Claude Fable 5 vs Qwen3.8 Max: precios y especificaciones, medidos

Cuál usar y cuándo

Ambos admiten entrada de texto e imagen, devuelven texto y se sitúan cerca de la marca del millón de tokens (1000000 para claude-fable-5 frente a 983616 para qwen3.8-max), por lo que la verdadera diferencia es la lista de precios: claude-fable-5 cuesta 5x más en entrada ($10 vs $2), aproximadamente 8.3x más en salida ($50 vs $6) y 4x más en lecturas de caché ($1 vs $0.25). Elija claude-fable-5 cuando desee su pensamiento siempre activo, que no se puede desactivar y, por lo tanto, factura el razonamiento a esa tarifa de salida de $50; elija qwen3.8-max para trabajo de contexto largo de alto volumen, con una salida máxima ligeramente mayor de 131072 frente a 128000.

Benchmarks

GanaSobre la mediaNinguno mejorClaude Fable 52787 ~~/ 97~~40 ~~/ 97~~Qwen3.8 Max631 ~~/ 40~~8 ~~/ 40~~

35 medidos en ambos, 2 empatados.

Claude Fable 5 Qwen3.8 Max 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%

67.7%

BioMysteryBench hard

46.5%

N/A

AndroidBench

ningún otro modelo puntuó más alto 84.5%

75.1%

Cybergym

83.1%

78.5%

HealthBench Professional

60.9%

N/A

JobBench

ningún otro modelo puntuó más alto 57.4%

53.4%

PLawBench

70.2%

ningún otro modelo puntuó más alto 73.2%

GPQA Diamond

92.6%

Blueprint-Bench 2

38.6%

N/A

Agents' Last Exam

48.7%

27%

CharXiv (RQ) reasoning

ningún otro modelo puntuó más alto 88.9%

N/A

SWE-Bench Pro

ningún otro modelo puntuó más alto 80.3%

67.7%

DeepSWE 1.1

69.7%

56.6%

Terminal-Bench 2.1

88%

86.6%

ProgramBench Almost Solved

33%

10.5%

MLS-Bench-Lite

ningún otro modelo puntuó más alto 49.9%

41%

FrontierSWE

ningún otro modelo puntuó más alto 88.8%

73.5%

QwenQoderBench

ningún otro modelo puntuó más alto 63.1%

58.4%

QwenReactBench 1538-1770

ningún otro modelo puntuó más alto 1770

1724

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

1690

ningún otro modelo puntuó más alto 1713

QwenSWEBench

ningún otro modelo puntuó más alto 86.3%

80.7%

NL2Repo

N/A

55.9%

Terminal-bench 4.0

42%

N/A

Terminal-bench 3.0

33.7%

N/A

SciCode

ningún otro modelo puntuó más alto 60.2%

N/A

FrontierCode 1.1 Main

53.5%

N/A

DeepSWE

70%

N/A

Kimi Code Bench 2.0

ningún otro modelo puntuó más alto 76.9%

N/A

PostTrainBench

ningún otro modelo puntuó más alto 41.4%

N/A

ProgramBench

76.8%

N/A

DSBench-FullStack

ningún otro modelo puntuó más alto 77.2%

N/A

DSBench-Hard

68.3%

N/A

FrontierCode 1.1 Extended

ningún otro modelo puntuó más alto 64.9%

N/A

NL2Repo-Bench

N/A

55.9%

SWE-Marathon

35%

N/A

SWE-Marathon v1.1

33.1%

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

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	Qwen3.8 Max	Δ
Entrada / 1M tokens	$10	$2	5×
Salida / 1M tokens	$50	$6	8.3×
Lectura de caché / 1M tokens	$1	$0.25	4×
Escritura en caché	1.25x (5m) / 2x (1h)	1.25x	-

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 Qwen3.8 Max · $2

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

Capacidades

	Claude Fable 5	Qwen3.8 Max
Uso de herramientas	sí	sí
Control del razonamiento	siempre activo	sí el proveedor no publica cómo ajustarlo
Salida estructurada	sí	sí
Caché de prompts	explícito (tú marcas el prefijo)	implícito + explícito
Duración de la caché	5m default, 1h option	explicit: 5m, reset on hit
Prefijo mínimo en caché	1024 tokens	1024 tokens

Especificaciones

	Claude Fable 5	Qwen3.8 Max
Modalidades de entrada	texto imagen	texto imagen
Modalidades de salida	texto	texto
Lanzamiento	2026-06-09	2026-08-03
Corte de conocimiento	2026-01	-
Ventana de contexto	1M	984K
Salida máxima	128K	131K
Parámetro de razonamiento	output_config.effort (thinking.type is adaptive-only and needs no configuration)	-
Valores aceptados	effort low medium high xhigh max both "enabled" and "disabled" return 400	-
Valor por defecto	thinking always on (adaptive) effort high	-

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 · Qwen3.8 Max

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

Qwen3.8 Max superado · 3 sentences

Enabling reasoning makes the model produce additional hidden steps before responding, and those tokens are billable. It also tends to lengthen each interaction because the model works through more possibilities before settling on an answer. Therefore, the bill doubled mainly due to higher compute and token usage per request, not necessarily because the number of requests doubled.

salida 378 tok (+305 razonamiento) latencia 8.6 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

Qwen3.8 Max 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 bug is that the original code starts `best` and `cur` at `0`, so it counts adjacent equal *transitions* rather than the number of items in the run. A run of length `n` has only `n - 1` equal-neighbor transitions, so single-element inputs return `0`, and runs that reach the end are undercounted by one. Initializing the current run to `1` for the first element, resetting it to `1` on a break, and updating `best` from that count fixes the off-by-one.

salida 1616 tok (+1411 razonamiento) latencia 34.7 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

Qwen3.8 Max superado · 5/5 fields, guidance null

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

salida 1199 tok (+1141 razonamiento) latencia 24.4 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

Qwen3.8 Max superado · 120 words, 0 banned, 1 question

Today, our API gateway adds prompt caching across major model providers. It stores prompts and responses in one fast cache layer. Teams can lower token spend, reduce latency, and repeat reliable answers. The feature supports OpenAI, Anthropic, Google, and Mistral through one configuration. You can set retention rules, scope access, and invalidate entries quickly. How does your team maintain consistent results during provider outages? Approved cached responses keep applications stable while fallback routes recover. The dashboard shows hit rates, savings, latency, and provider usage. Engineers receive audit trails for every cached prompt, enabling safer testing. Product managers can compare cost trends before and after cache adoption. Start with a small route, then safely expand caching to production traffic right now.

salida 2744 tok (+2591 razonamiento) latencia 46.3 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="qwen3.8-max",  # 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: "qwen3.8-max",  // 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": "qwen3.8-max",  # 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: "qwen3.8-max",  // 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("qwen3.8-max")  // 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 Qwen3.8 Max?

Qwen3.8 Max es más barato en Entrada / 1M tokens ($2 frente a $10, una diferencia de 5.0×). 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 Qwen3.8 Max 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 Qwen3.8 Max 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 Qwen3.8 Max Claude Sonnet 5.5 vs Qwen3.8 Max GPT-6 Sol vs Qwen3.8 Max GPT-6 Luna vs Qwen3.8 Max 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