania. Sol powinien być ścieżką eskalacji, a nie uniwersalnym domyślnym wyborem.
Do najtrudniejszych problemów: Sol albo Fable
Fable trzyma minimalną przewagę w ogólnym rankingu i mocno wypada w długich, złożonych zadaniach. Sol daje zbliżone zdolności przy znacznie lepszej ekonomii i jest bardziej pragmatycznym domyślnym wyborem dla firmy.
W Claude Code: Sonnet wykonuje, Fable planuje
Sonnet 5 pasuje do jasno zdefiniowanej implementacji. Przy niejasnej pracy architektonicznej użycie mocniejszego modelu do przygotowania planu zwykle kosztuje mniej niż trzykrotne poprawianie tańszego.
Do automatyzacji wolumenowej: Luna
Nie oceniaj Luny po tym, czy pokona Fable w najtrudniejszym problemie. Jej wartość to odblokowanie całych kategorii pracy, które wcześniej ekonomicznie nie uzasadniały frontier AI.
Ostateczny werdykt
OpenAI nie musiało jednoznacznie pokonać Fable. Wystarczyło zbliżyć się przy znacznie niższym koszcie, a potem rozłożyć tę samą generację zdolności na trzy poziomy cenowe. W efekcie „który model jest najlepszy?” staje się coraz słabszym pytaniem.
Lepsze:
- Który model faktycznie kończy mój konkretny workflow?
- Ile wymaga nadzoru?
- Ile kosztuje poprawny wynik, a nie milion tokenów?
- Czy potrafi działać w moich dokumentach, aplikacjach i repozytoriach?
- Kiedy praca powinna być automatycznie eskalowana do mocniejszego modelu?
Frontier AI to już nie jeden model. Staje się warstwowym systemem produkcyjnym. W takim systemie wygrywa nie model z najwyższą liczbą na jednym wykresie. Wygrywa architektura, która kieruje właściwe zadanie do właściwego poziomu inteligencji.
FAQ: GPT-5.6 kontra Claude 5
Który model AI jest teraz najlepszy, GPT-5.6 czy Claude 5?
W Artificial Analysis Intelligence Index prowadzi Claude Fable 5 z wynikiem 60, a GPT-5.6 Sol jest tuż za nim z 59, ale Sol kończy benchmark za około jedną trzecią kosztu Fable. GPT-5.6 Terra może być najważniejszym biznesowo z całej piątki. Nie ma jednego zwycięzcy: właściwy model zależy od zadania, kosztu ukończonego wyniku i tego, ile masz nadzoru do oddania.
Czy GPT-5.6 jest tańszy od Claude Fable 5?
Tak. GPT-5.6 Sol kosztuje $5 za milion tokenów wejściowych i $30 wyjściowych wobec $10 i $50 Fable 5, a niezależne testy wskazały koszt Sol na około jedną trzecią kosztu Fable na ukończone zadanie. Terra ($2.50 / $15) i Luna ($1 / $6) podcinają każdy poziom Claude jeszcze mocniej.
Czy używać Claude Sonnet 5 w Claude Code?
Do dobrze zdefiniowanej implementacji tak: jest domyślnym modelem w Claude Code i mocny w debugowaniu, tool use oraz pracy na nieuporządkowanych codebase’ach. Przy niejasnej architekturze najpierw użyj mocniejszego modelu do planowania. Sonnet 5 potrafi wykonać więcej kroków, zużyć więcej kontekstu i kosztować więcej na ukończone zadanie niż silniejszy model, więc planowanie najtrudniejszej pracy tym modelem to często fałszywa oszczędność.
Który model GPT-5.6 jest najlepszy do codziennej pracy?
Terra do większości: analizy, researchu, pracy z dokumentami i średnio trudnego kodowania za połowę ceny flagowca. Sol zostaw jako ścieżkę eskalacji do najtrudniejszych problemów, a Luna do zadań wolumenowych o niskim ryzyku, jak klasyfikacja, ekstrakcja i routing.
Źródła i dalsza lektura
Źródła pierwotne
Strony główne dla cytowanych liczb. Głębokie permalinki się zmieniają, więc to strony, na których warto sprawdzić aktualne wartości.
Jeśli chcesz operatorskiego kontekstu wokół tego, opisałem mój własny benchmark Claude Fable 5 kontra Opus i Sonnet oraz production stack AI, na którym realnie dowożę. Ta sama zasada co tutaj: model to jedna warstwa, a robotą jest system, który kieruje wokół niego pracę.
