Nouveau Inscription gratuite, 10 appels offerts. Jusqu'à 1 $, sans carte.

Claude Fable 5 vs DeepSeek V4 Flash (0731)

Claude Fable 5 a été retiré de notre catalogue. Les chiffres ci-dessous sont ses derniers tarifs publiés. Nous ne servons plus les appels vers ce modèle, alors que l'autre modèle de ce comparatif reste disponible.

vs

Lequel choisir, et quand

Les deux modèles partagent une fenêtre de contexte de 1000000 tokens, la différence se fait donc sur le prix, la modalité et la longueur de sortie : claude-fable-5 accepte les entrées texte et image et s'exécute toujours avec la réflexion activée (elle ne peut pas être désactivée), tandis que deepseek-v4-flash-0731 est uniquement texte mais autorise jusqu'à 393216 tokens de sortie contre 128000 pour Fable. Sur la grille tarifaire, claude-fable-5 coûte environ 23 fois plus cher par million de tokens d'entrée ($10 vs $0.44) et environ 38 fois plus cher en sortie ($50 vs $1.32). Choisissez claude-fable-5 lorsque vous avez besoin d'une entrée image ou de sa passe de raisonnement intégrée ; choisissez deepseek-v4-flash-0731 pour des générations de texte longues et économiques.

Benchmarks

En têteAu-dessus de la moyenneNon dépasséClaude Fable 51986 / 9740 / 97DeepSeek V4 Flash (0731)110 / 280 / 28

20 mesurés sur les deux.

Claude Fable 5 DeepSeek V4 Flash (0731) autres modèles mesurés moyenne des modèles comparés ★ aucun autre modèle n'a fait mieux
SWE-Bench Pro
aucun autre modèle n'a fait mieux 80.3%
56%
BioMysteryBench hard
46.5%
N/A
OSWorld-Verified
aucun autre modèle n'a fait mieux 85%
N/A
Cybergym
83.1%
76.7%
HealthBench Professional
60.9%
N/A
JobBench
aucun autre modèle n'a fait mieux 57.4%
41.3%
Harvey Lab-AA
93.6%
N/A
GPQA Diamond
92.6%
89.9%
Blueprint-Bench 2
38.6%
N/A
Agents' Last Exam
48.7%
25.2%
CharXiv (RQ) reasoning
aucun autre modèle n'a fait mieux 88.9%
N/A

Chiffres publiés par les fournisseurs : Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

Tarifs

Claude Fable 5 DeepSeek V4 Flash (0731) Δ
Entrée / 1M de tokens $10 $0.44 23×
Sortie / 1M de tokens $50 $1.32 38×
Lecture de cache / 1M de tokens $1 $0.044 23×
Écriture de cache 1.25x (5m) / 2x (1h) pas de frais distincts -

Tarifs relevés dans le catalogue en direct à la génération du site ; la page de chaque modèle affiche la grille tarifaire à jour.

Leur position : prix en entrée pour 1M de tokens, parmi les 76 modèles de chat facturés dans cette unité (échelle logarithmique)

Capacités

Claude Fable 5 DeepSeek V4 Flash (0731)
Appel d'outils oui oui
Contrôle de la réflexion toujours activé oui, réglage du fournisseur non publié
Sortie structurée oui oui
Mise en cache des prompts explicite (vous indiquez le préfixe) implicite (automatique)
Durée de vie du cache 5m default, 1h option no fixed TTL (evicted when unused)
Préfixe minimal mis en cache 1024 tokens non publié

Spécifications

Claude Fable 5 DeepSeek V4 Flash (0731)
Modalités d'entrée texte image texte
Modalités de sortie texte texte
Date de sortie 2026-06-09 2026-07-31
Coupure des connaissances 2026-01 -
Fenêtre de contexte 1M 1M
Sortie maximale 128K 393K
Paramètre de réflexion output_config.effort (thinking.type is adaptive-only and needs no configuration) -
Valeurs acceptées
effort
  • low
  • medium
  • high
  • xhigh
  • max

both "enabled" and "disabled" return 400

-
Valeur par défaut

thinking always on (adaptive)

effort
  • high
-

Les spécifications sont reprises de la documentation de chaque fournisseur ; quand un fournisseur ne publie pas une valeur, la ligne est omise et non déduite. Sources complètes : Claude Fable 5 · DeepSeek V4 Flash (0731)

Un prompt, deux modèles, mesurés via la passerelle

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. CRITÈRE exactement 3 phrases

Claude Fable 5 réussi · 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.

sortie 228 tok latence 6.7 s

DeepSeek V4 Flash (0731) réussi · 3 sentences

Enabling reasoning mode prompts the model to generate extensive internal chain-of-thought tokens before answering, often multiplying total token output per query by several times. This directly inflates costs because we are billed per token, and these reasoning tokens are processed at a premium compute tier that carries a higher price per million tokens. However, this spend buys measurably higher accuracy and fewer failed calls, so we are tracking it against specific error-reduction KPIs to ensure the ROI justifies the increase.

sortie 365 tok (+266 réflexion) latence 5.1 s

Le respect de la consigne (exactement trois phrases, ça se compte), l'adaptation au public visé (le registre d'un directeur financier) et l'écart de facturation dû à la réflexion masquée, que révèlent les compteurs de tokens ci-dessous.

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. CRITÈRE le correctif passe les tests

Claude Fable 5 réussi · 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

sortie 531 tok latence 12.5 s

DeepSeek V4 Flash (0731) réussi · 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 original bug stems from initializing `cur` to 0 and only incrementing it when adjacent elements are equal, which counts the number of *equal transitions* rather than the actual run length—so every run of length L is reported as L−1, and a single‑element run (with no transitions) yields 0. Moreover, because `best` is updated only inside the equality branch, it never accounts for a run that ends at the last element if that run is longer than any previously seen (though the real issue remains the off‑by‑one). […]

sortie 1268 tok (+1016 réflexion) latence 14.0 s

La justesse réelle du correctif (il s'exécute), la densité de l'explication et l'économie de tokens sur une tâche bien délimitée.

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. CRITÈRE JSON valide, schéma exact

Claude Fable 5 réussi · 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.

sortie 192 tok latence 6.5 s

DeepSeek V4 Flash (0731) réussi · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": null, "guidance": null }

sortie 1119 tok (+1072 réflexion) latence 12.3 s

Le respect du schéma (aucun champ inventé), la tentation d'halluciner (le texte indique que la guidance n'est pas communiquée) et les différences entre les mécanismes de sortie structurée.

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. CRITÈRE 120 mots, 0 mot interdit

Claude Fable 5 réussi · 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.

sortie 1173 tok latence 18.2 s

DeepSeek V4 Flash (0731) manqué · 141 words, 0 banned, 1 question

**Introducing Prompt Cache for API Gateway** We are pleased to announce Prompt Cache, a new feature that stores and reuses identical prompt prefixes across all connected LLM providers. By automatically recognizing repeated requests, this cache reduces token consumption and lowers latency without altering your application logic. Whether you use OpenAI, Anthropic, or open-source models, the cache operates transparently, ensuring consistent behavior while cutting costs. Developers can configure cache TTL and scoping rules via a simple API call, giving you precise control over data freshness and privacy. This feature also minimizes redundant upstream calls, freeing provider rate limits for more critical workloads. Start caching today through the dashboard or CLI, and watch your operational expenses drop significantly. […]

sortie 254 tok (+80 réflexion) latence 4.4 s

Le respect des contraintes (nombre de mots, liste de mots interdits, une seule question), l'empreinte stylistique et la maîtrise de la longueur.

Passez de l'un à l'autre en changeant une seule ligne

Les deux identifiants figurent dans chaque onglet ci-dessous : les deux lignes surlignées sont le seul changement. Même endpoint, même clé, même format de requête.

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="deepseek-v4-flash-0731",  # décommentez cette ligne, commentez celle du dessus
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenez votre clé API →

FAQ

Lequel est le moins cher, Claude Fable 5 ou DeepSeek V4 Flash (0731) ?

DeepSeek V4 Flash (0731) est moins cher sur la ligne « Entrée / 1M de tokens » ($0.44 contre $10, soit un écart de 23×). D'autres lignes peuvent dire l'inverse : le tableau ci-dessus donne la grille tarifaire complète, et le coût réel dépend de la composition de votre trafic.

Puis-je faire un test A/B entre Claude Fable 5 et DeepSeek V4 Flash (0731) sans deux intégrations ?

Oui. Les deux passent par le même endpoint compatible OpenAI, avec une seule clé API. Pour passer de l'un à l'autre, il suffit de changer l'identifiant du modèle, soit une ligne : vous pouvez donc envoyer une part du trafic à chacun et comparer directement les factures.

Claude Fable 5 et DeepSeek V4 Flash (0731) prennent-ils en charge la mise en cache des prompts ?

Oui. Les deux facturent les lectures de cache moins cher que leur tarif d'entrée : une charge de travail dont le préfixe est déjà en cache coûte donc moins que ne le laissent penser les tarifs publics. Les lignes de lecture de cache figurent dans le tableau des tarifs ci-dessus.

Comparatifs associés

Nos études, mesures à l'appui