Reseña de Claude Fable 5.2: primero en el índice, último en costo

Claude Fable 5.2 ocupa el primer puesto en el Artificial Analysis Intelligence Index v5.0.1 con 65, y también es el modelo más caro de ejecutar de esa tabla: 26,54 $ de gasto en proveedores para completar una pasada del índice, frente a 5,48 $ del modelo que le sigue directamente. Por lo tanto, una reseña del mismo no es una cuestión de si es bueno — es el modelo de lanzamiento amplio con mejor puntuación disponible, y la Claude Fable 5.2 APIpágina indica 8,00 $ por millón de tokens de entrada y 40,00 $ por millón de salida. La cuestión es por qué estás pagando y si tu carga de trabajo puede aprovecharlo.

Qué es

El sucesor de Fable 5.1 por Anthropic, diseñado para razonamiento exigente y trabajo agéntico de horizonte largo. Una ventana de contexto de 1 M de tokens en la que el máximo es el valor predeterminado, hasta 128 K tokens de salida por respuesta, entrada de texto, imágenes y documentos con salida de texto, uso nativo de herramientas y JSON estructurado. El pensamiento siempre está activado y es adaptativo, con un control de esfuerzo de bajo a máximo, y la cadena de pensamiento sin procesar nunca se devuelve: obtienes un resumen o un campo de pensamiento vacío.

Ese último detalle es el que debe guiar el diseño. No se puede auditar el razonamiento; solo se puede auditar la respuesta y el resumen. En flujos de trabajo regulados, eso importa más que la puntuación del índice, y también es la razón por la que vale la pena establecer el nivel de esfuerzo de forma deliberada en lugar de dejarlo en el valor predeterminado.

La puntuación

65 en v5.0.1, puesto 1 de 78. Las nueve evaluaciones son AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 Hard Subset y Terminal-Bench-Science 0.1 —una mezcla de agentes y ciencia dura en lugar de una mezcla de tablas de clasificación de programación—. La diferencia de cinco puntos respecto a Gemini 4 Carbon es toda la ventaja en lo más alto de la tabla.

La salvaguarda de versión no es una formalidad. Las puntuaciones de v4.3 y v4.3.2 pertenecen a un conjunto de evaluación diferente y no se pueden tabular contra v5.0.1. Si ves Fable 5.2 clasificado junto a una puntuación de v4.3, la comparación no es válida por muy respetable que sea la fuente.

Lo que cuesta en tiempo lo más alto de la tabla

267 segundos hasta el primer token, puesto 76 de 77 modelos con datos de latencia: el segundo más lento de la tabla. 46,8 minutos de reloj por tarea en las nueve evaluaciones, 1,6 veces lo que tarda Carbon. La velocidad de salida, una vez que empieza a escribir, es de 97 tokens por segundo, un 35 por ciento más rápida que los 72 de Carbon e irrelevante para el total, porque el tiempo se consume pensando.

En comparación con el tráfico en vivo a través de OrcaRouter, el panorama vuelve a cambiar: p50 de 8,09 segundos hasta el primer token, p95 de 10,00 segundos, 101 tokens por segundo, en 35,6 millones de tokens servidos en siete días. AA mide un arnés de pruebas con el máximo esfuerzo; la pasarela mide la solicitud real mediana. Ambas cifras son honestas y ninguna por sí sola te dice lo que experimentará un usuario.

Cuánto cuesta en dinero

$26,54 para ejecutar el índice — puesto 77 de 77, el modelo más caro del tablero, y 4,8 veces los $5,48 de Gemini 4 Carbon. Con $8,00 de entrada y $40,00 de salida, la tarifa combinada es aproximadamente cinco veces la de Carbon. AA también informa 275 millones de tokens de salida para su ejecución frente a una cifra de verbosidad del 0,97 por ciento; el recuento de tokens es la cifra que importa, y es superior a los 205 millones de Carbon a pesar del porcentaje mucho menor, por lo que las dos estadísticas no pueden leerse como un par.

El almacenamiento en caché cambia la aritmética para producción, pero no para la prueba de referencia. Las lecturas de caché se facturan a $0,200 por millón y las escrituras a $10,00, así que un prefijo de 40.000 tokens cuesta $0,40 escribirlo una vez y $0,008 por cada lectura posterior, frente a $0,32 por una pasada sin caché. Un prompt que envías veinte veces por minuto resulta barato; un documento de un solo uso, no. La comparación de precios de las API de LLM sitúa esa aritmética de caché junto al resto del catálogo, donde la diferencia entre este modelo y el nivel económico es de aproximadamente cinco a uno en la salida.

Fiabilidad

En la misma ventana de siete días, la tasa de error fue del 10,8 por ciento de las solicitudes que devolvieron códigos no 2xx en todos los proveedores upstream — aproximadamente una de cada nueve. Eso es mucho mejor que el 39,7 por ciento de Gemini 4 Carbon en el mismo periodo, y aun así no es cero. Cualquier ruta de producción necesita una política de reintentos y, si la llamada está orientada al usuario, un modelo de respaldo; la Gemini 4 Carbon API es un nivel económico sensato para las llamadas que fallan dos veces y pueden tolerar una respuesta más débil.

Dónde gana el dinero

Tres patrones lo justifican. Agentes de horizonte largo en los que un solo paso en falso invalida veinte minutos de trabajo, y el coste de una respuesta errónea empequeñece los 40 $ por millón de tokens. Trabajo profundo de código sobre un repositorio que el modelo puede mantener en una ventana de 1M. Y tareas analíticas difíciles en las que la alternativa era un conjunto de tres modelos reconciliado a mano. En cada caso estás comprando los cinco puntos de índice y, más importante aún, la reducción de la varianza.

Dos patrones no lo hacen. La clasificación o extracción de gran volumen con bajo esfuerzo es un caso en el que un modelo más barato con una salida estructurada hace el trabajo, y los productos interactivos en los que el usuario espera el primer token son un caso en el que 267 segundos con el esfuerzo máximo son descalificadores independientemente de la calidad. Configura el esfuerzo por ruta y el modelo se vuelve usable en ambos casos; déjalo global y será derrochador o inutilizable.

Para las comparaciones directas, Claude Fable 5.2 vs Claude Opus 5.5 lo empareja con la opción más económica de Anthropic, y Claude Fable 5.2 vs Claude Fable 5.1 abarca la generación a la que reemplaza —que es un 20 % más cara tanto en la entrada como en la salida, lo que hace que la actualización sea tanto una reducción de precio como una mejora de puntuación.

Veredicto

Primero en el índice, último en coste, segundo más lento hasta el primer token y el modelo más capaz de entre los lanzados ampliamente que puedes invocar hoy. Merece la pena pagar por él para trabajos en los que una respuesta incorrecta sale cara y la llamada puede ser asíncrona, y es la opción predeterminada equivocada para todo lo demás. La disciplina operativa que exige el modelo —niveles de esfuerzo por ruta, un presupuesto de reintentos, un respaldo para el uno de cada nueve fallos— es el precio de entrada, y no aparece en la tabla de precios.