Claude Fable 5 vs Kimi K3: precios y especificaciones, medidos

Cuál usar y cuándo

kimi-k3 es más barato que claude-fable-5 por un factor de aproximadamente 3.3x en toda la lista de precios ($3 vs $10 por millón en entrada, $15 vs $50 en salida, $0.3 vs $1 en lecturas cacheadas), y también acepta entrada de video y puede emitir hasta 1,048,576 tokens de salida dentro de su ventana de 1,048,576 tokens. claude-fable-5 ofrece un contexto de 1,000,000 tokens pero limita la salida a 128,000 tokens, e incluye una capacidad de pensamiento explícita además de un corte de conocimiento de enero de 2026. Elija kimi-k3 para entrada de video y generaciones muy largas a menor costo; elija claude-fable-5 cuando esa capacidad de pensamiento y la actualidad mencionada importen más que el precio.

Benchmarks

GanaSobre la mediaNinguno mejorClaude Fable 54087 ~~/ 97~~40 ~~/ 97~~Kimi K31752 ~~/ 67~~12 ~~/ 67~~

58 medidos en ambos, 1 empatados.

Claude Fable 5 Kimi K3 otros modelos medidos media de los modelos comparados ★ ningún otro modelo puntuó más alto

DeepSWE 1.1

69.7%

67.5%

BioMysteryBench hard

46.5%

N/A

OSWorld-Verified

ningún otro modelo puntuó más alto 85%

84.8%

Cybergym

83.1%

80%

HealthBench Professional

60.9%

N/A

Finance Agent v2

56.3%

54.4%

Harvey Lab-AA

93.6%

ningún otro modelo puntuó más alto 94.6%

GPQA Diamond

92.6%

93.5%

Blueprint-Bench 2

38.6%

N/A

BrowseComp

87.4%

91.2%

CharXiv (RQ) reasoning

ningún otro modelo puntuó más alto 88.9%

84.8%

DeepSWE 1.1

69.7%

67.5%

Terminal-Bench 2.1

88%

88.3%

Terminal-bench 4.0

42%

12.6%

Terminal-bench 3.0

33.7%

17.7%

SciCode

ningún otro modelo puntuó más alto 60.2%

58.7%

DeepSWE

70%

67.5%

ProgramBench Almost Solved

33%

17.5%

MLS-Bench-Lite

ningún otro modelo puntuó más alto 49.9%

48.3%

FrontierSWE

ningún otro modelo puntuó más alto 88.8%

81.2%

Kimi Code Bench 2.0

ningún otro modelo puntuó más alto 76.9%

72.9%

PostTrainBench

ningún otro modelo puntuó más alto 41.4%

36.6%

ProgramBench

76.8%

ningún otro modelo puntuó más alto 77.8%

DSBench-FullStack

ningún otro modelo puntuó más alto 77.2%

73.7%

DSBench-Hard

68.3%

63%

SWE-Marathon

35%

ningún otro modelo puntuó más alto 42%

SWE-Marathon v1.1

33.1%

48.1%

SWE-Bench Pro

ningún otro modelo puntuó más alto 80.3%

N/A

NL2Repo

N/A

58%

FrontierCode 1.1 Main

53.5%

N/A

FrontierCode 1.1 Extended

ningún otro modelo puntuó más alto 64.9%

N/A

FrontierSWE Dominance

ningún otro modelo puntuó más alto 88.2%

N/A

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

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

Precios

	Claude Fable 5	Kimi K3	Δ
Entrada / 1M tokens	$10	$3	3.3×
Salida / 1M tokens	$50	$15	3.3×
Lectura de caché / 1M tokens	$1	$0.3	3.3×
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 Kimi K3 · $3

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

Capacidades

	Claude Fable 5	Kimi K3
Uso de herramientas	sí	sí
Control del razonamiento	siempre activo	siempre activo
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	Kimi K3
Modalidades de entrada	texto imagen	texto imagen vídeo
Modalidades de salida	texto	texto
Lanzamiento	2026-06-09	2026-07-16
Corte de conocimiento	2026-01	-
Ventana de contexto	1M	1M
Salida máxima	128K	1M
Parámetro de razonamiento	output_config.effort (thinking.type is adaptive-only and needs no configuration)	reasoning_effort (top-level; the thinking object is not accepted)
Valores aceptados	effort low medium high xhigh max both "enabled" and "disabled" return 400	reasoning_effort low high max
Valor por defecto	thinking always on (adaptive) effort high	max

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 · Kimi K3

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

Kimi K3 superado · 3 sentences

Reasoning models don't just answer questions—they "think" first, generating long internal chains of step-by-step logic before producing a response. Those hidden thinking steps are billed as output tokens (the most expensive kind, typically 3–5x the price of input tokens), and a single query can generate thousands of them even when the visible answer is only a paragraph long. So you're paying for dramatically more compute per request: the bill doubled because the model does far more work behind the scenes, not because usage increased.

salida 755 tok (+637 razonamiento) latencia 20.8 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

Kimi K3 superado · 8/8 cases

```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 best = max(best, cur) else: cur = 1 return best ``` The bug is a fencepost error: `cur` counts *matching adjacent pairs* rather than *items in the run*, because it starts at 0 and only increments when `xs[i] == xs[i - 1]`. A run of length L contains L−1 equal pairs, so every run was undercounted by exactly one. For a single-element list (a run of length 1) the loop never runs and the function returns 0 instead of 1; likewise any run ending at the last index — e.g. the two `2`s in `[1, 2, 2]` — reported 1 instead of 2, making it look like no run existed at all. […]

salida 1837 tok (+1547 razonamiento) latencia 47.2 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

Kimi K3 superado · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }

salida 924 tok (+863 razonamiento) latencia 25.9 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

Kimi K3 superado · 120 words, 0 banned, 1 question

Meet Prompt Cache, a new API gateway capability that stores prompt responses and serves them across OpenAI, Anthropic, Google, and Azure endpoints. It matches requests by model, prompt hash, tools, temperature, and tenant policy, so repeated work returns fast while sensitive contexts stay isolated. Teams set TTLs, stale rules, encryption scopes, and bypass flags per route. Analytics show hit rate, latency saved, token spend avoided, and drift risk by provider. What changes for developers? Keep one integration, add cache headers, and watch fallback logic respect consent, residency, and audit needs. During rollout, canary keys compare fresh answers with cached copies before promotion. Prompt Cache cuts vendor calls, steadies p95 latency, and gives platform owners controls for cost, quality, and compliance.

salida 1527 tok (+1354 razonamiento) latencia 37.9 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="kimi-k3",  # 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: "kimi-k3",  // 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": "kimi-k3",  # 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: "kimi-k3",  // 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("kimi-k3")  // 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 Kimi K3?

Kimi K3 es más barato en Entrada / 1M tokens ($3 frente a $10, una diferencia de 3.3×). 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 Kimi K3 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 Kimi K3 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

GPT-6.1 Sol vs Kimi K3 Claude Sonnet 5.5 vs Kimi K3 GPT-6 Sol vs Kimi K3 GPT-6 Luna vs Kimi K3 Compara dos modelos cualesquiera →

De nuestros estudios con mediciones

GPT-6.1 Sol vs Claude Sonnet 5.5: mismo $2/$10, mitad por tarea Sobrerrechazo medido: el problema es el benchmark, no el modelo GPT-6 Astra: max cuesta 2.3x más que low con igual resultado