GPT-6 Astra, Claude Fable 5.1 e Gemini 3.8 Flash: por que o placar explica cada vez menos

GPT-6 Astra, Claude Fable 5.1 e Gemini 3.8 Flash: por que o placar explica cada vez menos

Análise · modelos e infraestrutura
Por Redação Tech/IA
Apuração: TechIA Research Desk
Última checagem factual: 7 de setembro de 2026, 18:55 BRT

Em três dias, OpenAI, Anthropic e Google colocaram novos modelos no mercado.

Análisamos o contexto, cache, ferramentas, reasoning, preço e pelo sistema que existe ao redor de cada modelo.

Três lançamentos, uma comparação tentadora

Em 72 horas, três dos principais laboratórios de IA atualizaram suas linhas de fronteira. A Anthropic lançou o Claude Fable 5.1 em 1º de setembro; o Gemini 3.8 Flash entrou em disponibilidade geral no dia 2; e a OpenAI apresentou o GPT-6 Astra no dia 3. anthropic-model google-changelog openai-launch

Na checagem final desta versão, os três não estavam no mesmo estágio de distribuição. O Fable 5.1 aparecia como Active (latest) na documentação da Anthropic, o Gemini 3.8 Flash estava em GA e pronto para produção, enquanto a OpenAI ainda descrevia o Astra como um rollout inicialmente limitado, com expansão prevista para os dias seguintes. Aqui, portanto, “lançamento” não significa disponibilidade idêntica. anthropic-model google-latest openai-release-notes

A sequência quase pede um placar. Quem tem mais contexto? Quem custa menos? Quem fez mais pontos nos benchmarks? O problema é que essas perguntas só parecem simples enquanto se ignora como cada modelo é servido e testado.

No papel, os três chegam perto de um milhão de tokens de contexto. Astra documenta 1.050.000 tokens; Fable 5.1, 1.000.000; e Gemini 3.8 Flash, 1.048.576 tokens de entrada. Astra e Fable podem produzir até 128 mil tokens; Gemini, 65.536. Astra e Fable recebem texto e imagem; Gemini acrescenta áudio e vídeo. Todos produzem texto como saída nativa nas APIs documentadas. openai-model anthropic-model google-model

A tabela traz um comparativo entre os limites declarados. Ela não diz quanto do contexto longo será recuperado com a mesma qualidade, nem transforma contexto em memória persistente. Também não autoriza converter “um milhão de tokens” em uma quantidade universal de páginas: a tokenização, o formato e modalidade mudam entre as plataformas.

Essa distinção volta a aparecer em quase toda comparação entre os três, mas reitero especificação não é desempenho.

US$ 10 por milhão não significa a mesma conta

Astra e Fable 5.1 começam com a mesma tarifa Standard: US$ 10 por milhão de tokens de input e US$ 50 por milhão de output. Só que a semelhança termina na primeira linha da tabela de preços. openai-model anthropic-pricing

No Astra, uma requisição com mais de 272 mil tokens de input entra numa faixa de long context. Nessa condição, a OpenAI multiplica por 2 o preço de input e cache e por 1,5 o de output para a requisição inteira. Em outras palavras, a tarifa passa a equivaler a US$ 20 por milhão de input e US$ 75 por milhão de output. Batch e Flex aplicam metade da tarifa Standard; Fast acrescenta um multiplicador sobre a faixa correspondente. Neste momento começamos a ver a diferença pesando nobolso. openai-model

No Fable 5.1, input e output continuam em US$ 10 e US$ 50, mas o cache mudou. A Anthropic cobra US$ 0,25 por milhão de tokens em cache read, contra US$ 1 no Fable 5 — queda de 75% na tarifa de leitura de cache, não no custo total de uma tarefa. Cache writes, Batch e residência de inferência possuem preços próprios; selecionar inferência nos Estados Unidos aplica um multiplicador de 1,1× às categorias de tokens da Claude API. anthropic-pricing

O Gemini 3.8 Flash está em outra faixa. No snapshot de 7 de setembro, a tarifa Standard paga é de US$ 0,75 por milhão de tokens de input, US$ 0,075 de cache read e US$ 3,75 de output. É uma diferença nominal de cerca de 13,3 vezes em relação aos US$ 10/US$ 50 de Astra e Fable — mas só enquanto se compara tarifa por token, e sob a promoção atual. O Google já anuncia US$ 1,50 de input e US$ 7,50 de output a partir de 1º de janeiro de 2027. google-pricing

* Astra: faixa aplicável até 272 mil tokens de input.
** Gemini: promoção documentada até 31/12/2026.

A conta real de um produto começa depois dessa tabela. Um agente pode fazer chamadas de ferramenta, repetir passos, reutilizar cache, consumir mais output ou falhar antes de terminar. O output faturado do Gemini inclui tokens de thinking. Outros modos de processamento também têm preços próprios. Preço por token é um componente do custo por tarefa; não é o custo por tarefa.

O modelo já não vem sozinho

Essa talvez seja a mudança mais importante da geração atual. Astra documenta function calling, structured outputs e um ecossistema de ferramentas da Responses API que inclui web search, file search, code interpreter, shell, computer use, MCP e tool search. O lançamento dá tanto destaque à execução agentic quanto à geração isolada de texto. openai-model openai-launch

No Fable 5.1, o thinking adaptativo é sempre ativo. A versão também altera um detalhe de API capaz de quebrar integrações existentes: tool_choice forçado nos modos any ou de ferramenta específica não é aceito pelo modelo; auto e none permanecem válidos. anthropic-changes

Há ainda uma diferença menos visível entre “modelo” e “produto”. Fable 5.1 e Mythos 5.1 compartilham os mesmos pesos, mas a Anthropic os oferece com camadas de safeguards diferentes. O Fable é a configuração de acesso geral; o Mythos é mais permissivo em domínios controlados. Em alguns cenários, classificadores do Fable também podem acionar fallback para outro modelo. O próprio System Card alterna entre Fable e Mythos conforme o objetivo da avaliação. anthropic-card

Isso importa porque um score de Mythos não pode ser tratado como score do Fable público. E, mais amplamente, porque uma aplicação agentic passa a ser resultado de modelo + ferramentas + harness + políticas de execução + fallbacks, não apenas dos pesos do modelo.

No Gemini 3.8 Flash, o Google documenta function calling e ferramentas integradas, além de computer use ainda em preview. O modelo oferece níveis de reasoning low, medium e high. google-model

Para quem está construindo produto, a pergunta prática deixa de ser apenas “qual modelo responde melhor?” e passa a incluir “com quais ferramentas, permissões, latência e regras ele executa esta tarefa?”.

O benchmark mede o modelo — e tudo ao redor dele

O Terminal-Bench 4.0 mostra bem o problema. No System Card da Anthropic, Fable 5.1 aparece com 55,8% e Mythos 5.1 com 60,9%. Os resultados usam Claude Code em modo --bare, máximo esforço de thinking e números diferentes de tentativas: 15 trials por tarefa para Fable e 10 para Mythos, em 66 tarefas. As duas configurações também possuem safeguards diferentes. anthropic-card

Ou seja: 60,9% não é “o score do Claude Fable 5.1”. É o resultado do Mythos 5.1 naquela configuração.

A mesma versão do Terminal-Bench aparece com números diferentes quando muda o executor. Na avaliação atual da Artificial Analysis, Astra e Fable são testados no mesmo mini-SWE-agent v2.4.6, com três repetições por tarefa, até 500 passos e sem compaction. Nesse protocolo, Astra em max registra 59,1%; Fable 5.1 em max, com fallback padrão, 52,0%. aa-v43 aa-method

É uma comparação mais controlada do que juntar tabelas de lançamento, mas ela continua sendo uma comparação da configuração testada. Fable inclui fallback; os níveis de reasoning dos fornecedores não são semanticamente idênticos; e o Terminal-Bench mede um recorte específico de trabalho em terminal.

A frase “Astra é 7,1 pontos melhor em coding” seria maior do que a evidência. A afirmação suportada é mais estreita: nessa execução do Terminal-Bench, com esse harness e essas configurações, Astra obteve score maior.

Essa diferença de linguagem parece pequena. Jornalisticamente, é a diferença entre relatar um resultado e fabricar um ranking.

O que uma avaliação independente consegue — e não consegue — resolver

Índices independentes ajudam justamente porque aplicam uma régua comum. Em 7 de setembro, a Artificial Analysis publicou a versão 4.3 de seu Intelligence Index. Na fotografia atual, Astra em max e Fable 5.1 em adaptive/max com fallback aparecem ambos com 53 pontos arredondados; Gemini 3.8 Flash em high, com 41. aa-v43 aa-astra aa-fable aa-gemini

Isso é informação útil. Mas ainda não é um pódio universal.

A Artificial Analysis combina várias avaliações com ponderações próprias, e sua suíte continua predominantemente textual e em inglês. Os números representam configurações específicas. Um 53 arredondado para Astra e Fable não demonstra equivalência estatística; 41 para Gemini não significa que ele será 23% pior em uma aplicação multimodal, num workload sensível a preço ou numa tarefa que dependa de latência. aa-method

Há ainda uma cautela temporal: não faz sentido usar versões diferentes do índice como se formassem uma série contínua. Quando a composição e a normalização mudam, muda também a régua. Uma pontuação menor numa versão nova não prova que um modelo “ficou menos inteligente”. aa-v43

O papel de uma avaliação independente, então, não é encerrar a discussão. É dar uma referência comum e transparente o suficiente para que saibamos o que foi medido.

A escolha ficou menos parecida com um ranking

Os três lançamentos mostram estratégias diferentes.

Astra combina contexto acima de um milhão de tokens, output de 128 mil, uma faixa específica de cobrança para long context e um conjunto amplo de ferramentas da Responses API. Fable 5.1 permanece na faixa nominal de US$ 10/US$ 50, reduz fortemente o preço de cache read, torna o thinking adaptativo estrutural e introduz mudanças de API e safeguards que podem alterar o comportamento de sistemas existentes. Gemini 3.8 Flash chega com entrada multimodal mais ampla e uma tarifa promocional muito menor, mas com limite de output inferior e preços futuros já anunciados.

Nenhuma dessas diferenças elege um vencedor sozinha.

Para uma aplicação que trabalha com contexto muito longo, a regra de cobrança do Astra pode importar mais do que sua tarifa inicial. Para workloads com grande reaproveitamento de contexto, o cache do Fable muda a conta. Para processamento em escala, a economia atual do Gemini pode ser relevante — até que qualidade, latência, quantidade de tokens consumidos e taxa de conclusão entrem no cálculo.

E, em agentes, o “modelo” deixou de ser a única unidade útil de comparação. Claude Code, Codex, mini-SWE-agent, ferramentas nativas, fallbacks e limites de execução entram no sistema que recebe a tarefa. O benchmark continua valioso, mas só depois da pergunta que deveria vir antes dele: em qual configuração, com quais ferramentas e sob quais condições?

A corrida entre Astra, Fable 5.1 e Gemini 3.8 Flash não eliminou o placar. Ela tornou mais difícil fingir que o placar basta.

Fontes e método

Esta análise foi construída a partir das páginas técnicas e de pricing de OpenAI, Anthropic e Google; do Claude Fable 5.1 & Claude Mythos 5.1 System Card; e das avaliações e metodologia atuais da Artificial Analysis. Tech/IA não executou testes próprios dos três modelos neste round. Benchmarks de fornecedores são tratados como resultados declarados pelos executores; resultados independentes permanecem vinculados à configuração e metodologia testadas.

Preços, disponibilidade e leaderboards são dados sujeitos a mudança. O snapshot factual desta versão foi rechecado em 7 de setembro de 2026, às 18:55 BRT. A publicação deve registrar sua própria data e preservar este snapshot no histórico editorial.