Claude Fable 5 vs GLM-5.2: precios y especificaciones, medidos

Cuál usar y cuándo

Ambos modelos tienen una ventana de contexto de 1,000,000 tokens y una salida máxima similar (128000 en claude-fable-5, 131072 en glm-5.2), así que la diferencia está en las entradas y el coste: claude-fable-5 acepta imagen junto al texto y siempre corre con el pensamiento activado, mientras que glm-5.2 es solo texto y permite desactivarlo. En la tarifa, glm-5.2 es unas 7.1x más barato en entrada ($1.4 vs $10), unas 11x más barato en salida ($4.4 vs $50) y casi 3.8x más barato en lecturas de caché ($0.26 vs $1). Elige claude-fable-5 cuando necesites entrada de imagen o razonamiento forzado; elige glm-5.2 para trabajo de texto de alto volumen y contexto largo.

Benchmarks

GanaSobre la mediaNinguno mejorClaude Fable 54187 ~~/ 97~~40 ~~/ 97~~GLM-5.2125 ~~/ 80~~1 ~~/ 80~~

43 medidos en ambos, 1 empatados.

Claude Fable 5 GLM-5.2 otros modelos medidos media de los modelos comparados ★ ningún otro modelo puntuó más alto

SWE-Bench Pro

ningún otro modelo puntuó más alto 80.3%

62.1%

BioMysteryBench hard

46.5%

N/A

OSWorld-Verified

ningún otro modelo puntuó más alto 85%

N/A

Cybergym

83.1%

77.2%

HealthBench Professional

60.9%

N/A

Finance Agent v2

56.3%

49.7%

Harvey Lab-AA

93.6%

91%

GPQA Diamond

92.6%

91.2%

Blueprint-Bench 2

38.6%

N/A

Agents' Last Exam

48.7%

23.8%

CharXiv (RQ) reasoning

ningún otro modelo puntuó más alto 88.9%

N/A

SWE-Bench Pro

ningún otro modelo puntuó más alto 80.3%

62.1%

DeepSWE 1.1

69.7%

46.2%

Terminal-Bench 2.1

88%

81%

Terminal-bench 3.0

33.7%

4.6%

SciCode

ningún otro modelo puntuó más alto 60.2%

50.5%

DeepSWE

70%

46.2%

ProgramBench Almost Solved

33%

9.5%

MLS-Bench-Lite

ningún otro modelo puntuó más alto 49.9%

40.4%

FrontierSWE

ningún otro modelo puntuó más alto 88.8%

67.3%

Kimi Code Bench 2.0

ningún otro modelo puntuó más alto 76.9%

64.2%

PostTrainBench

ningún otro modelo puntuó más alto 41.4%

31.7%

ProgramBench

76.8%

63.7%

DSBench-FullStack

ningún otro modelo puntuó más alto 77.2%

61.8%

DSBench-Hard

68.3%

54.5%

SWE-Marathon

35%

13%

SWE-Marathon v1.1

33.1%

19.4%

FrontierSWE Dominance

ningún otro modelo puntuó más alto 88.2%

67.5%

NL2Repo

N/A

48.9%

SWE-bench Multilingual

N/A

83%

Terminal-bench 4.0

42%

N/A

SWE-bench Verified

N/A

84.2%

FrontierCode 1.1 Main

53.5%

N/A

Terminal-Bench 2.1 Terminus 2

N/A

81%

FrontierCode 1.1 Extended

ningún otro modelo puntuó más alto 64.9%

N/A

Hy-Backend 2.0

N/A

30.4%

Hy-CompanyBench

N/A

55%

Hy-SWE Max

N/A

63.1%

CursorBench 3.2.0

70.5%

N/A

Frontier-Bench v0.1

33.7%

N/A

Internal Database Migration Tasks

50.3%

N/A

QwenQoderBench

ningún otro modelo puntuó más alto 63.1%

N/A

QwenReactBench 1538-1770

ningún otro modelo puntuó más alto 1770

N/A

QwenSVGBench 1499-1713 según Alibaba (Qwen) · 2026-08-25

1690

N/A

QwenSWEBench

ningún otro modelo puntuó más alto 86.3%

N/A

FrontierCode (Diamond) xhigh

29.3%

N/A

Terminal-Bench 2.1 Best

N/A

82.7%

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

Precios

	Claude Fable 5	GLM-5.2	Δ
Entrada / 1M tokens	$10	$1.4	7.1×
Salida / 1M tokens	$50	$4.4	11×
Lectura de caché / 1M tokens	$1	$0.26	3.8×
Escritura en caché	1.25x (5m) / 2x (1h)	-	-

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 76 modelos de chat que se facturan en esta unidad (escala logarítmica)

Claude Fable 5 · $10 GLM-5.2 · $1.4

$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacidades

	Claude Fable 5	GLM-5.2
Uso de herramientas	sí	sí
Control del razonamiento	siempre activo	configurable
Salida estructurada	sí	sí
Caché de prompts	explícito (tú marcas el prefijo)	implícito (automático)
Duración de la caché	5m default, 1h option	no publicado
Prefijo mínimo en caché	1024 tokens	no publicado

Especificaciones

	Claude Fable 5	GLM-5.2
Modalidades de entrada	texto imagen	texto
Modalidades de salida	texto	texto
Lanzamiento	2026-06-09	2026-06-16
Corte de conocimiento	2026-01	-
Ventana de contexto	1M	1M
Salida máxima	128K	131K
Parámetro de razonamiento	output_config.effort (thinking.type is adaptive-only and needs no configuration)	thinking.type reasoning_effort
Valores aceptados	effort low medium high xhigh max both "enabled" and "disabled" return 400	thinking.type enabled disabled reasoning_effort none minimal low medium high xhigh max (none and minimal skip thinking, low and medium map to high, xhigh maps to max)
Valor por defecto	thinking always on (adaptive) effort high	enabled, with reasoning_effort at max: the only GLM with an effort dial, and it defaults to the top of it

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 · GLM-5.2

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

Razonamiento para un CFO Corregir una función con errores Extraer a un esquema Escribir con restricciones

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 superado · 3 sentences

When we enabled reasoning, the model began generating extensive internal "thinking" tokens before each answer, and those tokens are billed as output even though users never see them. Output tokens typically cost several times more than input tokens, so adding thousands of hidden reasoning tokens per request effectively multiplied our per-query cost. In short, we're paying for a much longer response behind the scenes in exchange for higher answer quality, and we can manage this by tuning reasoning effort levels or reserving reasoning mode for complex tasks only.

salida 228 tok latencia 6.7 s

GLM-5.2 superado · 3 sentences

Enabling reasoning means the LLM now generates thousands of invisible "thinking" tokens to systematically work through complex problems before producing a final answer. Because our cloud providers bill for these internal processing steps at the same rate as standard output, our billable token volume per query has doubled. While this increases our direct API costs, it drastically reduces error rates and manual review labor, ultimately lowering our total cost per resolved transaction.

salida 1223 tok (+1138 razonamiento) latencia 17.1 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 superado · 8/8 cases

## Fixed code ```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 ``` ## Explanation The original function counts **adjacent equal pairs** rather than **items in a run**: a run of length *n* contains only *n − 1* equal neighbor pairs, so every result is off by one — a single-element list yields 0 instead of 1, and `[1, 2, 2]` yields 1 instead of 2 (which callers perceive as "missing" the run at the end). The fix is to initialize both `cur` and `best` to 1 (any nonempty list has a run of at least length 1), reset `cur` to 1 rather than 0 when

salida 531 tok latencia 12.5 s

GLM-5.2 no superado · 1/8 cases (fails [1])

```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 […]

salida 4097 tok (+4036 razonamiento) latencia 58.4 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 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 interpretation: "up eleven and change" is rendered as 11 (the precise figure isn't stated), and guidance is null because it was explicitly withheld.

salida 192 tok latencia 6.5 s

GLM-5.2 superado · 5/5 fields, guidance "withheld"

```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "withheld" } ```

salida 1947 tok (+1893 razonamiento) latencia 30.9 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 superado · 120 words, 0 banned, 1 question

**Introducing Cross-Provider Prompt Caching for our API Gateway** Starting today, your repeated prompts are cached once and reused across OpenAI, Anthropic, Google, and any other provider you route through the gateway. Instead of paying full token costs every time your application sends the same system prompt or context block, the gateway detects matching prefixes and serves cached results in milliseconds. Why keep spending money and latency on identical requests? Early adopters report cost reductions of up to 60 percent on high-volume workloads, along with faster median response times. Configuration is simple: enable caching in your dashboard, set a TTL, and choose which routes participate. Cache entries are encrypted at rest and never shared between accounts. Available now on all plans.

salida 1173 tok latencia 18.2 s

GLM-5.2 superado · 120 words, 0 banned, 1 question

We are introducing Caching for our API Gateway, the smartest way to optimize your workflows. Why pay for the exact same response twice? Now, you can automatically store and reuse prompt results across multiple AI providers, drastically reducing latency and overall operational costs. If a user submits a duplicate query, the gateway serves the cached answer instantly, regardless of whether you route to OpenAI, Anthropic, or others. This directly translates to faster applications and significantly lower monthly API bills. You can easily configure your specific caching rules within the developer dashboard and watch your efficiency soar. Stop wasting your valuable tokens on completely redundant computations. Upgrade to the latest gateway version today and experience the future of intelligent prompt management.

salida 11125 tok (+10984 razonamiento) latencia 114.8 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",
    # model="glm-5.2",  # descomenta esta línea, comenta la de arriba
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://synthorai.io/v1",
  apiKey: "sk-syn-...",
});

const resp = await client.chat.completions.create({
  model: "claude-fable-5",
  // model: "glm-5.2",  // descomenta esta línea, comenta la de arriba
  messages: [{ role: "user", content: "Summarize this diff" }],
  reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);

curl https://synthorai.io/v1/chat/completions \
  -H "Authorization: Bearer sk-syn-..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-fable-5",
    # "model": "glm-5.2",  # descomenta esta línea, comenta la de arriba
    "messages": [{"role": "user", "content": "Hello"}],
    "reasoning_effort": "medium"
  }'

package main

import (
	"context"
	"fmt"

	"github.com/openai/openai-go/v3"
	"github.com/openai/openai-go/v3/option"
)

func main() {
	client := openai.NewClient(
		option.WithBaseURL("https://synthorai.io/v1"),
		option.WithAPIKey("sk-syn-..."),
	)
	resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
		Model: "claude-fable-5",
		// Model: "glm-5.2",  // descomenta esta línea, comenta la de arriba
		Messages: []openai.ChatCompletionMessageParamUnion{
			openai.UserMessage("Summarize this diff"),
		},
		ReasoningEffort: openai.ReasoningEffortMedium,
	})
	fmt.Println(resp.Choices[0].Message.Content)
}

import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;

OpenAIClient client = OpenAIOkHttpClient.builder()
    .baseUrl("https://synthorai.io/v1")
    .apiKey("sk-syn-...")
    .build();

ChatCompletion resp = client.chat().completions().create(
    ChatCompletionCreateParams.builder()
        .model("claude-fable-5")
        // .model("glm-5.2")  // descomenta esta línea, comenta la de arriba
        .addUserMessage("Summarize this diff")
        .reasoningEffort(ReasoningEffort.MEDIUM)
        .build());
System.out.println(resp.choices().get(0).message().content().orElse(""));

Obtén tu clave API →

Preguntas frecuentes

¿Cuál es más barato, Claude Fable 5 o GLM-5.2?

GLM-5.2 es más barato en Entrada / 1M tokens ($1.4 frente a $10, una diferencia de 7.1×). 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 frente a GLM-5.2 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 y GLM-5.2 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

GLM-5.2 vs GLM-5.3-Flash GLM-5.2 vs GLM-5.3 Claude Fable 5 vs Claude Fable 5.1 Dola Seed 2.0 Lite vs GLM-5.2 Compara dos modelos cualesquiera →

De nuestros estudios con mediciones

GPT-6.1 Sol vs Claude Sonnet 5.5: mismo $2/$10, mitad por tarea Coste de GLM 5.3: siempre razona, 2.5x menos que 5.2 GPT-6 Astra: max cuesta 2.3x más que low con igual resultado