Come si capisce quale modello AI scrive codice meglio? (Spoiler: i benchmark ingannano)

Ogni volta che esce un modello nuovo, in ufficio scatta la stessa domanda: "è meglio di quello che usiamo?"

La risposta breve è: dipende da cosa misuri. Capire il perché è una lezione che vale la pena fare una volta per tutte.

Cosa sono i benchmark

Partiamo dall'inizio: un benchmark è un test standardizzato. Funziona così: prendi centinaia di problemi (bug da correggere, esercizi di codice, compiti tecnici), ci fai girare il modello sopra, e conti quanti ne risolve correttamente.

Quel numero è il punteggio. Più è alto, meglio il modello ha fatto su quel test.

La parola chiave è "quel test". I benchmark non misurano "l'intelligenza in assoluto". Misurano quanto bene un modello risolve quei problemi specifici, in quella modalita' specifica.

Cambia il test, cambiano i risultati. È una cosa che vale la pena tenere in testa ogni volta che si legge una classifica.

Perché un modello può vincere su uno e perdere su un altro

Questa settimana è uscito un confronto tra Codex di GPT-5.6 (OpenAI) e Fable 5 (Anthropic). Guardiamo i numeri con calma, perché racconta bene la dinamica.

Test classici di programmazione (SWE-bench Pro, dove il modello affronta bug reali in repository veri): Fable 5 fa 80,3%. Il modello GPT precedente si fermava a 58,6%. Su LiveCodeBench, Fable 5 arriva primo in assoluto con 89,78%.

Numeri grandi. Vince Fable.

Test di lavoro da terminale (Terminal-Bench, dove il modello non risolve esercizi isolati ma esegue comandi veri in sequenza, come farebbe un agente automatico): GPT-5.6 sorpassa Fable: 88,8 contro 83,4. Qui vince OpenAI.

Stesso campo, due test diversi, due vincitori diversi. Non è una contraddizione: le due prove misurano cose diverse. Risolvere un bug di codice in modo preciso è un'abilità. Orchestrare una sequenza di comandi a terminale in autonomia è un'altra.

Va aggiunto, per onestà: OpenAI non ha ancora pubblicato i punteggi di GPT-5.6 sui test classici. Quindi parte del confronto, lato OpenAI, ancora manca. I numeri che vediamo sono incompleti.

Quello che i benchmark non dicono

Fin qui i numeri. Ora il punto che cambia tutto.

Quello che vince sulla carta, però, oggi non lo puoi usare: Fable 5 è bloccato per l'export control americano e non è disponibile agli utenti generici. GPT-5.6 è in preview limitata, aperto solo ad alcuni partner selezionati.

Quel primo in classifica non lo accendi. Lo sfidante è ancora mezzo chiuso.

Un punteggio record su un modello che non gira vale zero per chi deve consegnare qualcosa lunedì.

La regola pratica

Da chi usa questi modelli in produzione ogni giorno, la lettura è questa.

Ogni benchmark è un indizio, non un verdetto. Spesso lo sceglie chi vende il modello, costruito sul terreno più favorevole. Su test di codice da esame vince Fable; su lavoro da terminale vince Codex. Se il tuo caso d'uso è un agente che esegue comandi, la classifica è una; se è generazione e refactor di codice puntuale, è un'altra.

Ma la domanda che conta davvero è più semplice: cosa puoi accendere oggi?

Per questo continuiamo a lavorare multi-provider. Quando il migliore sulla carta è bloccato o in preview, vince chi è acceso e risponde. Non è quello col numero più alto, il modello giusto: è quello che giri quando ti serve.

---

Fonti: explainx.ai: GPT-5.6 vs Fable 5, Terminal-Bench e benchmark · Vellum: Fable 5 & Mythos 5, benchmark spiegati · Morph: migliori modelli per il coding (giugno 2026) · Developers Digest: Fable 5 vs GPT, quando vince ciascuno