GPT-6 Astra tegenover Claude Fable 5.1: een eerlijke vergelijking

De meest voorkomende zin in de huidige berichtgeving komt hierop neer: Anthropics eigen benchmarks zouden Claude Fable 5.1 vóór GPT-6 Astra zetten. Die zin is onjuist, en een kalender weerlegt hem.

Anthropic heeft zijn benchmarktabel op 1 september 2026 gepubliceerd. De vergelijkingskolom daarin draagt de aanduiding GPT-5.6 Sol. GPT-6 Astra ging op 3 september in beperkte preview en op 4 september in algemene beschikbaarheid. Anthropic heeft Astra dus niet alleen niet gemeten, het kón het niet meten: het model was op de publicatiedatum niet openbaar.

Wie de regel over Terminal-Bench 4.0 leest, waar 55,8% voor Fable 5.1 tegenover 37,3% staat, en die 37,3% voor Astra aanziet, vergelijkt Anthropics huidige model met de voorganger van de concurrent. Dat is geen afrondingsfout, dat is een andere bewering. En het is precies de verkeerde lezing die zich op dit moment het snelst verspreidt via aggregators en samenvattingen.

De waarde van dit artikel ligt daarom minder in de cijfers dan in de sortering: welke vergelijkingen standhouden, welke niet, en waaraan u het verschil herkent.

Er blijft een kleine maar zuivere kern over. Alle regels in onderstaande tabel komen uit de Anthropic-modeldocumentatie, de Anthropic-prijspagina en de OpenAI-ontwikkelaarsdocumentatie voor gpt-6-astra, geraadpleegd op 10 september 2026. Het zijn uitspraken van elke aanbieder over het eigen product, in dezelfde eenheid, zonder meetkader ertussen.

Bij de regel cache-schrijven hoort een voorbehoud: Anthropic verkoopt twee bewaartermijnen, vijf minuten en een uur, terwijl OpenAI geen vergelijkbare staffel publiceert. De twee bedragen van 12,50 USD liggen dicht bij elkaar, maar staan niet volledig parallel.

De economisch interessante regel is cache-lezen. Een factor vier in het voordeel van Anthropic klinkt als een bijpost, maar dat is het bij agentisch werk niet: daar wordt dezelfde context, repository, systeeminstructie en gereedschapsbeschrijvingen, over honderden stappen telkens opnieuw gelezen. Anthropic becijfert de daaruit volgende besparing zelf op ongeveer 25% ten opzichte van Fable 5 bij typische belastingen en tot ongeveer 45% bij sterk agentische belastingen. Dat cijfer is een modelberekening van de aanbieder, geen prijsverlaging: de catalogusprijzen voor invoer en uitvoer zijn ongewijzigd, en een belasting met weinig cachetreffers bespaart praktisch niets.

Twee andere posten horen in elke calculatie thuis. Anthropics Batch-API halveert beide richtingen, tot 5 USD invoer en 25 USD uitvoer per miljoen tokens. En wie de inferentie bij Anthropic op de Verenigde Staten vastzet, betaalt volgens Anthropics documentatie over dataresidentie een vermenigvuldiger van 1,1 op invoer, uitvoer, cache-schrijven en cache-lezen.

Eén benchmarkregel verdient hier bijzonder vertrouwen, om een reden die zelden wordt uitgelegd.

Op 1 september 2026 meldt Anthropic voor Claude Fable 5.1 op Terminal-Bench 4.0 55,8%. In de door OpenAI gerapporteerde resultaten voor GPT-6 Astra, op 3 september 2026 doorgegeven door DataCamp en daar uitdrukkelijk aangeduid als door de aanbieder gerapporteerd, staat Astra op 57,7% en wordt Fable 5.1 met ongewijzigd 55,8% vermeld.

Beide aanbieders komen dus onafhankelijk van elkaar op hetzelfde cijfer voor het model van het andere kamp. Dat is de sterkste enkelvoudige controle die in deze hele vergelijking beschikbaar is. Een aanbieder heeft weinig belang bij het te hoog inschatten van een concurrent, en wanneer twee partijen met tegengestelde belangen hetzelfde cijfer melden, pleit dat ervoor dat het cijfer de opstelling overleeft in plaats van een huismeting te zijn.

Toch blijven er twee beperkingen. Ten eerste vermeldt geen van beide publicaties met welk harness, welk scaffold en welk effortniveau is gemeten. Ten tweede is het verschil van 1,9 procentpunt klein genoeg om juist uit die factoren voort te komen. De houdbare lezing luidt dan ook: op Terminal-Bench 4.0 liggen beide modellen volgens de opgaven van beide aanbieders dicht bij elkaar, met een lichte voorsprong voor Astra volgens OpenAI's meting.

Het grootste deel van de gepubliceerde cijfers hoort niet in één gezamenlijke tabel. Dat is geen formalisme, het is het verschil tussen een beslissingsgrondslag en een muur van getallen.

• OSWorld 2.0. Anthropic geeft voor Fable 5.1 twee waarden, 77,9% met deelpunten en 41,7% bij strikte beoordeling. Aan OpenAI-zijde staat voor Astra één enkele waarde van 72,6%, zonder vermelding van de beoordelingswijze. 72,6 tegenover 77,9 zetten is even ongefundeerd als het tegenover 41,7 zetten. Zolang de beoordelingswijze niet overeenkomt is hier geen vergelijking, alleen een selectie.
• Contextvenster. Anthropic noemt 1.000.000 tokens, OpenAI 1.050.000 met maximaal 922.000 tokens invoer. Deze cijfers zijn geen capaciteitsopgave op dezelfde schaal, want een token betekent per tokenizer iets anders. Anthropic schrijft zelf dat de huidige tokenizer voor dezelfde tekst ongeveer 30% meer tokens produceert dan de eigen voorganger. Een aanbiederoverstijgend cijfer voor tokens per woord is niet openbaar, dus de vraag welk model meer tekst bevat, is uit open bronnen niet te beantwoorden.
• AutomationBench. Anthropic publiceert 31,4% voor Fable 5.1. In het eigen aankondigingsbericht claimt OpenAI de koppositie op dezelfde benchmark, maar noemt daar geen cijfer. Er valt eenvoudigweg niets te vergelijken.
• Regels waarin het Claude-cijfer niet van Anthropic komt. Voor ScreenSpot-Pro, FrontierMath Tier 4 v2, ExploitBench, ARC-AGI-3, GPQA Diamond en FrontierCode 1.1 bestaan alleen waarden van OpenAI-zijde. Het Claude-cijfer in die regels is OpenAI's meting van Claude, en in meerdere gevallen een meting van Claude Fable 5 of Claude Opus 5, niet van Fable 5.1. Wie ze aan Anthropic toeschrijft, citeert de verkeerde bron en deels ook het verkeerde model.
• Effortniveaus. Beide aanbieders staan wisselende rekeninzet per verzoek toe. Bij Anthropic verschilt zelfs de standaardinstelling per omgeving: high in Claude Code, medium in claude.ai en Claude Cowork. Artificial Analysis meet op de niveaus "max" en "xhigh". Een benchmarkcijfer zonder vermeld effortniveau is niet vergelijkbaar met een cijfer op een ander niveau. Dat is geen finesse, het is de waarschijnlijkste reden waarom dezelfde ranglijst op drie websites drie uitkomsten toont.

Eén bijzonder geval verdient een waarschuwing: de 99,9% die voor Astra op ARC-AGI-3 circuleert, draagt in de bron de toevoeging "adapter harness" en staat naast 7,8% voor het vorige model. Een sprong van ongeveer 92 punten over een harnesswissel beschrijft eerst het harness en pas daarna het model. Dat cijfer hoort in geen enkele kop thuis.

Wie de aanbiedercijfers wantrouwt, grijpt naar ranglijsten van derden. In dit geval helpt dat niet, want de ranglijsten spreken elkaar tegen, en dat bij één en dezelfde index.

Artificial Analysis geeft in het eigen artikel van 3 september 2026 voor de Intelligence Index: GPT-6 Astra 61, GPT-5.6 Sol 61, Claude Fable 5.1 66, dat laatste op het hoogste effortniveau met een fallbackconfiguratie die niet de API-standaard is. BenchLM geeft dezelfde index in september 2026 anders weer: GPT-5.6 Sol leidt met 58,9%, Fable 5.1 staat op 53,7%. llm-stats, geraadpleegd op 10 september 2026, meldt Fable 5.1 op 56,8, Astra op 54,7 en Claude Opus 5 op 54,1.

Drie bronnen, één index, drie volgordes. Ze kunnen niet allemaal actueel zijn. Als oorzaken komen verschillende peildata, verschillende effortinstellingen en het door elkaar halen van punten en percentages in aanmerking. De praktische consequentie is eenvoudig: een Intelligence Index-waarde zonder vermelding van website, datum en effortniveau is geen informatie. Artificial Analysis wijst overigens zelf op gemengde bevindingen, waaronder een terugval van ongeveer 80 Elo-punten op GDPval-AA v2.

Blijft de arena. Ook daar valt niets te halen: noch Claude Fable 5.1 noch GPT-6 Astra heeft in de hier bereikbare momentopnamen van september 2026 een gerangschikte LMArena-positie, omdat arena-Elo stemvolume nodig heeft en weken achterloopt op frontier-releases. Zelfs als die waarden er wel waren, zouden ze het verkeerde instrument voor deze beslissing zijn. Blinde paarsgewijze voorkeur meet de ervaren antwoordkwaliteit op zelfgekozen prompts, reageert sterk op opmaak en breedsprakigheid, en zegt weinig over agentisch werk over lange trajecten. Voor een codeeragent of een kennisplatform is dat niet de maatstaf waarop een inkoopbeslissing hoort te steunen.

Er is in deze vergelijking één regel die om methodische redenen zwaarder weegt dan de andere. Op FrontierCode 1.1 staat GPT-6 Astra volgens OpenAI's eigen gerapporteerde resultaten op 53,3%, en daarmee achter Claude Fable 5 met 53,5%.

Twee preciseringen zijn hier verplicht. De vergelijkingswaarde betreft Claude Fable 5, niet Fable 5.1, en Anthropic heeft voor Fable 5.1 op deze benchmark geen eigen waarde gepubliceerd. Het verschil bedraagt 0,2 procentpunt en valt daarmee binnen elke plausibele meetspreiding.

Toch is het het meest betrouwbare soort cijfer dat een productaankondiging kan bevatten. Een aanbieder die een regel publiceert waarin zijn nieuwe vlaggenschip achter een vreemd model eindigt, heeft daar geen marketingbelang bij. Wie wil inschatten hoe draagkrachtig een benchmarktabel is, zou eerst moeten kijken of zulke regels erin voorkomen. Een tabel waarin de publicerende aanbieder elke afzonderlijke regel wint, is geen meting maar een selectie.

Tot hier loopt Anthropic voorop op prijs en cache-economie en staan beide modellen ongeveer gelijk op de benchmarks. Bij datagovernance draait het beeld volledig om, en voor een Duits bedrijf is dat de kolom die een architectuur verandert.

Aan Anthropic-zijde staat dit in de eigen documentatie. De parameter inference_geo accepteert precies twee waarden, global en us, en als opslagregio van een workspace is uitsluitend us te kiezen, vastgelegd bij het aanmaken. De retentiekant is nog duidelijker: Anthropic merkt Fable 5.1 en Mythos 5.1 (en ook Fable 5 en Mythos 5) aan als Covered Models die een bewaartermijn van 30 dagen vereisen en niet beschikbaar zijn onder zero data retention tenzij Anthropic dat uitdrukkelijk toestaat. Een organisatie met ZDR moet de bewaartermijn van 30 dagen actief inschakelen voor een specifieke workspace, anders wordt het verzoek geweigerd.

Aan OpenAI-zijde stelt de ontwikkelaarsdocumentatie over gegevensverwerking dat Europa (EER en Zwitserland) zowel regionale opslag als regionale verwerking via eu.api.openai.com ondersteunt, ingesteld per project, waarbij regio's buiten de Verenigde Staten goedkeuring voor misbruikcontroles en een aangepast retentie-addendum vergen. Diezelfde pagina somt de ZDR-geschikte endpoints op, waaronder /v1/chat/completions en /v1/responses, en sluit Assistants, Threads, Vector Stores, fine-tuning en Batches uitdrukkelijk uit.

Nauwkeurigheid weegt hier zwaarder dan een gladde formulering: geen enkele gevonden bron stelt positief dat GPT-6 Astra ZDR-geschikt is. Gedocumenteerd is dat die endpoints ZDR ondersteunen en dat voor gpt-6-astra geen modelspecifieke uitzondering is gepubliceerd. Het ontbreken van een beperking is echter geen toestemming. Wie daar een architectuur op bouwt, laat dat beter contractueel bevestigen dan het uit een documentatiegat af te leiden. Bij Anthropic is de situatie de andere kant op eenduidig, omdat de uitzondering daar zwart op wit staat.

Ook een veelgehoorde zin verdient correctie: "Claude heeft EU-dataresidentie omdat het op AWS Frankfurt draait." Dat klopt precies dan wanneer u Claude via een partnercloud afneemt, zoals Amazon Bedrock of Google Cloud, waar de cloudaanbieder de regio bepaalt en verwerker is. Voor Anthropics eigen API geldt het niet. Voor gegarandeerde regionale routering verwijst Anthropic zelf naar de regionale endpoints van de partnerclouds, tegen een toeslag van 10% ten opzichte van de globale endpoints. Voor een AVG-toets is precies dat onderscheid de kern, omdat het bepaalt met wie de verwerkersovereenkomst wordt gesloten.

Sinds 2 augustus 2026 gelden de transparantieverplichtingen uit artikel 50 van de AI-verordening, die machineleesbare markering van synthetische inhoud vereisen. Anthropic geeft aan dat Fable 5.1 en Mythos 5.1 vanaf dag één een onzichtbaar watermerk in de tekst dragen, en past die markering wereldwijd toe en niet alleen in de EU. Voor zover de beschikbare bronnen reiken, is dat een echt verschil.

Die zin heeft echter beide helften nodig. Er is geen bron gevonden die zegt of de tekstuitvoer van GPT-6 Astra gemarkeerd is. OpenAI's gedocumenteerde herkomstaanpak, C2PA Content Credentials plus SynthID, betreft beeld en audio; de bereikbare pagina's zeggen niets over tekst. Uit dat gat volgt niet dat OpenAI tekst niet markeert. Daarom beweren wij dat niet. OpenAI publiceert afzonderlijk klantinformatie over de AI-verordening.

En ook Anthropics watermerk draagt minder ver dan de term suggereert. Anthropic schrijft in de eigen helppagina's dat een gedetecteerde markering aangeeft dat inhoud mogelijk door Claude is verwerkt, niet volledig sluitend is en op zichzelf de herkomst van de inhoud niet bevestigt. De bijbehorende detectie-API bevindt zich bovendien in een private preview voor geselecteerde organisaties. Als bouwsteen van een complianceverhaal is het watermerk bruikbaar; als bewijsmiddel niet.

Als u één regel uit deze vergelijking meeneemt, neem dan deze: bij twee frontier-modellen die op de houdbare cijfers dicht bij elkaar liggen en identiek geprijsd zijn, beslist een benchmarkregel zelden iets. Het verschil op Terminal-Bench 4.0 bedraagt 1,9 procentpunt zonder vermeld harness. Op FrontierCode 1.1 is het 0,2 punt de andere kant op, tegenover een ouder Claude-model. Zulke verschillen verschuiven bij de volgende release en veranderen geen enkele architectuur.

Wat wel een architectuur verandert, staat in de governancekolom. Een organisatie die aan zero data retention gebonden is, kan Claude Fable 5.1 zonder uitdrukkelijke toestemming niet via Anthropics eigen API inzetten, hoe goed het model ook is. Een organisatie die inferentie binnen de EU verlangt, vindt die weg bij Anthropic alleen via een partnercloud, met de bijbehorende toeslag en een andere verwerker in het contract. Omgekeerd is Anthropics voordeel bij cache-lezen reëel en groeit het met het aandeel agentisch werk waarin dezelfde context honderden keren wordt gelezen.

In de praktijk: klaar eerst de verplichtingen uit, daarna de kosten en pas als laatste de benchmarks. In de omgekeerde volgorde bouwt u een systeem dat goed meet en het gesprek over gegevensbescherming niet doorstaat. En controleer bij elk cijfer dat iemand u toont drie dingen: wie het heeft gerapporteerd, wanneer, en op welk effortniveau.

Wat de release zelf voor een Duits bedrijf veranderde, behandelen we in ons artikel over Claude Fable 5.1. Hoe het model zich in lopend projectwerk gedraagt, behandelen we in capaciteiten in de praktijk. En als het antwoord op de governancevraag is dat de data het pand helemaal niet mogen verlaten, loopt de route via de afweging tussen on-premise en cloud, niet via een ranglijst.