Fable 5.1 ou GPT-6 Astra: qual aguenta melhor arquivo gigante e tarefa longa?

Você joga o arquivo gigante no modelo, ele começa lindo, e no meio do caminho a resposta corta ou o contexto estoura

Fala aí, beleza? A Anthropic soltou o Fable 5.1 no dia 1 de setembro de 2026 (junto com o Mythos 5.1, que é o mesmo modelo com salvaguardas diferentes), e três dias depois a OpenAI respondeu com o GPT-6 Astra, no dia 4

Os dois chegam prometendo janela de 1 milhão de tokens pra cima

Só que janela grande no papel não é a mesma coisa que tarefa longa que anda até o fim, beleza? O comportamento muda bastante quando o trabalho é grande de verdade

Então o recorte deste post é bem específico: quanto de entrada cabe, quanto de resposta sai de uma vez e onde cada um te obriga a fatiar o trabalho

Fable 5.1 x GPT-6 Astra: contexto, saída e preço lado a lado

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 120 aulas
• 4 projetos
• 9h 45min

Conhecer formação

Onde é empate:

Entrada e saída custam exatamente o mesmo nos dois: US$ 10 e US$ 50 por milhão

O teto de resposta também é igual, 128 mil tokens por requisição

E os 50 mil tokens a mais de contexto do Astra são uma diferença que dificilmente decide alguma coisa no seu dia a dia

Onde a conta muda de verdade:

É no cache, e só quando a tarefa é longa E repetitiva

Se você lê o mesmo arquivo gigante vinte vezes na mesma sessão, a leitura de cache do Fable 5.1 sai a US$ 0,25 por milhão, contra US$ 1,00 por milhão de entrada em cache no Astra

Multiplica isso por um repositório inteiro reprocessado o dia todo e o número deixa de ser detalhe

Já o teto de 128 mil tokens de saída é o mesmo dos dois lados, então nenhum deles te salva de fatiar um entregável muito grande: vale entender o limite de saída do Astra antes de pedir o arquivo inteiro de uma vez

Onde cada um te obriga a fatiar o trabalho

Agora a parte que a ficha técnica não conta

Tarefa longa quase nunca quebra no limite do modelo, ela quebra no agente que você usa pra rodar a tarefa

Repara na primeira linha, porque ela pega muita gente de surpresa

O modelo tem 1M de janela, mas a sessão do Claude Code compacta em 200K por padrão

Ou seja: tu tem 1 milhão contratado e 200 mil andando, até mexer no /autocompact

Do outro lado, o Astra no Codex ataca o mesmo problema por outro caminho: em vez de espremer tudo num resumo, ele mantém notas e deixa as janelas anteriores pesquisáveis

Na prática isso é o que resolve o clássico "o requisito estava na mensagem 3 e ele esqueceu na mensagem 300"

Só que esse gerenciamento de contexto está como modo experimental e vem desligado, então não conta com ele por padrão

Detalhe útil: o app de desktop do ChatGPT, o Codex CLI e a extensão de IDE usam o MESMO config.toml, então tu edita num lugar e vale nos três

E tem o teto por minuto

Se tu está no Tier 1 da API, com 500.000 TPM, um arquivo perto do limite de contexto já é uma mordida enorme do seu minuto

Janela grande não serve de nada se a vazão não deixa a entrada passar, né?

Como medir no seu caso antes de escolher

Não existe número mágico de "linhas de código viram X tokens", então a única saída honesta é medir na sua base

Bora ver na prática?

1. Meça o tamanho real do seu arquivo ou repositório em tokens. Rode a mesma tarefa uma vez em cada modelo e olhe quanto de entrada foi contabilizado, aí compara com o teto de cada um: 1 milhão no Fable 5.1 e 1.050.000 no Astra. O erro comum deste passo é chutar o tamanho por número de linhas ou por tamanho em MB, e descobrir o estouro só no meio da tarefa

2. No Claude Code, mexa na fronteira de compactação e observe onde a sessão corta. O padrão em modelos de janela nativa de 1M é compactar em 200K, e o comando aceita de 100K a 1M:

/autocompact 500k

O valor fica salvo em autoCompactWindow nas configurações do usuário e já vale na sessão atual. Se quiser voltar atrás, /autocompact auto devolve o padrão do modelo. O erro comum aqui é pedir uma janela maior que o contexto do modelo: o Claude Code limita a janela ao contexto do modelo, então não adianta forçar

3. Repita a MESMA tarefa travado em 200K pra ter comparação. É o jeito de ver, no seu caso, quanto a janela maior muda o resultado:

CLAUDE_CODE_DISABLE_1M_CONTEXT=1

Com essa variável ligada, as sessões ficam em 200K em todo modelo de janela nativa de 1M. O erro comum é esquecer a variável ligada e depois jurar que o Fable 5.1 "não aguenta contexto grande"

4. Confira qual modelo tu está rodando de fato. No Claude Code, o alias fable aponta pro Fable 5.1, a menos que ANTHROPIC_DEFAULT_FABLE_MODEL esteja definido. O erro comum é comparar dois modelos e, sem perceber, ter uma variável de ambiente antiga mandando na escolha

5. No Codex, prepare o terreno antes de comparar. Confirme que sua versão do Codex CLI é a 0.153.0 ou mais recente, escolha modelo e nível de esforço com /model e ative o gerenciamento de contexto experimental no config.toml:

features.context_management.experimental_mode = true

Depois disso, inicie uma tarefa NOVA. O erro comum deste passo é clássico: ligar o modo experimental e continuar a conversa antiga, porque o recurso vale só pra conversas novas

6. Teste se o entregável cabe em 128 mil tokens de saída. Os dois cortam no mesmo teto por requisição, então se a sua tarefa gera um arquivo enorme de uma vez, o plano de fatiar já entra no desenho da tarefa, não depois que a resposta morreu no meio. O erro comum é achar que contexto de 1M implica resposta de 1M

7. Rode a mesma tarefa duas vezes seguidas e compare a conta. É aí que o cache aparece: US$ 0,25 por milhão de leitura no Fable 5.1 contra US$ 1,00 por milhão de entrada em cache no Astra. O erro comum é medir só a primeira execução, justamente a que não tem cache nenhum

8. Se tu usa o Astra por plano do ChatGPT, esquece contar mensagem. A própria OpenAI diz que uma tarefa mais longa consome mais da sua cota do que uma tarefa curta, então número fixo de mensagens não é medida confiável do que resta. O erro comum é planejar o dia por "quantas mensagens eu ainda tenho"

Qual escolher para cada tipo de tarefa longa

Arquivo único gigante lido muitas vezes:

Aqui o cache é o fator de desempate, e ele pesa pro lado do Fable 5.1, com leitura a US$ 0,25 por milhão contra US$ 1,00 por milhão no Astra

Quanto mais repetitiva a tarefa, maior a diferença na fatura

Tarefa de várias horas com requisito lá do começo:

Aquele cenário em que a regra de negócio apareceu na primeira hora e precisa valer na última

É exatamente o que o Astra no Codex endereça com as notas entre janelas e as janelas anteriores pesquisáveis

Lembrando que isso ainda depende do modo experimental ligado

Controle fino de esforço de raciocínio:

Se tu quer decidir por tarefa quanto o modelo pensa, o Astra te dá cinco níveis no reasoning.effort: low, medium, high, xhigh e max

O Fable 5.1 vai por outro caminho: raciocínio adaptativo sempre ativo, com nível de esforço padrão alto

Um te dá volante, o outro te dá piloto automático puxado pra cima

Trabalho que sai do editor:

Navegador, planilha, app de desktop, terminal

O Astra é posicionado justamente como modelo de uso de computador, e não como modelo de chat comum

Entrada com imagem junto do texto:

O Fable 5.1 aceita entrada de texto e imagem, com saída de texto

Print de erro, diagrama, screenshot de tela quebrada: entra no mesmo fluxo

Quem depende do plano do ChatGPT:

O Astra está no ChatGPT Work e no Codex para Plus e Business, e no Chat a opção baseada em Astra aparece como GPT-6 Pro nos planos Pro, Business e Enterprise

Assentos Plus e Business Standard incluem uso limitado de Astra, com créditos opcionais pra uso adicional

E se o seu fluxo passa pelas mensagens Pro: Business Standard inclui 15 mensagens Pro por mês e Business Premium inclui 50 por semana, compartilhadas entre GPT-6 Pro e GPT-5.6 Sol Pro

Antes de trocar de ferramenta por causa disso, vale a pena pensar friamente se o Astra compensa pro tipo de tarefa que tu roda todo dia

Veredito: qual aguenta melhor arquivo gigante

Na ficha técnica é quase empate, e não adianta querer inventar vencedor

Mesmo preço de entrada e saída, mesmo teto de 128 mil tokens de resposta, janela praticamente do mesmo tamanho

A escolha se decide no AMBIENTE, não no modelo

Se você vive no Claude Code: o Fable 5.1 te dá 1M de contexto por padrão, sem header beta e cobrado no preço padrão, mais o cache barato pra tarefa repetitiva

O preço disso é lembrar de configurar /autocompact, senão a sua sessão vai continuar compactando em 200K e tu vai jurar que o modelo é fraco de contexto

Se você vive no Codex: o Astra te dá continuidade de contexto por notas pesquisáveis, que é o remédio certo pra tarefa de várias horas

O preço é aceitar que isso está em modo experimental, desligado por padrão e válido só pra conversas novas, e que a OpenAI fala em virar padrão "nas próximas semanas", sem data

E tem o que NÃO dá pra afirmar por aqui: qualidade de resposta com o contexto cheio

Isso depende do seu código, do seu prompt e da sua tarefa, e eu não vou botar número por achismo

Por isso o desempate honesto é o método da seção anterior, rodado na sua base

Pra começar do zero em comparação de modelos, este vídeo do canal coloca Kimi K3, GPT-5.6 Sol e Fable 5 num teste lado a lado:

Conclusão

A lição que fica é meio anticlimática, mas é a que economiza dinheiro: janela grande no papel não significa sessão grande na prática

A diferença real aparece na configuração da ferramenta, não no anúncio do modelo

Seu próximo passo é bem concreto: antes de migrar qualquer coisa, cheque em qual fronteira o seu Claude Code está compactando e confirme a versão do seu Codex CLI

Só depois disso rode a mesma tarefa nos dois e compare entrada, saída e conta

Comparativo novo saindo, eu volto aqui e conto…

até o próximo post! 😀