TryAI ha messo dodici modelli a confronto su quattro task di coding: un raycaster 3D stile Doom, un cubo di Rubik con animazioni, una calcolatrice e Conway’s Game of Life. Ogni modello ha avuto cinque tentativi per task, con costi e tempi registrati.

Perché ti riguarda. Quando devi scegliere lo strumento per un compito vero, i benchmark astratti non bastano: servono esempi concreti su task realistici. Questo test mostra che GPT-5.6 Sol è il più consistente sul raycaster (5/5 tentativi riusciti), Claude Fable 5 non sbaglia un colpo sul cubo di Rubik (5/5), e Grok 4.5 è una scelta solida a un quarto del prezzo. Muse Spark 1.1 sorprende quando funziona, ma sbaglia tre tentativi su cinque. I modelli open-weight (Qwen, DeepSeek, Kimi, GLM) sono più economici ma meno affidabili: buoni per sperimentare, rischiosi per produzione.

Se vuoi provarci. Il sito pubblica ogni tentativo (venti per modello): puoi eseguirli nel browser e vedere dove si rompono. È il modo più diretto per capire se un modello regge il tuo tipo di compito prima di pagare una chiave.

Nel dettaglio

I test precedenti di TryAI erano stati criticati su Hacker News per aver dato a ogni modello un solo tentativo. Questa volta hanno risposto con rigore: dodici modelli, quattro app, cinque tentativi ciascuno, con costi e latenza misurati su ogni giro.

I modelli testati

La lineup include le tre varianti di GPT-5.6 (Sol, Terra, Luna), Grok 4.5, GPT-5.5, Claude Opus 4.8 e Claude Fable 5, Muse Spark 1.1 di Meta, e quattro modelli open-weight: Qwen 3.7 Plus, DeepSeek V4 Pro, Kimi K2.6 e GLM-5.2, tutti serviti via Fireworks.

Task 1: raycaster 3D

Un labirinto in prima persona con movimento WASD, profondità delle pareti, pavimento e soffitto. GPT-5.6 Sol porta a casa cinque tentativi su cinque, con più dettaglio nei risultati rispetto a GPT-5.5. Grok 4.5 fa 5/5 a 27 centesimi per cinque run, un quarto del costo di Sol. Claude Opus 4.8 fa solo 4/5, meno consistente del previsto. Muse Spark 1.1 sorprende: solo due tentativi riusciti, ma quelli buoni erano al livello di Fable e Sol.

Task 2: cubo di Rubik

Un cubo 3D colorato con pulsanti Scramble e Solve che animano le rotazioni. Claude Fable 5 non sbaglia un colpo: 5/5, nessun glitch, animazioni fluide. GPT-5.6 Sol fa 4/5 (un tentativo ha prodotto un cubo completamente nero, una scelta interessante). GPT-5.6 Luna crolla: 0/5, il cubo si rompeva al primo scramble. Claude Opus 4.8 non è riuscito a produrre nemmeno un tentativo perfetto, un risultato inaspettato dato che Fable 5 ha fatto cinque su cinque.

Task 3 e 4: calcolatrice e Game of Life

I dettagli completi sono sul sito di TryAI, con ogni tentativo eseguibile in pagina. La calcolatrice richiedeva precedenza degli operatori corretta; Game of Life doveva animare le generazioni con controlli play/pause.

Implicazioni pratiche

I risultati variano molto fra tentativi dello stesso modello sullo stesso task: è il motivo per cui un solo tentativo non basta a giudicare. GPT-5.6 Sol costa di più ma sbaglia meno; Grok 4.5 è una scelta economica solida; Claude Fable 5 eccelle dove conta la precisione visiva. I modelli open-weight (Qwen, DeepSeek) costano poco ma la varianza fra tentativi è alta: buoni per sperimentare, rischiosi dove serve affidabilità.

I limiti del test

Quattro task non sono un benchmark completo, e la valutazione («playable», «clean solve») è soggettiva. TryAI lo dichiara apertamente: non è una sentenza scientifica, è un campione reale pubblicato per intero. Il valore sta nei link ai tentativi veri: puoi eseguirli e formarti la tua opinione.

Come raccontavamo il 5 luglio, i benchmark generici non ti dicono se un modello funziona per te: serve un banco di prova con i tuoi casi. Questo test ti dà quattro casi concreti, cinque tentativi per modello, e i link per eseguirli: è il punto di partenza per decidere prima di pagare.