Nouveau Inscription gratuite, 10 appels offerts. Jusqu'à 1 $, sans carte.

Claude Fable 5.1 vs GPT-6.1 Sol

Claude Fable 5.1 est disponible sur invitation. Ses chiffres ci-dessous sont les tarifs en vigueur, mais les appels nécessitent d'abord une autorisation de l'espace de travail ; demandez-nous l'accès avant de développer sur la base de cette comparaison.

vs

Lequel, quand

Les deux acceptent le texte et l'image en entrée, renvoient du texte, plafonnent la sortie à 128,000 tokens et offrent à peu près le même contexte (1,000,000 pour claude-fable-5-1 contre 1,050,000 pour gpt-6.1-sol), et aucun des deux ne vous permet de désactiver le raisonnement. Ils se situent à des niveaux de prix différents : claude-fable-5-1 est le niveau supérieur d'Anthropic, positionné pour le raisonnement exigeant et le travail d'agent sur le long terme, à $10 en entrée et $50 en sortie, soit 5x les $2 et $10 de gpt-6.1-sol, avec des lectures en cache à $0.25 contre $0.1. Choisissez gpt-6.1-sol pour le travail à haut volume où le coût par appel est important, et claude-fable-5-1 pour les tâches sur le long terme où vos propres évaluations montrent que le surcoût est justifié.

Benchmarks

GPT-6.1 Sol : le fournisseur n'a publié aucun résultat de benchmark.

Au-dessus de la moyenneAucun meilleurClaude Fable 5.119 / 213 / 21
Claude Fable 5.1 GPT-6.1 Sol autres modèles mesurés moyenne des modèles comparés ★ aucun autre modèle n'a fait mieux
DeepSWE 1.1
67.4%
N/A
OSWorld 2.0 partial
80.7%
N/A
HealthBench Professional
58.1%
N/A
Terminal-Bench-Science 0.1
52.6%
N/A
GPQA Diamond
93.7%
N/A
AutomationBench
31.4%
N/A
Chartography with tools
88.4%
N/A

Chiffres publiés par les fournisseurs : Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

Tarification

Claude Fable 5.1 GPT-6.1 Sol Δ
Entrée / 1M tokens $10 $2 5×
Sortie / 1M tokens $50 $10 5×
Lecture en cache / 1M tokens $0.25 $0.1 2.5×
Écriture cache 1.25x (5m) / 2x (1h) aucun frais supplémentaire -

Tarifs issus du catalogue en direct au moment de la compilation ; chaque page de modèle présente la fiche actuelle.

Où ils se situent - prix en entrée pour 1M de tokens sur l'ensemble des 76 modèles chat pour cette unité de facturation (échelle logarithmique)

Capacités

Claude Fable 5.1 GPT-6.1 Sol
Utilisation d'outils oui oui
Contrôle de la réflexion toujours activé toujours activé
Sortie structurée oui oui
Mise en cache du prompt explicite (vous indiquez le préfixe) implicite (automatique)
Durée de vie du cache 5m default, 1h option 5-10m, up to 1h
Préfixe minimum mis en cache 1024 jetons 1024 jetons

Spécifications

Claude Fable 5.1 GPT-6.1 Sol
Modalités d'entrée texte image texte image
Modalités de sortie texte texte
Sortie 2026-09-01 2026-09-29
Limite de connaissances 2026-06 2026-04
Fenêtre de contexte 1M 1.1M
Sortie maximale 128K 128K
Paramètre de réflexion output_config.effort (thinking is adaptive-only and always on) reasoning.effort
Valeurs acceptées
effort
  • low
  • medium
  • high
  • xhigh
  • max
reasoning.effort
  • low
  • medium
  • high
  • xhigh
  • max
Par défaut

thinking always on (adaptive)

effort
  • high
medium

Les spécifications sont transcrites à partir de la documentation de chaque fournisseur ; une ligne qu'un fournisseur ne publie pas est omise plutôt que déduite. Sources complètes : Claude Fable 5.1 · GPT-6.1 Sol

Un prompt, deux modèles - mesurés via la passerelle

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. VÉRIFIER exactement 3 phrases

Claude Fable 5.1 réussi · 3 sentences

When we enabled reasoning, the model started generating a long chain of internal "thinking" tokens before producing each answer, and we're billed for those tokens at the same output rate even though users never see them. In practice, that hidden reasoning often runs several times longer than the visible response, so the total tokens per request roughly doubled while the number of requests stayed flat. The upside is measurably better accuracy on complex tasks, so the right conversation is whether that quality gain justifies the cost—and if not, we can restrict reasoning to the workflows that actually need it rather than turning it on globally.

sortie 186 tok latence 3.2 s

GPT-6.1 Sol réussi · 3 sentences

Enabling reasoning makes the model do more computational work before answering, and many providers bill the resulting reasoning tokens even though users never see them. That means the same number of requests can cost twice as much because each request consumes more billable tokens, even if the visible answers stay the same length. We should confirm the increase in our usage breakdown and reserve higher reasoning levels for tasks where the improvement justifies the added cost.

sortie 144 tok (+54 réflexion) latence 6.6 s

Suivi de l'instruction (exactement trois phrases - comptables), adaptation à l'audience (registre CFO), et l'écart de facturation lié à la réflexion cachée que les compteurs de tokens ci-dessous révèlent.

PROMPT This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. VÉRIFIER le correctif passe les tests

Claude Fable 5.1 réussi · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): cur = cur + 1 if xs[i] == xs[i - 1] else 1 best = max(best, cur) return best ``` The bug is that `cur` counts *matches between adjacent elements* rather than *elements in the run*: it starts at 0 and only increments when `xs[i] == xs[i-1]`, so a run of length k produces a count of k−1. That's why a single element returns 0 instead of 1, and why every other run also comes out one short — the "misses runs at the end" reports are the same off-by-one seen on inputs like `[1, 2, 2]`, where the trailing run of length 2 is reported as 1 (the original code does update `best` inside the loop, so end-of-list runs aren't actually skipped, just undercounted). […]

sortie 882 tok (+507 réflexion) latence 3.4 s

GPT-6.1 Sol réussi · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` The original function counts equal adjacent pairs rather than items in a run: a run of length `n` has only `n - 1` equal pairs, so a single-element input returns `0`, and a run ending at the last index is also undercounted. It does process the last index, so the issue is not a missing final check. Initializing each nonempty run to `1` and updating `best` after every iteration correctly counts items, including singleton and trailing runs; empty inputs still return `0`.

sortie 189 tok latence 6.3 s

Si le correctif est réellement juste (exécutable), la densité de l'explication, et l'efficacité en tokens sur une tâche bornée.

PROMPT Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. VÉRIFIER JSON valide, schéma exact

Claude Fable 5.1 réussi · 5/5 fields, guidance null

```json { "company": "Meridian Robotics", "quarter": "Q3 (September quarter)", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null } ``` Notes on judgment calls (not part of the object): - **revenue_usd_m**: The text says "412 for the topline" but never states the currency or that the figure is in millions; it's also on a constant-currency basis and prefaced with "call it," so it's approximate. If you want strict literalism, this should be `null`. - **growth_pct**: "Eleven and change" means slightly above 11%; the exact figure isn't given. - **quarter**: "September quarter" is Q3 on a calendar basis, consistent with the reference to a pending Q4 close. - **guidance**: Explicitly withheld, so `null`.

sortie 633 tok (+349 réflexion) latence 3.8 s

GPT-6.1 Sol réussi · 5/5 fields, guidance "Withheld pending the Q4 close"

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": null, "growth_pct": "eleven and change", "guidance": "Withheld pending the Q4 close" }

sortie 345 tok (+285 réflexion) latence 10.2 s

Respect du schéma (aucun champ inventé), pression d'hallucination (guidance est explicitement retenue), et différences de chemin pour la sortie structurée.

PROMPT Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. VÉRIFIER 120 mots, 0 mot interdit

Claude Fable 5.1 réussi · 121 words, 0 banned, 1 question

**Introducing Cross-Provider Prompt Caching for the Gateway.** Starting today, your API gateway can cache prompts once and reuse them across OpenAI, Anthropic, Google, and any other provider you route to. Long system instructions, retrieval context, and few-shot examples are stored at the gateway layer, so switching models no longer means paying to resend the same tokens. Why send the same 8,000-token preamble to three different vendors when you could send it once? Our cache normalizes prompt segments, fingerprints them, and serves matching prefixes from memory before the request ever reaches an upstream API. Early customers report token costs falling by 30 to 60 percent on high-volume workloads, with median latency dropping alongside. Available today on all Team and Enterprise plans.

sortie 1722 tok (+1463 réflexion) latence 2.9 s

GPT-6.1 Sol réussi · 120 words, 0 banned, 1 question

Introducing Cross-Provider Prompt Cache, a new API gateway feature that stores reusable prompts and manages caching across your supported AI providers. Why rebuild the same context every time your application switches models? With one configuration, teams can reuse shared instructions, standardize cache policies, and reduce repeated prompt processing wherever provider caching is available. The gateway handles provider-specific requirements while giving you clear visibility into cache hits, usage, and estimated savings. Set expiration windows, isolate cached content by project, and invalidate entries when prompts change. Your existing routing logic stays intact, so you can compare models without rebuilding your caching workflow. […]

sortie 588 tok (+435 réflexion) latence 13.9 s

Respect des contraintes (budget de mots, liste de mots interdits, l'unique question), empreinte stylistique, et contrôle de la longueur.

Basculez de l'un à l'autre avec une seule ligne

Les deux ids sont dans chaque onglet ci-dessous - la paire de lignes en surbrillance est la seule modification. Même endpoint, même clé, même structure de requête.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="claude-fable-5-1",
    # model="gpt-6.1-sol",  # décommentez cette ligne, commentez celle du dessus
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenez votre clé API →

FAQ

Lequel est le moins cher, Claude Fable 5.1 ou GPT-6.1 Sol ?

GPT-6.1 Sol est moins cher sur entrée / 1m tokens ($2 contre $10, avec un écart de 5.0×). D'autres lignes peuvent indiquer l'inverse - le tableau ci-dessus contient la fiche complète, et le coût réel dépend de votre combinaison.

Puis-je faire un test A/B de Claude Fable 5.1 par rapport à GPT-6.1 Sol sans deux intégrations ?

Oui. Les deux sont servis via le même endpoint compatible OpenAI avec une seule clé API - le basculement est un changement de chaîne de modèle en une ligne, vous pouvez donc diriger une fraction du trafic vers chacun et comparer les factures directement.

Est-ce que Claude Fable 5.1 et GPT-6.1 Sol prennent en charge le prompt caching ?

Oui - les deux facturent les lectures en cache en dessous de leur tarif d'entrée, donc les charges de travail à préfixe chaud coûtent moins cher que ce que les tarifs de base suggèrent. Les lignes exactes des lectures en cache se trouvent dans le tableau de tarification ci-dessus.

Comparaisons associées

Issu de nos études mesurées