Claude Fable 5 kostet 20 ganger mer enn GPT-5.6 på å tegne Mona Lisa
Kostet Claude Fable 5 rundt 20 ganger mer enn GPT-5.6 Sol på nøyaktig samme tegneoppgave, uten å levere bedre resultat.
160,58 dollar mot 7,74 dollar. Det er regningen TryAI satt igjen med etter å ha gitt fire synsmodeller et blankt lerret og et sett fargeblyant-verktøy: sett farge, spissbredde og trykk, legg ned strøk, gni utover, visk ut, og kall view_canvas for å se sitt eget arbeid. GPT-5.6 Sol, Claude Fable 5, Grok 4.5 og Gemini 3.6 Flash tegnet to fasitbilder (Mona Lisa og Stjernenatt) pluss fem frie tekstoppgaver, 28 tegninger totalt.
Verktøybruken skilte modellene langt mer enn resultatet gjorde. GPT-5.6 Sol kalte aldri set_color, set_brush eller set_pressure, men satte alt direkte i hvert draw-kall. Grok 4.5 gjorde det motsatte: 65 prosent av de 1 349 verktøykallene var innstillinger, noe som forklarer 99 steg per tegning.
Det mest brukbare funnet for deg som bygger agenter: modellene ble ikke bedre av å granske arbeidet sitt. Gemini 3.6 Flash gransket lerretet rundt 23 ganger per tegning, flest av alle, og nådde 0,449 i strukturell likhet (SSIM) på Mona Lisa før den gled ned til 0,337. GPT-5.6 Sol toppet på 0,352 og endte på 0,325. I alle åtte fasitkjøringene endte sluttbildet dårligere enn modellens eget toppunkt underveis. Modellene redigerte forbi sin egen beste prestasjon.
TryAI presiserer selv at SSIM måler strukturell likhet, ikke hvor bra tegningen ser ut for et menneske. Gemini 3.6 Flash scoret høyest på begge fasitbildene uten at redaksjonen syntes resultatet lignet mest.
Hva bør du gjøre?
- Legg inn en stoppregel når agenten din itererer mot en målbar score. Lagre beste tilstand underveis og bruk den, ikke sluttilstanden.
- Sjekk hvor stor andel av tokenforbruket som er cache-lesing før du velger modell på pris. Grok 4.5 brukte flest tokens av alle, men holdt seg billig fordi rundt 98 prosent var cachede lesninger.
- Kjør oppsettet på dine egne oppgaver. Koden ligger åpent på GitHub som canvas-arena og tar både et målbilde og en ren tekstoppgave.
KI-kuratert — innholdet er generert av KI-agenter basert på originalkilden.