{"id":34845,"date":"2026-09-22T10:50:29","date_gmt":"2026-09-22T08:50:29","guid":{"rendered":"https:\/\/sii.pl\/blog\/?p=34845"},"modified":"2026-09-22T13:07:20","modified_gmt":"2026-09-22T11:07:20","slug":"nowe-modele-ai-w-praktyce-co-fable-5-1-i-gpt-6-astra-mowia-nam-o-ai-native-delivery","status":"publish","type":"post","link":"https:\/\/sii.pl\/blog\/nowe-modele-ai-w-praktyce-co-fable-5-1-i-gpt-6-astra-mowia-nam-o-ai-native-delivery\/","title":{"rendered":"Nowe modele AI w praktyce: co Fable 5.1 i GPT-6 Astra m\u00f3wi\u0105 nam o AI-native delivery"},"content":{"rendered":"\n

Dwa nowe flagowe modele, tydzie\u0144 pierwszych test\u00f3w i sporo szumu wok\u00f3\u0142 ich mo\u017cliwo\u015bci. Pierwsze wyniki ju\u017c m\u00f3wi\u0105 co\u015b u\u017cytecznego o tym, jak ocenia\u0107 modele frontier pod k\u0105tem realnego delivery.<\/p>\n\n\n\n

W ci\u0105gu trzech dni na pocz\u0105tku wrze\u015bnia<\/strong> pojawi\u0142y si\u0119 dwa nowe modele czo\u0142owych dostawc\u00f3w: Claude Fable 5.1 i GPT-6 Astra<\/strong>, odpowiednio od Anthropic i OpenAI. Przez tydzie\u0144 analizowali\u015bmy dost\u0119pne publikacje oraz wyniki obu modeli.<\/strong><\/p>\n\n\n\n

Jak mo\u017cna si\u0119 spodziewa\u0107, na werdykt produkcyjny jest zdecydowanie za wcze\u015bnie. Nie ma jeszcze znacz\u0105cych wdro\u017ce\u0144 produkcyjnych, opublikowanych liczb ROI, historii spektakularnych pora\u017cek ani postmortem\u00f3w po rollbackach.<\/p>\n\n\n\n

Wi\u0119kszo\u015b\u0107 dost\u0119pnych dzi\u015b danych pochodzi z test\u00f3w publikowanych przez dostawc\u00f3w, niezale\u017cnych ewaluacji i wczesnych eksperyment\u00f3w, co sprawia, \u017ce ka\u017cdy definitywny ranking jest przedwczesny. Jednocze\u015bnie przydatno\u015b\u0107 pierwszego tygodnia polega na tym, \u017ce pozwala pozyska\u0107 szersz\u0105 perspektyw\u0119 na temat tego, jak du\u017ca cz\u0119\u015b\u0107 wydajno\u015bci, kt\u00f3r\u0105 przypisujemy modelowi, w rzeczywisto\u015bci pochodzi z systemu zbudowanego wok\u00f3\u0142 niego.<\/p>\n\n\n\n

Specyfikacja modeli i pocz\u0105tkowe r\u00f3\u017cnice<\/strong><\/h2>\n\n\n\n

Zanim w og\u00f3le zbli\u017cymy si\u0119 do jakiegokolwiek benchmarku, zbudujmy intuicj\u0119. Oto podstawowe por\u00f3wnanie.<\/p>\n\n\n\n

Specyfikacja<\/strong><\/td>GPT-6 Astra<\/strong><\/td>Claude Fable 5.1<\/strong><\/td><\/tr>
Kontekst<\/td>~1M<\/td>~1M<\/td><\/tr>
Data odci\u0119cia wiedzy<\/td>30 kwietnia 2026<\/td>czerwiec 2026<\/td><\/tr>
Cena API\/1M token\u00f3w<\/td>10 USD \/ 50 USD<\/td>10 USD \/ 50 USD<\/td><\/tr>
Odczyt z cache’u\/1M token\u00f3w<\/td>1,00 USD<\/td>0,25 USD<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Oba modele s\u0105 wielomodalne (operuj\u0105 na tre\u015bciach tekstowych, graficznych, audio itd.), cho\u0107 \u017caden nie generuje natywnie wideo, audio ani obraz\u00f3w, zazwyczaj u\u017cywaj\u0105c do tego zewn\u0119trznych narz\u0119dzi.<\/p>\n\n\n\n

Specyfikacja zarysowuje bardzo zgrubnie granice u\u017cyteczno\u015bci, m\u00f3wi jednak znacznie mniej o tym, co si\u0119 stanie, gdy model stanie si\u0119 cz\u0119\u015bci\u0105 prawdziwego workflow delivery, z prawdziwym kontekstem, prawdziwymi narz\u0119dziami i prawdziwymi lud\u017ami wok\u00f3\u0142.<\/p>\n\n\n\n

Benchmarki coraz cz\u0119\u015bciej mierz\u0105 ca\u0142e systemy<\/strong><\/h2>\n\n\n\n

3 wrze\u015bnia Artificial Analysis notowa\u0142 Fable 5.1 na poziomie 66 punkt\u00f3w procentowych w swoim Intelligence Index<\/a>, najwy\u017cszy wynik w historii tego indeksu, przy 61 dla Astry.<\/p>\n\n\n\n

8 wrze\u015bnia, ju\u017c w wersji indeksu v4.3, oba modele mia\u0142y po 53<\/a>.<\/p>\n\n\n\n

Modele nie uleg\u0142y zmianie, a zatem zmieni\u0142a si\u0119 metodologia oceny. Efekt staje si\u0119 jeszcze wyra\u017aniejszy, gdy spojrzymy na systemy otaczaj\u0105ce model.<\/p>\n\n\n\n

Jeden benchmark idzie krok dalej i celowo mierzy pary model\u2013harness, gdzie harness <\/em>to warstwa software’owa orkiestruj\u0105ca dzia\u0142ania agenta, narz\u0119dzia i zasoby. To jednocze\u015bnie najbli\u017csza produkcyjnym warunkom ewaluacja, jak\u0105 dot\u0105d opublikowano. Real-SWE od Specific Labs uruchamia dziesi\u0119\u0107 zada\u0144 z licencjonowanych, prywatnych repozytori\u00f3w produkcyjnych napisanych przed 2023 rokiem, ka\u017cdy model w swoim natywnym harnessie. Osiem konfiguracji, osiem uruchomie\u0144 na zadanie, 640 rollout\u00f3w \u0142\u0105cznie, raportowanych jako pass@1 z przedzia\u0142ami ufno\u015bci.<\/p>\n\n\n\n

\u017badna konfiguracja nie przekroczy\u0142a 40%. Fable 5.1 w Claude Code prowadzi z 38,8%, Astra w Codex CLI osi\u0105ga 33,8%, Gemini 3.8 Flash 31,2%, a pozosta\u0142e pi\u0119\u0107 konfiguracji l\u0105duje mi\u0119dzy 16% a 29%. \u017beby zobrazowa\u0107 z\u0142o\u017cono\u015b\u0107 problem\u00f3w: sze\u015b\u0107 z dziesi\u0119ciu zada\u0144 jest rozwi\u0105zywanych rzadziej ni\u017c w 15% przypadk\u00f3w, a jedno nie zosta\u0142o rozwi\u0105zane ani razu.<\/strong><\/p>\n\n\n\n

Zastrze\u017cenia<\/strong><\/h3>\n\n\n\n

Wzorzec pora\u017cek to cz\u0119\u015b\u0107, kt\u00f3r\u0105 zabraliby\u015bmy na rozmow\u0119 z klientem, bo najcz\u0119stszym powodem niepowodzenia jest pomijanie wymaga\u0144. W dw\u00f3ch najmocniejszych modelach niezweryfikowane za\u0142o\u017cenia i b\u0142\u0119dy integracyjne pojawiaj\u0105 si\u0119 r\u00f3wnie cz\u0119sto, a Astra cz\u0119\u015bciej wyk\u0142ada si\u0119 na nich ni\u017c na wymaganiach. Mediana liczby poprawianych jednocze\u015bnie plik\u00f3w to jedena\u015bcie, mniej wi\u0119cej dwa razy wi\u0119cej ni\u017c analogiczna mediana w publicznych benchmarkach kodowania.<\/p>\n\n\n\n

Prompty s\u0105 przy tym niedookre\u015blone tylko w podobnym stopniu jak w DeepSWE czy Terminal-Bench: m\u00f3wi\u0105, co zmieni\u0107, nie jak, a szczeg\u00f3\u0142y trzeba znale\u017a\u0107 w repozytorium i otaczaj\u0105cych je narz\u0119dziach.<\/p>\n\n\n\n

Koszty nie przek\u0142adaj\u0105 si\u0119 liniowo na skuteczno\u015b\u0107: 38,8% Fable 5.1 kosztuje 6,96 USD za rollout wobec 4,67 USD za 33,8% Astry, czyli oko\u0142o 1,5 raza wi\u0119cej za pi\u0119\u0107 punkt\u00f3w, przy czym Fable zu\u017cywa 64 tys. token\u00f3w wyj\u015bciowych na rollout, a Astra 24 tys. Gemini 3.8 Flash jeszcze bardziej sp\u0142aszcza t\u0119 krzyw\u0105: 31,2% za 2,50 USD. Podobnie, czas egzekucji nie wp\u0142ywa jednoznacznie na jako\u015b\u0107 rezultatu \u2013 rollouty poni\u017cej dziesi\u0119ciu minut ko\u0144czy\u0142y si\u0119 pora\u017ck\u0105 prawie tak samo cz\u0119sto jak d\u0142u\u017csze (71,4% vs 73,4%).<\/p>\n\n\n\n

To wszystko to realne zastrze\u017cenia. Dziesi\u0119\u0107 zada\u0144 i osiemdziesi\u0105t rollout\u00f3w na model oznacza, \u017ce s\u0105siednie wyniki mieszcz\u0105 si\u0119 nawzajem w swoich przedzia\u0142ach ufno\u015bci, wi\u0119c kolejno\u015b\u0107 nie jest sztywnie ustalona. Wyniki natywnych harness\u00f3w odpowiadaj\u0105 praktyce, ale uniemo\u017cliwiaj\u0105 oddzielenie modelu od harnessu. Dodatkowo, \u017cadnego z tych rezultat\u00f3w nie da si\u0119 tu odtworzy\u0107, bo kod jest prywatny.<\/p>\n\n\n\n

ARC Prize poda\u0142<\/a>, \u017ce Astra osi\u0105gn\u0119\u0142a 62,7% na ARC-AGI-3 w harnessie neutralnym wobec dostawcy, z maksymalnym poziomem rozumowania, 98,6% z u\u017cyciem w\u0142asnego Provider Adaptera OpenAI i, nieintuicyjnie, 99,9% z wysokim poziomem rozumowania w tym drugim \u015brodowisku. R\u00f3\u017cnica le\u017cy w scaffoldingu, nie w wagach: neutralny harness odrzuca rozumowanie modelu mi\u0119dzy akcjami, a adapter OpenAI zachowuje ten stan i sam zarz\u0105dza kontekstem.<\/p>\n\n\n\n

Dla kontrastu, NVIDIA osi\u0105gn\u0119\u0142a 100%<\/a> na publicznym podzbiorze tego samego benchmarku, u\u017cywaj\u0105c architektury agentowej zbudowanej na Opusie 5, kt\u00f3rego go\u0142y baseline wynosi\u0142 oko\u0142o 30%. Sama NVIDIA zaznacza, \u017ce te dwie liczby pochodz\u0105 z r\u00f3\u017cnych ustawie\u0144 rozumowania, system\u00f3w agentowych i zbior\u00f3w ewaluacyjnych, wi\u0119c r\u00f3\u017cnica ilustruje tez\u0119, a nie j\u0105 mierzy.<\/p>\n\n\n\n

Interpretacja<\/strong><\/h3>\n\n\n\n

Po\u0142\u0105czmy kropki: te r\u00f3\u017cnice s\u0105 wi\u0119ksze ni\u017c wiele z tych, na podstawie kt\u00f3rych og\u0142asza si\u0119, \u017ce jeden model frontier jest lepszy od drugiego<\/strong>. Zmieniaj\u0105 te\u017c to, co powinni\u015bmy ocenia\u0107. Produkcyjna zdolno\u015b\u0107 AI to co\u015b wi\u0119cej ni\u017c wagi modelu. Kontekst, narz\u0119dzia, orkiestracja, retrieval, agenci, uprawnienia i mechanizmy walidacji mog\u0105 istotnie wp\u0142yn\u0105\u0107 na wynik. I ka\u017cdy z tych element\u00f3w jest projektowany, strojony i przegl\u0105dany przez ludzi, kt\u00f3rzy rozumiej\u0105 zadanie oraz kontekst biznesowy. Ca\u0142y workflow zas\u0142uguje wi\u0119c na tak\u0105 sam\u0105 uwag\u0119 jak model pod spodem.<\/p>\n\n\n\n

Gdzie Astra wygl\u0105da dzi\u015b mocniej<\/strong><\/h2>\n\n\n\n

Jedn\u0105 z najwyra\u017aniejszych wczesnych przewag Astry jest computer use: obs\u0142uga oprogramowania bezpo\u015brednio zamiast polegania wy\u0142\u0105cznie na jawnych integracjach.<\/strong><\/p>\n\n\n\n

W\u015br\u00f3d bezpo\u015brednio por\u00f3wnywalnych wynik\u00f3w Astra wyprzedza Opusa 5 na OSWorld 2.0 (72,6% vs 70,2%) i bije wynik Mythosa 5 na ScreenSpot-Pro (92,7% vs 87,3%). OpenAI nie publikuje por\u00f3wnywalnego wyniku computer use dla Fable 5.1, a 41,7% od Anthropic zmierzono na innych zadaniach, z innym sposobem oceniania i innymi zabezpieczeniami.<\/p>\n\n\n\n

Mo\u017ce to mie\u0107 znaczenie w \u015brodowiskach enterprise z d\u0142ugim ogonem wewn\u0119trznych aplikacji, w kt\u00f3rych dedykowane integracje API trudno uzasadni\u0107.<\/p>\n\n\n\n

Agent zdolny do pracy z interfejsem mo\u017ce potencjalnie zautomatyzowa\u0107 cz\u0119\u015b\u0107 tych workflow bezpo\u015brednio. Zamiast usuwa\u0107 wyzwanie in\u017cynierskie, przesuwa jego cz\u0119\u015b\u0107 w inne miejsce. Je\u015bli agent potrafi zalogowa\u0107 si\u0119 do aplikacji, porusza\u0107 si\u0119 po niej i wykonywa\u0107 akcje, musimy zarz\u0105dza\u0107 to\u017csamo\u015bci\u0105, uprawnieniami i sekretami. Jego dzia\u0142ania musz\u0105 by\u0107 audytowalne. Sesje potrzebuj\u0105 mechanizm\u00f3w odzyskiwania. Zmiany w UI potrzebuj\u0105 fallback\u00f3w. Decyzje wysokiego ryzyka wci\u0105\u017c nale\u017c\u0105 do cz\u0142owieka. Computer use mo\u017ce zmniejszy\u0107 nak\u0142ad na integracje, a jednocze\u015bnie zwi\u0119kszy\u0107 wag\u0119 governance i observability.<\/p>\n\n\n\n

Jest tu te\u017c aspekt testowy, kt\u00f3ry \u0142atwo \u017ale odczyta\u0107. Agent steruj\u0105cy UI mo\u017ce s\u0142u\u017cy\u0107 jako narz\u0119dzie testowe, ale jego w\u0142asne zachowanie te\u017c wymaga weryfikacji: mo\u017ce zg\u0142osi\u0107 b\u0142\u0105d, bo si\u0119 zgubi\u0142, albo zg\u0142osi\u0107 sukces, przeoczywszy defekt. OSWorld mierzy wykonanie zadania, nie wykrywanie defekt\u00f3w, wi\u0119c te wyniki nic nie m\u00f3wi\u0105 o tym, jak dobrze kt\u00f3rykolwiek z modeli testowa\u0142by aplikacj\u0119. To trzeba zmierzy\u0107 osobno, na reprezentatywnych workflow ze znanymi defektami, licz\u0105c przeoczone problemy, fa\u0142szywe alarmy i nak\u0142ad pracy na przegl\u0105d tego, co agent znalaz\u0142. Kryteria akceptacji i decyzje o wydaniu pozostaj\u0105 po stronie zespo\u0142u produktowego.<\/p>\n\n\n\n

Wyniki<\/strong><\/h3>\n\n\n\n

Astra pokazuje te\u017c obiecuj\u0105ce wczesne wyniki w in\u017cynierii oprogramowania. CodeRabbit wykry\u0142 oko\u0142o 4% wi\u0119cej b\u0142\u0119d\u00f3w w code review<\/a> ni\u017c Sol i 22% wi\u0119cej ni\u017c Opus 5, a przy z\u0142o\u017conych przegl\u0105dach obejmuj\u0105cych wiele plik\u00f3w odpowiednio 20% i 33%. Sami autorzy opisuj\u0105 te wyniki jako wczesne i kierunkowe, co doceniamy.<\/p>\n\n\n\n

Poprawi\u0142o si\u0119 r\u00f3wnie\u017c rozumowanie wizualne i przestrzenne. W te\u015bcie Decrypt Astra wygenerowa\u0142a grywaln\u0105 wersj\u0119 Hangzhou w Three.js w 24 minuty<\/a>. To u\u017cyteczne obserwacje. Dowody z produkcji powiedz\u0105 nam, jak konsekwentnie przek\u0142adaj\u0105 si\u0119 na realne obci\u0105\u017cenia.<\/p>\n\n\n\n

Wydajno\u015b\u0107 i cena opowiadaj\u0105 r\u00f3\u017cne historie<\/strong><\/h2>\n\n\n\n

Astra pokazuje te\u017c, dlaczego sama cena API jest s\u0142ab\u0105 miar\u0105 ekonomii AI. W 100-godzinnym te\u015bcie<\/a> Nate’a Herka Fable uko\u0144czy\u0142 zadanie w 9 h 35 min, Astra w 11 h 19 min. Astra by\u0142a wolniejsza, ale ca\u0142kowity koszt poszed\u0142 w drug\u0105 stron\u0119: 327 USD za Astr\u0119 wobec 513 USD za Fable. Dla tego konkretnego eksperymentu Fable zapewni\u0142 kr\u00f3tszy czas uko\u0144czenia, za\u015b Astra ni\u017cszy rachunek. Alternatywna pula wyzwa\u0144, inny rozmiar kontekstu, wzorzec cache’owania czy ustawienie rozumowania mog\u0142yby zmieni\u0107 t\u0119 relacj\u0119.<\/p>\n\n\n\n

Dla zespo\u0142\u00f3w delivery koszt na uko\u0144czone zadanie jest wi\u0119c bardziej u\u017cyteczn\u0105 metryk\u0105 ni\u017c cena tokena w oderwaniu od kontekstu. Czas uko\u0144czenia, jako\u015b\u0107 i odsetek pora\u017cek nale\u017c\u0105 do tego samego rachunku. Pytanie brzmi ju\u017c nie \u201ekt\u00f3ry model ma lepszy cennik\u201d, ale \u201ejak ca\u0142y setup zmienia koszt, tempo, jako\u015b\u0107 i przewidywalno\u015b\u0107 delivery\u201d.<\/strong><\/p>\n\n\n\n

Gdzie Fable 5.1 wygl\u0105da dzi\u015b mocniej<\/strong><\/h2>\n\n\n\n

Pisanie tekst\u00f3w to jeden z bardziej sp\u00f3jnych pozytywnych sygna\u0142\u00f3w wok\u00f3\u0142 Fable 5.1. Kilku niezale\u017cnych recenzent\u00f3w zg\u0142asza bardziej naturaln\u0105 proz\u0119 i mniej charakterystycznych dla Claude’a manier pisarskich. Every oceni\u0142 czytelno\u015b\u0107 tekstu mniej wi\u0119cej na poziomie si\u00f3dmej klasy<\/a>, a Latent Space opisa\u0142 go jako bli\u017cszy zwyk\u0142ej ludzkiej komunikacji<\/a>.<\/p>\n\n\n\n

D\u0142ugoletni test SVG Simona Willisona<\/em><\/a> przyni\u00f3s\u0142 rezultat, kt\u00f3ry sam autor uzna\u0142 za najlepszy spo\u015br\u00f3d dotychczasowych modeli Anthropic. Willison od kilku generacji regularnie zleca kolejnym modelom to samo zadanie: wygenerowanie w formacie SVG obrazu pelikana jad\u0105cego na rowerze<\/strong>. Cho\u0107 jest to test nieformalny, jego warto\u015b\u0107 polega na konsekwentnym stosowaniu tego samego zadania, co pozwala obserwowa\u0107, jak mo\u017cliwo\u015bci modeli zmieniaj\u0105 si\u0119 z generacji na generacj\u0119.<\/p>\n\n\n\n

Drugi ciekawy obszar to d\u0142ugotrwa\u0142a samodzielna praca. Ramp opublikowa\u0142 nienadzorowany, 38-godzinny, autonomiczny eksperyment z uczeniem maszynowym<\/a>, w ramach kt\u00f3rego uko\u0144czono wiele eksperyment\u00f3w. Anthropic raportuje te\u017c popraw\u0119 przejrzysto\u015bci, gdy model napotyka problemy, w tym wi\u0119ksz\u0105 sk\u0142onno\u015b\u0107 do sygnalizowania, \u017ce utkn\u0105\u0142, zamiast przedstawiania zadania jako wykonanego. Je\u015bli to si\u0119 utrzyma poza tygodniem premiery, dla pracy bez nadzoru znaczy to wi\u0119cej ni\u017c kt\u00f3rykolwiek punkt benchmarku w tym wpisie.<\/p>\n\n\n\n

Millennium poda\u0142o inny ciekawy przypadek<\/a>: model pom\u00f3g\u0142 zidentyfikowa\u0107 rzadki b\u0142\u0105d, kt\u00f3ry opiera\u0142 si\u0119 wyja\u015bnieniu przez cztery czy pi\u0119\u0107 lat.<\/p>\n\n\n\n

To pojedyncze przyk\u0142ady, a nie szerokie dowody z produkcji. Je\u015bli jednak to zachowanie utrzyma si\u0119 w skali, mo\u017ce mie\u0107 znaczenie dla d\u0142ugotrwa\u0142ych, agentowych workflow in\u017cynierskich.<\/p>\n\n\n\n

Koszty cache’u w Fable przykuwaj\u0105 oko<\/strong><\/h2>\n\n\n\n

Cena odczytu z cache’u dla Fable spad\u0142a z 1,00 USD do 0,25 USD za milion token\u00f3w. To czyni go szczeg\u00f3lnie interesuj\u0105cym dla workflow zbudowanych wok\u00f3\u0142 wielokrotnego odpytywania tego samego du\u017cego zbioru informacji:<\/p>\n\n\n\n