Claude Fable 5.1 vs GPT-6 Luna

Claude Fable 5.1 solo está disponible por invitación. Las cifras de abajo son las tarifas en vivo, pero para llamarlo tu espacio de trabajo necesita antes un permiso: pídenos acceso antes de construir nada a partir de esta comparativa.

vs

Cuál usar y cuándo

Ambos admiten entrada de texto e imagen y devuelven texto, limitan la salida a 128,000 tokens, y ofrecen alrededor de un millón de tokens de contexto (1,000,000 para claude-fable-5-1, 1,050,000 para gpt-6-luna), por lo que la verdadera diferencia está en el precio y el control sobre el thinking. gpt-6-luna cuesta $0.1 de entrada y $0.5 de salida por millón frente a $10 y $50, 100x más barato en ambos tramos, con lecturas de caché a $0.01 frente a $0.25, y su thinking puede desactivarse, lo que se adapta a trabajos de alto volumen o sensibles a la latencia. Elige claude-fable-5-1 cuando quieras el modo de razonamiento siempre activo de Anthropic y estés dispuesto a pagar por él.

Benchmarks

Sobre la mediaNinguno mejorClaude Fable 5.119 / 213 / 21GPT-6 Lunasolo 1 comparables
Claude Fable 5.1 GPT-6 Luna otros modelos medidos media de los modelos comparados ★ ningún otro modelo puntuó más alto
DeepSWE 1.1
67.4%
66.6%
OSWorld 2.0 partial
80.7%
N/A
HealthBench Professional
58.1%
N/A
Terminal-Bench-Science 0.1
52.6%
N/A
GPQA Diamond
93.7%
N/A
AutomationBench
31.4%
N/A
Chartography with tools
88.4%
N/A

Publicado por los proveedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

Precios

Claude Fable 5.1 GPT-6 Luna Δ
Entrada / 1M tokens $10 $0.1 100×
Salida / 1M tokens $50 $0.5 100×
Lectura de caché / 1M tokens $0.25 $0.01 25×
Escritura en caché 1.25x (5m) / 2x (1h) 1.25x (30m) / 2.5x (12h) -

Tarifas tomadas del catálogo en vivo al generar el sitio; la página de cada modelo tiene la ficha de precios actualizada.

Dónde queda cada uno: precio de entrada por 1M de tokens entre los 83 modelos de chat que se facturan en esta unidad (escala logarítmica)

Claude Fable 5.1 · $10 GPT-6 Luna · $0.1
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacidades

Claude Fable 5.1 GPT-6 Luna
Uso de herramientas sí sí
Control del razonamiento siempre activo configurable
Salida estructurada sí sí
Caché de prompts explícito (tú marcas el prefijo) implícito + explícito
Duración de la caché 5m default, 1h option at least 30m by default, 12h option on the Responses API
Prefijo mínimo en caché 1,024 tokens 1,024 tokens

Especificaciones

Claude Fable 5.1 GPT-6 Luna
Modalidades de entrada texto imagen texto imagen
Modalidades de salida texto texto
Lanzamiento 2026-09-01 2026-09-22
Corte de conocimiento 2026-06 2026-05
Ventana de contexto 1M 1.1M
Salida máxima 128K 128K
Parámetro de razonamiento output_config.effort (thinking is adaptive-only and always on) reasoning.effort
Valores aceptados
effort
  • low
  • medium
  • high
  • xhigh
  • max
reasoning.effort
  • none
  • low
  • medium
  • high
  • xhigh
  • max
Valor por defecto

thinking always on (adaptive)

effort
  • high
medium

Las especificaciones se transcriben de la documentación de cada proveedor; si un proveedor no publica un dato, la fila se omite en vez de deducirlo. Fuentes completas: Claude Fable 5.1 · GPT-6 Luna

Un mismo prompt en los dos modelos, medido a través de la pasarela

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. COMPROBACIÓN exactamente 3 frases

Claude Fable 5.1 superado · 3 sentences

When we enabled reasoning, the model started generating a long chain of internal "thinking" tokens before producing each answer, and we're billed for those tokens at the same output rate even though users never see them. In practice, that hidden reasoning often runs several times longer than the visible response, so the total tokens per request roughly doubled while the number of requests stayed flat. The upside is measurably better accuracy on complex tasks, so the right conversation is whether that quality gain justifies the cost—and if not, we can restrict reasoning to the workflows that actually need it rather than turning it on globally.

salida 186 tok latencia 3.2 s

GPT-6 Luna superado · 3 sentences

Enabling reasoning typically makes the model process more information and generate more internal tokens before producing its answer. Because usage is billed by tokens—and reasoning may also route requests to a more expensive model—the cost per request can rise sharply. If request volume stayed similar, that higher cost per request could explain why the bill doubled.

salida 117 tok (+48 razonamiento) latencia 3.4 s

Cumplimiento de la instrucción (exactamente tres frases, se pueden contar), adaptación al público (registro de CFO) y la diferencia de facturación por razonamiento oculto que dejan ver los contadores de tokens de abajo.

PROMPT This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. COMPROBACIÓN la corrección pasa las pruebas

Claude Fable 5.1 superado · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): cur = cur + 1 if xs[i] == xs[i - 1] else 1 best = max(best, cur) return best ``` The bug is that `cur` counts *matches between adjacent elements* rather than *elements in the run*: it starts at 0 and only increments when `xs[i] == xs[i-1]`, so a run of length k produces a count of k−1. That's why a single element returns 0 instead of 1, and why every other run also comes out one short — the "misses runs at the end" reports are the same off-by-one seen on inputs like `[1, 2, 2]`, where the trailing run of length 2 is reported as 1 (the original code does update `best` inside the loop, so end-of-list runs aren't actually skipped, just undercounted). […]

salida 882 tok (+507 razonamiento) latencia 3.4 s

GPT-6 Luna superado · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` The original code counted matching *adjacent pairs* rather than items, so a run of length `n` was reported as `n - 1`, and a single-item input returned `0`. This version counts the current item as part of each run and updates `best` at every index, including the last; it returns `0` for an empty input.

salida 514 tok (+356 razonamiento) latencia 6.9 s

Si la corrección funciona de verdad (se puede ejecutar), lo densa que es la explicación y la eficiencia en tokens en una tarea acotada.

PROMPT Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. COMPROBACIÓN JSON válido, esquema exacto

Claude Fable 5.1 superado · 5/5 fields, guidance null

```json { "company": "Meridian Robotics", "quarter": "Q3 (September quarter)", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null } ``` Notes on judgment calls (not part of the object): - **revenue_usd_m**: The text says "412 for the topline" but never states the currency or that the figure is in millions; it's also on a constant-currency basis and prefaced with "call it," so it's approximate. If you want strict literalism, this should be `null`. - **growth_pct**: "Eleven and change" means slightly above 11%; the exact figure isn't given. - **quarter**: "September quarter" is Q3 on a calendar basis, consistent with the reference to a pending Q4 close. - **guidance**: Explicitly withheld, so `null`.

salida 633 tok (+349 razonamiento) latencia 3.8 s

GPT-6 Luna superado · 5/5 fields, guidance "Withheld pending the Q4 close"

{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":null,"guidance":"Withheld pending the Q4 close"}

salida 161 tok (+119 razonamiento) latencia 21.7 s

Respeto del esquema (sin campos inventados), tentación de alucinar (la guidance se omite a propósito) y diferencias entre las vías de salida estructurada.

PROMPT Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. COMPROBACIÓN 120 palabras, 0 palabras prohibidas

Claude Fable 5.1 superado · 121 words, 0 banned, 1 question

**Introducing Cross-Provider Prompt Caching for the Gateway.** Starting today, your API gateway can cache prompts once and reuse them across OpenAI, Anthropic, Google, and any other provider you route to. Long system instructions, retrieval context, and few-shot examples are stored at the gateway layer, so switching models no longer means paying to resend the same tokens. Why send the same 8,000-token preamble to three different vendors when you could send it once? Our cache normalizes prompt segments, fingerprints them, and serves matching prefixes from memory before the request ever reaches an upstream API. Early customers report token costs falling by 30 to 60 percent on high-volume workloads, with median latency dropping alongside. Available today on all Team and Enterprise plans.

salida 1722 tok (+1463 razonamiento) latencia 2.9 s

GPT-6 Luna superado · 120 words, 0 banned, 1 question

Introducing Prompt Cache, a new API gateway feature that recognizes repeat prompt prefixes and reuses provider-side cached context across supported models. Teams can route requests to different AI providers while preserving eligible cache hits, reducing redundant input processing and helping lower latency and token costs. Configure cache policies in one place, monitor hit rates by provider, and keep existing client integrations unchanged. The gateway applies provider-specific rules automatically, so developers do not need to build separate caching logic for each endpoint. Which workflows could benefit from faster responses and predictable spend? Prompt Cache is available today in preview for eligible accounts, with usage details, supported providers, and setup guidance in the dashboard. Start with one route, compare results, then expand.

salida 959 tok (+813 razonamiento) latencia 14.6 s

Respeto de las restricciones (límite de palabras, lista de palabras prohibidas, una única pregunta), sello de estilo y control de la longitud.

Cambia de uno a otro con una sola línea

Los dos ids aparecen en todas las pestañas de abajo; lo único que cambia es el par de líneas resaltadas. El endpoint, la clave y la estructura de la solicitud son los mismos.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="claude-fable-5-1",
    # model="gpt-6-luna",  # descomenta esta línea, comenta la de arriba
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtén tu clave API →

Preguntas frecuentes

¿Cuál es más barato, Claude Fable 5.1 o GPT-6 Luna?

GPT-6 Luna es más barato en Entrada / 1M tokens ($0.1 frente a $10, una diferencia de 100×). En otras filas puede ser al revés: la tabla de arriba recoge todas las tarifas, y el coste real depende de tu combinación de uso.

¿Puedo hacer pruebas A/B de Claude Fable 5.1 frente a GPT-6 Luna sin dos integraciones?

Sí. Los dos se sirven desde el mismo endpoint compatible con OpenAI y con una sola clave API. Para cambiar de uno a otro basta con tocar una línea, el nombre del modelo, así que puedes mandar una parte del tráfico a cada uno y comparar directamente las facturas.

¿Admiten Claude Fable 5.1 y GPT-6 Luna caché de prompts?

Sí. Los dos cobran las lecturas de caché por debajo de su tarifa de entrada, así que las cargas de trabajo que reutilizan un prefijo ya cacheado cuestan menos de lo que sugieren los precios de lista. Las tarifas exactas de lectura de caché están en la tabla de precios de arriba.

Comparativas relacionadas

De nuestros estudios con mediciones