GPT-6 Astra vs. Claude Fable 5.1: Der No-Hype-Vergleich in Zahlen

Der Newsdesk listet heute 25 neue Videos aus den 58 beobachteten Kanälen, zehn davon drehen sich um denselben Gegenstand: GPT-6 Astra. Der Beitrag mit den belastbarsten Zahlen stammt von dem Kanal Jack: „GPT-6 Astra vs Fable 5.1 (No Hype Results)“. Jack setzt beide Modelle auf sieben reale Aufgaben an — mit absichtlich schlechten Prompts, ohne Skills, ohne Referenzsysteme. Die Idee: nicht das beste Ergebnis mit dem besten Setup zeigen, sondern den Rohwert der Modelle unter schlechten Bedingungen messen. Das Ergebnis ist differenzierter als jede „Astra ist AGI“-Zeile: Astra gewinnt Design, Bilder und Tool-Nutzung und ist messbar token-effizienter, Fable 5.1 hält bei Text, Strategie und Reasoning dagegen. Hier die komplette Bilanz, Aufgabe für Aufgabe.

Sieben Aufgaben, jede gegen beide Modelle: 1) eine komplette Website aus einem Einzeiler-Prompt („Hey, go and build me a website, bro“), 2) eine Cold-E-Mail mit dem Ziel, bei Sam Altman ein 30-minütiges Gespräch zu landen, 3) ein Video-Thumbnail über einen angeschlossenen Higgsfield-Zugang (CLI und MCP statt Copy-Paste), 4) kurze Erklär-Grafiken zu beiden Modellen, 5) eine Erweiterung an einem bestehenden „Agentic Operating System“ — Jacks persönliches Memory-System mit Dateien, Entscheidungen und Ausgaben, 6) ein Projektmanagement-Tool für seine YouTube-Produktion, 7) cineastisches Stock-Footage über Seedance 2.5, ebenfalls ferngesteuert. Bewusst kein Skill-System, keine Vorlagen: In einem früheren Video hatte Jack ChatGPT mit eingespielten Design-Skills eine Website in einem einzigen Shot bauen lassen; für diesen Vergleich hat er das Setup absichtlich abgezogen, um fair zu testen.

Die auffälligste Zahl ist nicht das Ergebnis, sondern der Verbrauch. Beim Website-Bau brauchte Astra 4,3 Millionen Tokens, Fable 5.1 5,5 Millionen — rund 20 Prozent Unterschied für ein vergleichbares Ergebnis. Bei den Thumbnails liegt Astra mit 2,7 Millionen gegen 3,2 Millionen vorn, obwohl Jack die Astra-Bilder klar besser bewertet. Einzig die Cold-E-Mail dreht das Bild: 2,5 Millionen Tokens bei Fable gegen 2,7 Millionen bei Astra — und der Textsieg geht ebenfalls an Fable. Über alle sieben Aufgaben summiert der Test auf 53,3 Millionen verarbeitete Tokens, davon 25 Millionen auf Astra. Für den API-Alltag ist das der eigentliche Unterschied: Laut Test liegen die Listenpreise der beiden Modelle auf demselben Niveau; die Kosten pro Aufgabe (gemessen pro Intelligence-Index-Task) weichen trotzdem aus — nicht weil das Token anders kostet, sondern weil Astra weniger davon braucht.

Die Aufteilung ist ungewohnt sauber. Astra holt: das Website-Design (frischer Look, funktionierende Hover-Animationen, Pause-Button für die Scroll-Grafik — aus einem Einzeiler), alle drei Thumbnail-Konzepte (das erste auf einen Blick das stärkste) und die nützlichere Agent-Erweiterung: Statt eines Kosten-Dashboards baute Astra einen Release-Room, der Jacks YouTube-Produktion abbildet — Videos, Skripte, Aufnahmen, Assets, To-dos — und den Kontext „hier entsteht Content“ von selbst aus bedient. Fable 5.1 kontert: die bessere Cold-E-Mail (strategisch klarer, nur das Subject-Line schwach) und die cleverere Website-Struktur — die Frage-Sektion, die Besucherwünsche in Kategorien sortiert, findet Jack „really beautiful“. Bei den Kurz-Grafiken und dem Stock-Footage bleibt es praktisch unentschieden. Die Benchmarks ordnen dasselbe: Coding leicht für Astra (+2,1 Prozent), Automatisierungs-Benchmarks klar für Astra, Reasoning mehrere Punkte für Fable 5.1.

Das Kernzitat des Videos steht am Schluss: Jack gab beiden Modellen absichtlich „really garbage prompts“. Der Punkt ist nicht, welche KI mit mieser Anleitung besser aussieht, sondern dass selbst unter diesen Bedingungen beide liefern — und dass der Unterschied im Alltag selten vom Modell kommt. Sein Beispiel: dieselbe Website, die im Test aus dem Einzeiler nur ordentlich wurde, baute Astra mit eingespieltem Design-Skill-System in einem Shot auf deutlich höherem Niveau. Modell als Teil des Systems, nicht als das System — genau die Script-First-Position dieses Blogs: Mechanik ins Skript, das Urteil bleibt beim Menschen. Wer die Wahl hat, nimmt für reine One-Shot-Läufe Astra, für Textarbeit Fable 5.1 — und investiert den Rest der Zeit in Prompts und Systeme, die mit beiden Modellen mehr rausholen als der Modellwechsel selbst.

Am Rande: Jack greift zum Schluss Jensen Huangs AGI-Aussage auf („I do believe Jensen Huang when he called this artificial general intelligence“), rahmt beide Modelle aber im selben Atemzug als „like brothers and sisters, very very close“. Diese Redaktion bleibt bei ihrer Linie: ein beeindruckender Test, keine AGI-Messung. Die eigene Wertung fällt nüchtern aus — Astra knapp vorn, 25 von 53,3 Millionen Tokens, ein echter Effizienzvorteil, aber kein Sprung, der einen Systemwechsel rechtfertigt.

Aus der Bilanz lassen sich drei Regeln ableiten, die im eigenen Agentenbetrieb jeden Tag etwas wert sind. Erstens: Die Aufgabenart entscheidet über die Modellwahl, nicht die Benchmark-Tabelle. Der Test zeigt es in jeder Einzeldisziplin: Astra bei visueller Produktion und Tool-Fernsteuerung, Fable 5.1 bei Text und Reasoning. Ein Betrieb, der für beides denselben Agenten nutzt, zahlt dafür entweder Qualität oder Tokens. Zweitens: Die Token-Differenz ist der Teil der Rechnung, der im Monat endet. 20 Prozent Ersparnis beim Website-Bau klingen klein, skalieren aber linear mit der Anzahl der Läufe. Wer hunderte Agent-Aufgaben pro Woche fährt, rechnet die Differenz besser in Euro statt in Prozent. Drittens: Der Test bestätigt, was dieser Betrieb ohnehin fährt, ein Ausweichmodell. Fällt das Primärmodell aus oder antwortet nicht, übernimmt das zweite; die Auswahl wird bei jedem Lauf neu entschieden. Genau diese Mechanik hat am 12.09.2026 zwei steckengebliebene Newsdesk-Läufe gerettet, nachdem das Antwortfenster des Providers auf 300 Sekunden angehoben wurde. Kein Modellwechsel hätte das geleistet. Die Messkette hat es getan.

Ehrlich bleiben heißt auch hier, die Messgrenzen beim Namen zu nennen. Sieben Aufgaben sind eine Stichprobe, keine Grundgesamtheit: Ein anderes Aufgaben-Mix verschiebt die Gewichte, und genau darauf beruht das klare Ergebnis-Muster. Die absichtlich schwachen Prompts messen den Rohwert der Modelle unter Worst-Case-Bedingungen. Der Alltagsbetrieb läuft selten ohne jeden Support, weshalb der Test die Untergrenze zeigt, nicht das Niveau, das ein gepflegtes Setup erreicht. Die Token-Zahlen stammen aus dem Mess-Setup des Videos und lassen sich mit eigenen Stacks nicht direkt vergleichen: andere Kontextlängen, andere Ausgabelängen, andere Tools. Und die Bewertung der Ergebnisse bleibt das Urteil eines einzelnen Testers, nachvollziehbar dokumentiert, aber subjektiv. Was der Test trotzdem leistet: Er belegt die Richtung mit Zahlen, die jeder selbst nachrechnen kann, und er zeigt, dass Effizienz und Qualität am selben Modell hängen können, statt wie oft behauptet gegenläufig zu sein.