Fable 5.1, Muse Spark 1.3 e GPT-6 Astra: la nuova sfida dell’AI si gioca sui benchmark

Tre modelli di frontiera sono arrivati quasi contemporaneamente. Anthropic, Meta e OpenAI promettono un nuovo salto in avanti. Ma i benchmark raccontano una storia più interessante: non esiste un vincitore assoluto.

La settimana dell’AI che si è appena conclusa sembra uscita da un copione hollywoodiano. Il primo settembre Anthropic ha presentato Claude Fable 5.1. Il giorno dopo Meta ha lanciato Muse Spark 1.3. Il 3 settembre è arrivato GPT-6 Astra di OpenAI.

Tre nomi, tre filosofie e soprattutto una domanda: qual è oggi il modello più potente?

La risposta, almeno guardando i benchmark più seri, è meno semplice di quanto suggeriscano i comunicati stampa. Fable 5.1 è in testa in alcuni test complessivi, Muse Spark 1.3 sorprende nel coding e nei lavori agentici, mentre GPT-6 Astra domina alcuni benchmark di matematica, scienza e uso del computer.

Ed è proprio questo il punto interessante. La gara non riguarda più soltanto quale chatbot scrive la risposta migliore. I nuovi test chiedono all’AI di cercare informazioni, usare strumenti, modificare codice, navigare sul computer e completare interi lavori.

Prima sorpresa: la classifica generale

Uno dei riferimenti più utili è l’Artificial Analysis Intelligence Index, un indice indipendente che combina nove diverse valutazioni. Nell’ultima rilevazione, Claude Fable 5.1 raggiunge 66 punti, Muse Spark 1.3 arriva a 62 nella modalità max, mentre GPT-6 Astra si ferma a circa 61.

Fonti: Artificial Analysis, Anthropic, Meta e OpenAI. I test sono eseguiti con configurazioni e livelli di effort che possono differire; i numeri sono quindi indicativi e non sempre perfettamente comparabili.

Il dato più interessante è forse proprio quello che non appare nella pubblicità: GPT-6 Astra, nonostante il salto generazionale proclamato da OpenAI, non è davanti a Fable 5.1 nell’Intelligence Index. E Muse Spark 1.3, arrivato un giorno prima, gli sta davanti nella classifica indipendente.

Questo non significa che Astra sia “peggiore”. Significa che un singolo punteggio non può riassumere le capacità di un modello moderno.

DeepSWE: il modello sa davvero programmare?

Uno dei test più interessanti è DeepSWE v1.1. Qui non si chiede semplicemente al modello di scrivere una funzione in Python. L’AI deve lavorare su veri repository software, capire una richiesta, modificare il codice e superare un verificatore automatico.

La versione 1.1 comprende 113 attività distribuite su 91 repository open source e cinque linguaggi. I problemi sono stati creati appositamente per il benchmark e non corrispondono semplicemente a vecchi bug già pubblicati online.

Il risultato è sorprendente: Muse Spark 1.3 arriva al 75,4%, GPT-6 Astra al 74,1% e Fable 5.1 al 67,4% nella configurazione riportata da OpenAI.

Cosa misura davvero? La capacità di portare a termine lavoro software complesso e relativamente autonomo. È molto più vicino al lavoro di un coding agent che a un tradizionale test di programmazione.

Terminal-Bench: attenzione ai numeri

Qui bisogna fare molta attenzione. Terminal-Bench 2.1 e Terminal-Bench 4.0 sono versioni diverse del benchmark e non è corretto confrontare direttamente i loro punteggi.

Su Terminal-Bench 4.0, GPT-6 Astra raggiunge il 57,9%, contro il 55,8% di Fable 5.1. Muse Spark 1.3, invece, ha un notevole 88,8% su Terminal-Bench 2.1. Il numero è impressionante, ma non significa che Meta abbia “battuto” Astra con un 88,8 contro 57,9: si tratta di due versioni differenti del test.

Cosa misura? La capacità dell’agente di lavorare direttamente attraverso un terminale: eseguire comandi, modificare file, installare software, diagnosticare problemi e completare attività multi-step.

È uno dei benchmark più vicini al concetto di AI che lavora al posto tuo.

GPQA Diamond: può ragionare come uno scienziato?

Se DeepSWE misura il lavoro software, GPQA Diamond misura qualcosa di molto diverso: il ragionamento scientifico avanzato.

Il benchmark contiene domande difficili di fisica, chimica e biologia, progettate a livello graduate e PhD. Non sono domande a cui basta ricordare una definizione: bisogna utilizzare conoscenze e ragionamento per arrivare alla soluzione.

Qui è GPT-6 Astra a prendersi la rivincita: 96,0%, contro il 94% circa di Muse Spark 1.3 e il 93,7% di Fable 5.1.

In altre parole, Astra sembra particolarmente forte quando il compito richiede ragionamento tecnico e scientifico.

FrontierMath: qui la matematica diventa seria

FrontierMath Tier 4 è ancora più estremo. Il benchmark è pensato per problemi matematici di frontiera, molto oltre i normali test scolastici o universitari.

GPT-6 Astra raggiunge un impressionante 97,6%. Fable 5.1 arriva all’87,8%.

Il significato del dato è semplice: quando si passa dal “conoscere la matematica” al risolvere problemi matematici estremamente difficili, Astra mostra uno dei suoi vantaggi più evidenti.

Humanity’s Last Exam: quanto è generale l’intelligenza?

Il nome dice già molto. Humanity’s Last Exam, spesso abbreviato HLE, nasce per mettere alla prova modelli avanzati con domande molto difficili provenienti da numerose discipline.

Non serve soltanto a capire se il modello conosce una formula. L’obiettivo è verificare come se la cava con domande che richiedono una combinazione di conoscenza, ragionamento e comprensione interdisciplinare.

Qui il dato più alto tra i tre è quello di Fable 5.1: 65,0% con strumenti. Astra si ferma al 57,2%. Meta ha mostrato progressi importanti su questo test per Muse Spark 1.3, ma le diverse modalità di valutazione rendono prudente un confronto diretto.

È un ottimo esempio di come lo stesso modello possa essere fortissimo in matematica e meno dominante in un esame generale.

AutomationBench: il test che forse conta di più per le aziende

Questo è probabilmente uno dei benchmark più interessanti del momento. AutomationBench non chiede semplicemente una risposta corretta: mette l’agente davanti a un ambiente aziendale simulato e gli chiede di completare un flusso di lavoro.

Può significare lavorare con CRM, calendario, posta elettronica o altri strumenti e lasciare il sistema finale nello stato corretto.

Il risultato è particolarmente interessante: Muse Spark 1.3 raggiunge 49,4%, GPT-6 Astra 41,4% e Fable 5.1 31,4% nelle rispettive valutazioni pubblicate.

Questa differenza suggerisce che Meta ha fatto un lavoro importante sull’AI agentica: non soltanto capire una richiesta, ma eseguire correttamente una sequenza di azioni.

MRCR: il modello riesce a trovare un ago in un pagliaio?

Con contesti sempre più grandi, anche la memoria sta diventando un campo di battaglia. MRCR v2 misura la capacità di recuperare correttamente informazioni nascoste all’interno di contesti enormi.

Muse Spark 1.3 mostra numeri particolarmente impressionanti: circa 98,5% nel segmento 256K–512K e 98,1% tra 512K e 1 milione di token. In confronto, GPT-5.6 Sol scende dal 91,5% al 73,8% negli stessi intervalli.

Il significato pratico è enorme: non basta avere una finestra di contesto da un milione di token. Bisogna anche saper utilizzare davvero ciò che contiene.

OSWorld: sa usare davvero un computer?

Un altro salto importante riguarda il computer use. OSWorld mette il modello davanti a un ambiente desktop e verifica se riesce a svolgere attività utilizzando applicazioni e interfacce grafiche.

È quindi molto più vicino a un assistente digitale autonomo rispetto a un chatbot tradizionale.

GPT-6 Astra ottiene 72,6% nella versione offline di OSWorld 2.0 indicata da OpenAI. Meta riporta 66,9% per Muse Spark 1.3 in una propria valutazione parziale, mentre Anthropic riporta 77,9% per Fable 5.1 in una configurazione diversa.

Ancora una volta, il messaggio è importante: non guardate soltanto il numero. Versione del benchmark, dataset, harness e modalità di valutazione possono cambiare molto il risultato.

Alla fine, chi vince?

La risposta più onesta è che la vecchia domanda “qual è il modello migliore?” sta diventando sempre meno utile.

Fable 5.1 è probabilmente il candidato più convincente per chi cerca un modello estremamente forte nel lavoro intellettuale complesso e negli agenti di lunga durata. Anthropic lo ha progettato per attività che possono continuare per ore o giorni, dalla programmazione alla ricerca.

Muse Spark 1.3 è invece la sorpresa della settimana. Meta ha fatto un passo molto importante sul coding agentico, sull’uso di strumenti e sulla gestione di contesti enormi. Il 75,4% su DeepSWE e il 98% circa su MRCR sono risultati difficili da ignorare.

GPT-6 Astra sembra avere il suo territorio privilegiato nella matematica, nella scienza, nel computer use e in compiti complessi eseguiti autonomamente. Il 97,6% su FrontierMath Tier 4, il 96% su GPQA Diamond e il 99,9% su ARC-AGI-3 sono numeri che spiegano perché OpenAI lo presenti come un salto generazionale.

Ma c’è una conclusione ancora più interessante.

La nuova corsa all’AI non si decide più su chi sa rispondere meglio a una domanda. Si decide su chi riesce a prendere un obiettivo, capire cosa deve fare, usare gli strumenti giusti, correggere i propri errori e arrivare autonomamente a un risultato.

In altre parole, i benchmark più importanti del 2026 non stanno più chiedendo soltanto “Quanto è intelligente questa AI?”.

La domanda sta diventando: “Quanto lavoro posso davvero darle?”