GPT-6 Astra face à Claude Fable 5.1 : une comparaison honnête

La phrase la plus fréquente dans la couverture actuelle revient à peu près à ceci : les propres benchmarks d'Anthropic placeraient Claude Fable 5.1 devant GPT-6 Astra. Cette phrase est fausse, et un calendrier suffit à la réfuter.

Anthropic a publié son tableau de benchmarks le 1er septembre 2026. La colonne de comparaison y porte la mention GPT-5.6 Sol. GPT-6 Astra est passé en accès restreint le 3 septembre et en disponibilité générale le 4 septembre. Anthropic n'a donc pas seulement omis de mesurer Astra : l'entreprise ne pouvait pas le mesurer, le modèle n'étant pas public à la date de publication.

Qui lit la ligne Terminal-Bench 4.0, où 55,8 % pour Fable 5.1 s'opposent à 37,3 %, et prend ces 37,3 % pour Astra, compare le modèle actuel d'Anthropic au prédécesseur du concurrent. Ce n'est pas une erreur d'arrondi, c'est un autre énoncé. Et c'est précisément la lecture erronée qui se propage aujourd'hui le plus vite dans les agrégateurs et les résumés.

La valeur de cet article tient donc moins aux chiffres qu'au tri : quelles comparaisons tiennent, lesquelles non, et à quoi se reconnaît la différence.

Il reste un noyau réduit mais propre. Toutes les lignes du tableau ci-dessous proviennent de la documentation modèle d'Anthropic, de la page tarifaire d'Anthropic et de la documentation développeur d'OpenAI sur gpt-6-astra, consultées le 10 septembre 2026. Ce sont les déclarations de chaque fournisseur sur son propre produit, dans la même unité, sans cadre de mesure intermédiaire.

Une réserve s'impose sur la ligne d'écriture de cache : Anthropic vend deux durées de conservation, cinq minutes et une heure, tandis qu'OpenAI ne publie aucun palier équivalent. Les deux montants de 12,50 USD sont proches, mais pas parfaitement parallèles.

La ligne économiquement intéressante est la lecture de cache. Un facteur quatre en faveur d'Anthropic ressemble à un poste secondaire, mais il ne l'est pas dans le travail agentique : le même contexte, dépôt de code, instruction système et descriptions d'outils, y est relu encore et encore sur des centaines d'étapes. Anthropic chiffre lui-même l'économie qui en découle à environ 25 % par rapport à Fable 5 pour des charges typiques et jusqu'à environ 45 % pour des charges fortement agentiques. Ce chiffre est un calcul de modélisation du fournisseur, non une baisse de prix : les tarifs affichés d'entrée et de sortie sont inchangés, et une charge qui produit peu de succès de cache n'économise pratiquement rien.

Deux autres postes appartiennent à tout calcul. L'API Batch d'Anthropic divise les deux sens par deux, soit 5 USD en entrée et 25 USD en sortie par million de jetons. Et fixer l'inférence aux États-Unis chez Anthropic applique, selon la documentation d'Anthropic sur la résidence des données, un multiplicateur de 1,1 sur l'entrée, la sortie, les écritures et les lectures de cache.

Une ligne de benchmark mérite ici une confiance particulière, pour une raison rarement expliquée.

Le 1er septembre 2026, Anthropic annonce pour Claude Fable 5.1 sur Terminal-Bench 4.0 55,8 %. Dans les résultats rapportés par OpenAI pour GPT-6 Astra, relayés par DataCamp le 3 septembre 2026 et explicitement qualifiés là de chiffres du fournisseur, Astra se situe à 57,7 % et Fable 5.1 est repris à 55,8 %, inchangé.

Les deux fournisseurs aboutissent donc indépendamment au même chiffre pour le modèle du camp adverse. C'est le recoupement le plus solide disponible dans toute cette comparaison. Un fournisseur a peu d'intérêt à surévaluer un concurrent, et lorsque deux parties aux intérêts opposés rapportent le même chiffre, cela plaide pour un chiffre qui survit au dispositif plutôt que pour une mesure maison.

Deux limites subsistent néanmoins. D'abord, aucune des deux publications ne précise le harnais, l'échafaudage ni le niveau d'effort utilisés. Ensuite, l'écart de 1,9 point de pourcentage est assez faible pour provenir exactement de ces facteurs. La lecture défendable est donc la suivante : sur Terminal-Bench 4.0, les deux modèles sont proches selon les indications des deux fournisseurs, avec une légère avance d'Astra selon la mesure d'OpenAI.

La plus grande partie des chiffres publiés n'a pas sa place dans un tableau commun. Ce n'est pas du formalisme, c'est la différence entre une base de décision et un mur de chiffres.

• OSWorld 2.0. Anthropic donne deux valeurs pour Fable 5.1, 77,9 % avec crédit partiel et 41,7 % en notation stricte. Côté OpenAI figure pour Astra une valeur unique de 72,6 %, sans mention du mode de notation. Opposer 72,6 à 77,9 est aussi infondé que l'opposer à 41,7. Tant que le mode de notation ne coïncide pas, il n'y a pas ici de comparaison, seulement une sélection.
• Fenêtre de contexte. Anthropic indique 1 000 000 de jetons, OpenAI 1 050 000 avec une entrée maximale de 922 000 jetons. Ces chiffres ne relèvent pas de la même échelle de capacité, car un jeton n'a pas le même sens selon le tokeniseur. Anthropic écrit lui-même que son tokeniseur actuel produit environ 30 % de jetons de plus pour un même texte que son propre précédent. Aucune donnée inter-fournisseurs sur les jetons par mot n'est publique, donc la question de savoir quel modèle contient le plus de texte reste sans réponse à partir de sources ouvertes.
• AutomationBench. Anthropic publie 31,4 % pour Fable 5.1. Dans son propre billet d'annonce, OpenAI revendique la première place sur le même benchmark mais n'y donne aucun chiffre. Il n'y a tout simplement rien à comparer.
• Les lignes où le chiffre Claude ne vient pas d'Anthropic. Pour ScreenSpot-Pro, FrontierMath Tier 4 v2, ExploitBench, ARC-AGI-3, GPQA Diamond et FrontierCode 1.1, seules des valeurs du côté d'OpenAI existent. Le chiffre Claude de ces lignes est la mesure de Claude par OpenAI, et dans plusieurs cas une mesure de Claude Fable 5 ou de Claude Opus 5, non de Fable 5.1. L'attribuer à Anthropic revient à citer la mauvaise source et, en partie, le mauvais modèle.
• Niveaux d'effort. Les deux fournisseurs autorisent une puissance de calcul variable par requête. Chez Anthropic, le réglage par défaut diffère même selon la surface : high dans Claude Code, medium dans claude.ai et Claude Cowork. Artificial Analysis mesure aux niveaux « max » et « xhigh ». Un chiffre de benchmark sans niveau d'effort déclaré n'est pas comparable à un chiffre obtenu à un autre niveau. Ce n'est pas un détail : c'est la raison la plus probable pour laquelle un même classement affiche trois résultats sur trois sites.

Un cas particulier mérite un avertissement : les 99,9 % qui circulent pour Astra sur ARC-AGI-3 portent dans la source la mention « harnais adaptateur » et voisinent avec 7,8 % pour le modèle précédent. Un écart d'environ 92 points au travers d'un changement de harnais décrit d'abord le harnais et ensuite seulement le modèle. Ce chiffre n'a sa place dans aucun titre.

Qui se méfie des chiffres des fournisseurs se tourne vers les classements indépendants. Ici, cela n'aide pas, car les classements se contredisent entre eux, sur un seul et même indice.

Artificial Analysis, dans son propre article du 3 septembre 2026, donne pour l'Intelligence Index : GPT-6 Astra 61, GPT-5.6 Sol 61, Claude Fable 5.1 66, ce dernier au niveau d'effort maximal avec une configuration de repli qui n'est pas le réglage par défaut de l'API. BenchLM rapporte le même indice différemment en septembre 2026 : GPT-5.6 Sol mène à 58,9 %, Fable 5.1 se situe à 53,7 %. llm-stats, consulté le 10 septembre 2026, indique Fable 5.1 à 56,8, Astra à 54,7 et Claude Opus 5 à 54,1.

Trois sources, un indice, trois classements. Ils ne peuvent pas tous être à jour. Les causes plausibles sont des dates de relevé différentes, des réglages d'effort différents et la confusion entre points et pourcentages. La conséquence pratique est simple : une valeur d'Intelligence Index sans le site, la date et le réglage d'effort n'est pas une information. Artificial Analysis signale d'ailleurs lui-même des résultats contrastés, dont un recul d'environ 80 points Elo sur GDPval-AA v2.

Reste l'arène. Là non plus il n'y a rien à en tirer : ni Claude Fable 5.1 ni GPT-6 Astra ne détient de position classée sur LMArena dans les instantanés de septembre 2026 accessibles ici, car l'Elo d'arène exige un volume de votes et accuse plusieurs semaines de retard sur les sorties de pointe. Même si ces valeurs existaient, elles seraient le mauvais instrument pour cette décision. La préférence humaine en comparaison aveugle mesure la qualité perçue des réponses sur des invites choisies par les votants, réagit fortement à la mise en forme et à la verbosité, et dit peu du travail agentique sur de longues durées. Pour un agent de code ou une plateforme de travail du savoir, ce n'est pas l'étalon sur lequel aligner un achat.

Une ligne de cette comparaison pèse plus que les autres, pour une raison méthodologique. Sur FrontierCode 1.1, GPT-6 Astra se situe selon les résultats rapportés par OpenAI à 53,3 %, donc derrière Claude Fable 5 à 53,5 %.

Deux précisions sont ici obligatoires. La valeur de comparaison concerne Claude Fable 5, non Fable 5.1, et Anthropic n'a publié aucun chiffre propre pour Fable 5.1 sur ce benchmark. L'écart est de 0,2 point de pourcentage, donc à l'intérieur de toute dispersion de mesure plausible.

C'est malgré tout le type de chiffre le plus digne de confiance que puisse contenir une annonce produit. Un fournisseur qui publie une ligne où son nouveau navire amiral se place derrière un modèle concurrent n'y a aucun intérêt commercial. Qui veut apprécier la solidité d'un tableau de benchmarks devrait d'abord chercher si de telles lignes y figurent. Un tableau où le fournisseur qui le publie gagne chaque ligne n'est pas une mesure, c'est une sélection.

Jusqu'ici, Anthropic mène sur le prix et l'économie du cache et se situe à peu près à égalité sur les benchmarks. Sur la gouvernance des données, l'image s'inverse complètement, et pour une entreprise allemande c'est la colonne qui modifie une architecture.

Du côté d'Anthropic, cela figure dans sa propre documentation. Le paramètre inference_geo n'accepte que deux valeurs, global et us, et la seule région de stockage sélectionnable pour un espace de travail est us, figée à la création. Le volet conservation est plus explicite encore : Anthropic désigne Fable 5.1 et Mythos 5.1 (ainsi que Fable 5 et Mythos 5) comme des Covered Models qui exigent une conservation des données de 30 jours et ne sont pas disponibles sous zéro conservation sans autorisation expresse d'Anthropic. Une organisation soumise au ZDR doit activer la conservation de 30 jours pour un espace de travail précis, faute de quoi la requête est rejetée.

Du côté d'OpenAI, la documentation développeur sur le traitement des données indique que l'Europe (EEE et Suisse) prend en charge à la fois le stockage régional et le traitement régional via eu.api.openai.com, configuré par projet, les régions hors États-Unis exigeant une approbation pour les contrôles de surveillance des abus et un avenant de conservation modifiée. La même page liste les points de terminaison éligibles au ZDR, dont /v1/chat/completions et /v1/responses, et exclut explicitement Assistants, Threads, Vector Stores, l'affinage et Batches.

La précision importe ici plus qu'une formule lisse : aucune source trouvée n'affirme positivement que GPT-6 Astra est éligible au ZDR. Ce qui est documenté, c'est que ces points de terminaison prennent en charge le ZDR et qu'aucune exclusion spécifique au modèle n'est publiée pour gpt-6-astra. L'absence d'une restriction n'est cependant pas une autorisation. Qui fonde une architecture là-dessus devrait le faire confirmer contractuellement plutôt que de le déduire d'une lacune documentaire. Chez Anthropic, la situation est sans ambiguïté dans l'autre sens, car l'exclusion y est écrite noir sur blanc.

Une phrase souvent répétée doit également être corrigée : « Claude offre la résidence des données dans l'UE parce qu'il tourne sur AWS Francfort. » C'est exact précisément lorsque vous passez par un cloud partenaire tel qu'Amazon Bedrock ou Google Cloud, où le fournisseur de cloud fixe la région et agit comme sous-traitant. Cela ne vaut pas pour l'API propre d'Anthropic. Pour un routage régional garanti, Anthropic renvoie lui-même aux points de terminaison régionaux des clouds partenaires, moyennant un supplément de 10 % par rapport aux points de terminaison globaux. Pour un examen RGPD, cette distinction est le point central, car elle détermine avec qui le contrat de sous-traitance est conclu.

Depuis le 2 août 2026 s'appliquent les obligations de transparence de l'article 50 du règlement sur l'IA, qui exigent un marquage lisible par machine des contenus synthétiques. Anthropic indique que Fable 5.1 et Mythos 5.1 portent un filigrane textuel invisible dès le premier jour, et applique ce marquage dans le monde entier et pas seulement dans l'UE. Dans la limite des sources disponibles, c'est une différence réelle.

Cette phrase exige toutefois ses deux moitiés. Aucune source n'a été trouvée indiquant si la sortie textuelle de GPT-6 Astra est marquée. L'approche de provenance documentée d'OpenAI, les Content Credentials C2PA et SynthID, concerne l'image et l'audio ; les pages accessibles ne disent rien du texte. De cette lacune il ne découle pas qu'OpenAI ne marque pas le texte. Nous ne l'affirmons donc pas. OpenAI publie séparément des indications clients sur le règlement sur l'IA.

Et le filigrane d'Anthropic porte moins loin que le terme ne le suggère. Anthropic écrit dans sa propre aide qu'un marquage détecté signale qu'un contenu a peut-être été traité par Claude, qu'il n'est pas pleinement concluant et qu'il n'établit pas à lui seul la provenance du contenu. L'API de détection correspondante est de surcroît en aperçu privé pour des organisations sélectionnées. Comme brique d'une argumentation de conformité, le filigrane est utilisable ; comme moyen de preuve, non.

Si vous ne retenez qu'une règle de cette comparaison, retenez celle-ci : avec deux modèles de pointe proches sur les chiffres défendables et affichés au même prix, une ligne de benchmark tranche rarement. L'écart sur Terminal-Bench 4.0 est de 1,9 point de pourcentage, sans harnais déclaré. Sur FrontierCode 1.1, il est de 0,2 point en sens inverse, face à un modèle Claude plus ancien. De tels écarts se déplacent à la sortie suivante, et ils ne changent aucune architecture.

Ce qui change une architecture se trouve dans la colonne gouvernance. Une organisation tenue au zéro conservation des données ne peut pas employer Claude Fable 5.1 via l'API propre d'Anthropic sans autorisation expresse, aussi bon que soit le modèle. Une organisation exigeant une inférence dans l'UE ne trouve cette voie chez Anthropic qu'au travers d'un cloud partenaire, avec le supplément correspondant et un autre sous-traitant au contrat. À l'inverse, l'avantage d'Anthropic sur la lecture de cache est réel et croît avec la part de travail agentique où le même contexte est lu des centaines de fois.

En pratique : clarifiez d'abord les obligations, ensuite les coûts, et les benchmarks en dernier. Dans l'ordre inverse, vous construisez un système qui mesure bien et échoue devant la protection des données. Et pour chaque chiffre qu'on vous présente, vérifiez trois choses : qui l'a rapporté, quand, et à quel niveau d'effort.

Ce que la publication elle-même a changé pour une entreprise allemande est traité dans notre article sur Claude Fable 5.1. Le comportement du modèle dans le travail de projet en cours est traité dans capacités en pratique. Et si la réponse à la question de gouvernance est que les données ne doivent pas quitter la maison, le chemin passe par l'arbitrage entre l'hébergement sur site et le cloud, non par un classement.