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

Claude Fable 5 vs GPT-5.6

Claude Fable 5 a été retiré de notre catalogue. Les chiffres ci-dessous sont ses derniers tarifs publiés. Nous ne servons plus les appels vers ce modèle, alors que l'autre modèle de ce comparatif reste disponible.

vs

Lequel choisir, et quand

Tous deux prennent en charge le texte et l'image en entrée, renvoient du texte, et plafonnent la sortie à 128000 tokens, la véritable différence réside donc dans le prix et le contrôle : gpt-5.6 coûte $5 en entrée / $30 en sortie / $0.5 en lectures de cache contre $10 / $50 / $1 pour claude-fable-5, rendant le modèle d'Anthropic 2x plus cher sur le coût d'entrée et de cache et environ 1.67x plus cher sur le coût de sortie, avec une fenêtre légèrement plus petite de 1000000 tokens contre 1050000. Choisissez gpt-5.6 pour le travail à fort volume ou sensible à la latence où vous souhaitez désactiver la réflexion ; choisissez claude-fable-5 lorsque vous souhaitez que son mode de raisonnement toujours activé soit appliqué à chaque requête et que vous êtes prêt à payer le surcoût.

Benchmarks

En têteAu-dessus de la moyenneNon dépasséClaude Fable 54686 / 9740 / 97GPT-5.62994 / 12128 / 121

75 mesurés sur les deux.

Claude Fable 5 GPT-5.6 autres modèles mesurés moyenne des modèles comparés ★ aucun autre modèle n'a fait mieux
SWE-Bench Pro
aucun autre modèle n'a fait mieux 80.3%
64.6%
BioMysteryBench hard
46.5%
44.7%
OSWorld-Verified
aucun autre modèle n'a fait mieux 85%
83%
Cybergym
83.1%
84.5%
HealthBench Professional
60.9%
60.5%
Finance Agent v2
56.3%
53.8%
Harvey Lab-AA
93.6%
87.2%
GPQA Diamond
92.6%
94.6%
Blueprint-Bench 2
38.6%
N/A
BrowseComp
87.4%
90.4%
CharXiv (RQ) reasoning
aucun autre modèle n'a fait mieux 88.9%
84.6%

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

Tarifs

Claude Fable 5 GPT-5.6 Δ
Entrée / 1M de tokens $10 $5 2×
Sortie / 1M de tokens $50 $30 1.7×
Lecture de cache / 1M de tokens $1 $0.5 2×
Écriture de cache 1.25x (5m) / 2x (1h) pas de frais distincts -

Tarifs relevés dans le catalogue en direct à la génération du site ; la page de chaque modèle affiche la grille tarifaire à jour.

Leur position : prix en entrée pour 1M de tokens, parmi les 76 modèles de chat facturés dans cette unité (échelle logarithmique)

Claude Fable 5 · $10 GPT-5.6 · $5
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacités

Claude Fable 5 GPT-5.6
Appel d'outils oui oui
Contrôle de la réflexion toujours activé configurable
Sortie structurée oui oui
Mise en cache des prompts explicite (vous indiquez le préfixe) implicite (automatique)
Durée de vie du cache 5m default, 1h option 5-10m, up to 1h
Préfixe minimal mis en cache 1024 tokens 1024 tokens

Spécifications

Claude Fable 5 GPT-5.6
Modalités d'entrée texte image texte image
Modalités de sortie texte texte
Date de sortie 2026-06-09 2026-07-09
Coupure des connaissances 2026-01 2026-02
Fenêtre de contexte 1M 1.1M
Sortie maximale 128K 128K
Paramètre de réflexion output_config.effort (thinking.type is adaptive-only and needs no configuration) reasoning.effort
Valeurs acceptées
effort
  • low
  • medium
  • high
  • xhigh
  • max

both "enabled" and "disabled" return 400

reasoning.effort
  • none
  • low
  • medium
  • high
  • xhigh
  • max
Valeur par défaut

thinking always on (adaptive)

effort
  • high
medium

Les spécifications sont reprises de la documentation de chaque fournisseur ; quand un fournisseur ne publie pas une valeur, la ligne est omise et non déduite. Sources complètes : Claude Fable 5 · GPT-5.6

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. CRITÈRE exactement 3 phrases

Claude Fable 5 réussi · 3 sentences

When we enabled reasoning, the model began generating extensive internal "thinking" tokens before each answer, and those tokens are billed as output even though users never see them. Output tokens typically cost several times more than input tokens, so adding thousands of hidden reasoning tokens per request effectively multiplied our per-query cost. In short, we're paying for a much longer response behind the scenes in exchange for higher answer quality, and we can manage this by tuning reasoning effort levels or reserving reasoning mode for complex tasks only.

sortie 228 tok latence 6.7 s

GPT-5.6 réussi · 3 sentences

Enabling reasoning makes the model generate many additional internal tokens before producing an answer, so each request consumes substantially more compute. Those reasoning tokens are billed even though they are not visible to users, and longer processing can also increase tool calls, retries, and output length. The bill doubled because our cost per request rose, not necessarily because usage volume increased; we can control it by limiting reasoning effort and routing simpler tasks to cheaper models.

sortie 126 tok (+30 réflexion) latence 3.0 s

Le respect de la consigne (exactement trois phrases, ça se compte), l'adaptation au public visé (le registre d'un directeur financier) et l'écart de facturation dû à la réflexion masquée, que révèlent les compteurs de tokens ci-dessous.

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. CRITÈRE le correctif passe les tests

Claude Fable 5 réussi · 8/8 cases

## Fixed code ```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 ``` ## Explanation The original function counts **adjacent equal pairs** rather than **items in a run**: a run of length *n* contains only *n − 1* equal neighbor pairs, so every result is off by one — a single-element list yields 0 instead of 1, and `[1, 2, 2]` yields 1 instead of 2 (which callers perceive as "missing" the run at the end). The fix is to initialize both `cur` and `best` to 1 (any nonempty list has a run of at least length 1), reset `cur` to 1 rather than 0 when

sortie 531 tok latence 12.5 s

GPT-5.6 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: best = max(best, cur) cur = 1 return max(best, cur) ``` The original code counted equal *transitions* rather than items, so a run of one had length `0`, a run of three had length `2`, and tracking from zero caused the off-by-one error. The corrected version starts each run at length `1`, resets to `1` when the value changes, and performs a final `max` after the loop so a run ending at the last element is included; an empty input still returns `0`.

sortie 277 tok (+93 réflexion) latence 4.2 s

La justesse réelle du correctif (il s'exécute), la densité de l'explication et l'économie de tokens sur une tâche bien délimitée.

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. CRITÈRE JSON valide, schéma exact

Claude Fable 5 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 interpretation: "up eleven and change" is rendered as 11 (the precise figure isn't stated), and guidance is null because it was explicitly withheld.

sortie 192 tok latence 6.5 s

GPT-5.6 réussi · 5/5 fields, guidance "withheld pending the Q4 close"

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld pending the Q4 close" }

sortie 179 tok (+118 réflexion) latence 3.7 s

Le respect du schéma (aucun champ inventé), la tentation d'halluciner (le texte indique que la guidance n'est pas communiquée) et les différences entre les mécanismes de 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. CRITÈRE 120 mots, 0 mot interdit

Claude Fable 5 réussi · 120 words, 0 banned, 1 question

**Introducing Cross-Provider Prompt Caching for our API Gateway** Starting today, your repeated prompts are cached once and reused across OpenAI, Anthropic, Google, and any other provider you route through the gateway. Instead of paying full token costs every time your application sends the same system prompt or context block, the gateway detects matching prefixes and serves cached results in milliseconds. Why keep spending money and latency on identical requests? Early adopters report cost reductions of up to 60 percent on high-volume workloads, along with faster median response times. Configuration is simple: enable caching in your dashboard, set a TTL, and choose which routes participate. Cache entries are encrypted at rest and never shared between accounts. Available now on all plans.

sortie 1173 tok latence 18.2 s

GPT-5.6 réussi · 120 words, 0 banned, 1 question

Today we are introducing Prompt Cache, a new API gateway feature that stores reusable prompt prefixes and serves them across supported model providers. By recognizing identical system instructions, tools, examples, and context blocks, Prompt Cache reduces repeated input processing, lowers latency, and helps control token costs without changing application code. Teams can configure retention windows, cache keys, provider routing, encryption, and regional storage policies from one dashboard or API. What happens when a preferred provider is unavailable? The gateway can route requests to another provider while reusing eligible cached content, preserving performance and consistency. Built-in metrics report hit rates, savings, latency, and provider usage, while audit logs support governance. Prompt Cache is available today in public preview for all customers.

sortie 628 tok (+473 réflexion) latence 7.3 s

Le respect des contraintes (nombre de mots, liste de mots interdits, une seule question), l'empreinte stylistique et la maîtrise de la longueur.

Passez de l'un à l'autre en changeant une seule ligne

Les deux identifiants figurent dans chaque onglet ci-dessous : les deux lignes surlignées sont le seul changement. Même endpoint, même clé, même format 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",
    # model="gpt-5.6",  # 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 ou GPT-5.6 ?

GPT-5.6 est moins cher sur la ligne « Entrée / 1M de tokens » ($5 contre $10, soit un écart de 2.0×). D'autres lignes peuvent dire l'inverse : le tableau ci-dessus donne la grille tarifaire complète, et le coût réel dépend de la composition de votre trafic.

Puis-je faire un test A/B entre Claude Fable 5 et GPT-5.6 sans deux intégrations ?

Oui. Les deux passent par le même endpoint compatible OpenAI, avec une seule clé API. Pour passer de l'un à l'autre, il suffit de changer l'identifiant du modèle, soit une ligne : vous pouvez donc envoyer une part du trafic à chacun et comparer directement les factures.

Claude Fable 5 et GPT-5.6 prennent-ils en charge la mise en cache des prompts ?

Oui. Les deux facturent les lectures de cache moins cher que leur tarif d'entrée : une charge de travail dont le préfixe est déjà en cache coûte donc moins que ne le laissent penser les tarifs publics. Les lignes de lecture de cache figurent dans le tableau des tarifs ci-dessus.

Comparatifs associés

Nos études, mesures à l'appui