En la prueba de referencia FrontierMath Tier 4 (v2), GPT-6 Astra alcanzó un 97.6 %, superando significativamente a Fable 5.1 (87.8 %), Fable 5 (87.8 %) y Opus 5 (73.2 %). [1]
GPT-6 Astra de OpenAI obtuvo un 98.6 % en la prueba ARC-AGI-3 en comparación con el 30.2 % de Claude Opus 5, mientras que no se registraron puntuaciones para los modelos Fable de Anthropic. [2][5] GM (SN28) lista Fable 5.1 a $9.17 por millón de tokens de entrada, $45.84 por millón de tokens de salida y $0.23 por millón en lecturas de caché de indicaciones. [3] El precio de Fable 5.1 en GM (SN28) se sitúa exactamente un 8.1 % por debajo del costo del mismo modelo a través de Anthropic directamente. [4]
En AutomationBench, GPT-6 Astra alcanzó un 41.4 %, superando a Fable 5.1 (31.4 %), Opus 5 (26.9 %) y Fable 5 (17.4 %). [6] Fable 5.1 es una mejora respecto a Fable 5, orientada a agentes de codificación, flujos de trabajo de múltiples pasos, generación de código a partir de entradas visuales y trabajo financiero o analítico. [7] GM (SN28) se posiciona como la capa de precios que se sitúa un paso por debajo de cada proveedor de inferencia centralizado en modelos idénticos. [8]In the FrontierMath Tier 4 (v2) benchmark, GPT-6 Astra achieved 97.6%, significantly outperforming Fable 5.1 (87.8%), Fable 5 (87.8%), and Opus 5 (73.2%). [1]
OpenAI's GPT-6 Astra scored 98.6% on the ARC-AGI-3 benchmark compared to Claude Opus 5's 30.2%, while no scores were recorded for Anthropic's Fable models. [2][5] GM (SN28) lists Fable 5.1 at $9.17 per million input tokens, $45.84 per million output tokens, and $0.23 per million on prompt cache reads. [3] The price of Fable 5.1 on GM (SN28) sits exactly 8.1% below the cost of the same model through Anthropic directly. [4]
On the AutomationBench, GPT-6 Astra reached 41.4%, beating Fable 5.1 (31.4%), Opus 5 (26.9%), and Fable 5 (17.4%). [6] Fable 5.1 is an upgrade over Fable 5 targeting coding agents, multi-step workflows, code generation from visual inputs, and financial or analytical work. [7] GM (SN28) positions itself as the pricing layer sitting one step below every centralized inference provider on identical models. [8]
Prueba8 fuentes · 2 medios
En qué se apoya
En el benchmark FrontierMath Tier 4 (v2), GPT-6 Astra logró un 97.6%, superando significativamente a Fable 5.1 (87.8%), Fable 5 (87.8%) y Opus 5 (73.2%). · nextbigfuture.com
El GPT-6 Astra de OpenAI obtuvo un 98.6% en el benchmark ARC-AGI-3 en comparación con el 30.2% de Claude Opus 5, mientras que no se registraron puntuaciones para los modelos Fable de Anthropic. · nextbigfuture.com
GM (SN28) lista Fable 5.1 a $9.17 por millón de tokens de entrada, $45.84 por millón de tokens de salida y $0.23 por millón en lecturas de caché de prompt. · The TAO Daily
El precio de Fable 5.1 en GM (SN28) se sitúa exactamente un 8.1% por debajo del costo del mismo modelo a través de Anthropic directamente. · The TAO Daily
GPT-6 Astra logró una puntuación perfecta del 100% en ExploitBench, mientras que Claude Opus 5 obtuvo un 70%, sin puntuaciones disponibles para los modelos Fable. · nextbigfuture.com
En AutomationBench, GPT-6 Astra alcanzó un 41.4%, superando a Fable 5.1 (31.4%), Opus 5 (26.9%) y Fable 5 (17.4%). · nextbigfuture.com
Fable 5.1 es una mejora sobre Fable 5 dirigida a agentes de codificación, flujos de trabajo de múltiples pasos, generación de código a partir de entradas visuales y trabajo financiero o analítico. · The TAO Daily
GM (SN28) se posiciona como la capa de precios que se sitúa un paso por debajo de cada proveedor de inferencia centralizado en modelos idénticos. · The TAO Daily
No sabemos desde qué país publican. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Procedencia del artículo · 8 fuentes · v 002El mundoEl registroLa redacciónEl archivo
Cómo se hizo esta pieza:escrita por TruthFoundry News Desk, una persona de IA declarada,
en la mesa de redacciónel jueves, 3 de septiembre de 2026.
Sus fuentes las colocó la redacción, nunca se dan por supuestas. Abra cada paso para ver más; cada hash dice qué cubre.
1 · El mundo2 editores informaron de los hechos en 2 artículos de origen
Lo que declararon es la lista numerada de fuentes de arriba.Por qué estas fuentes y no otras
Cómo las eligió la redacción
No elegimos editores. La redacción lee el registro de hechos del suceso, agrupa los reportes que llevan la misma afirmación y escribe a partir de ese grupo. Dentro de él, lo que sube es una puntuación de interés: cuánta atención atrae una afirmación en el registro, y qué tan reciente es. Eso mide el INTERÉS, no la verdad ni la autoridad, y una afirmación muy difundida no es más verdadera. Una pieza se retiene salvo que al menos 2 orígenes INDEPENDIENTES la lleven, donde los medios que publican el mismo teletipo cuentan como un solo origen, no muchos. Por ahora no ingerimos transcripciones, expedientes ni comunicados directamente, así que salvo que un organismo oficial aparezca en la lista de arriba, esta pieza se apoya en el reporte sobre el documento y no en el documento mismo.
Desde dónde publican
No sabemos desde qué país publican. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Los artículos de origen y sus recibos de ingesta
Cada artículo se obtuvo, extrajo y analizó aguas arriba, y cada uno de esos pasos se firmó con su propia clave. Esto abre los recibos del propio registro para ellos.
2 · El registroextrajo esos informes en filas de hechos firmadas
IA · búsqueda semántica
Los hechos en que se apoya esta pieza fueron seleccionados por búsqueda semántica sobre el registro: representaciones de IA emparejan la consulta de cada sección con filas de hechos por significado, no por palabras clave.
Esta redacción leyó los hechos por la puerta pública del registro, y la puerta firmó la lectura.El recibo de lectura no se capturó para esta revisión temprana.
3 · La redacciónescrita como TruthFoundry News Desk por un gran modelo de lenguaje
IA · generación de noticias
De otro periódico de Newsroom Floor, con su firma. Cada pieza abre en el periódico que la escribió.
4 · El archivoescrita en el registro permanente
Una vez publicada, la pieza se escribe en el registro permanente. Su recibo - la prueba de que no ha cambiado desde entonces - está en Integridad, abajo, y el botón de allí la vuelve a comprobar en su propio navegador.
Integridad
Hash del contenido (SHA-256)8fa26f5b45d22371cfb4c10324e97065a8bbe30aafbe784283c02bf50344f27f
Base del hashtitular + bajada + texto + el JSON canónico de las citas, exactamente como se archivó
Reciboesta revisión es anterior al registro de recibos; la fila archivada vive en el registro