Claude Fable 5 vs GLM-5.2: prezzi e specifiche, misurati

Quale scegliere e quando

Entrambi i modelli hanno una finestra di contesto da 1,000,000 token e un output massimo simile (128000 per claude-fable-5, 131072 per glm-5.2), quindi la differenza sta negli input e nel costo: claude-fable-5 accetta immagini insieme al testo e gira sempre con il pensiero attivo, mentre glm-5.2 è solo testo e permette di disattivarlo. Sul listino glm-5.2 è circa 7.1x più economico in input ($1.4 vs $10), circa 11x più economico in output ($4.4 vs $50) e quasi 3.8x più economico nelle letture cache ($0.26 vs $1). Scegli claude-fable-5 quando ti serve input di immagini o ragionamento forzato; scegli glm-5.2 per lavoro testuale ad alto volume e contesto lungo.

Benchmark

In testaSopra la mediaNessuno miglioreClaude Fable 54187 ~~/ 97~~40 ~~/ 97~~GLM-5.2125 ~~/ 80~~1 ~~/ 80~~

43 misurati su entrambi, 1 in parità.

Claude Fable 5 GLM-5.2 altri modelli misurati media dei modelli confrontati ★ nessun altro modello ha fatto meglio

SWE-Bench Pro

nessun altro modello ha fatto meglio 80.3%

62.1%

BioMysteryBench hard

46.5%

N/A

OSWorld-Verified

nessun altro modello ha fatto meglio 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

nessun altro modello ha fatto meglio 88.9%

N/A

SWE-Bench Pro

nessun altro modello ha fatto meglio 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

nessun altro modello ha fatto meglio 60.2%

50.5%

DeepSWE

70%

46.2%

ProgramBench Almost Solved

33%

9.5%

MLS-Bench-Lite

nessun altro modello ha fatto meglio 49.9%

40.4%

FrontierSWE

nessun altro modello ha fatto meglio 88.8%

67.3%

Kimi Code Bench 2.0

nessun altro modello ha fatto meglio 76.9%

64.2%

PostTrainBench

nessun altro modello ha fatto meglio 41.4%

31.7%

ProgramBench

76.8%

63.7%

DSBench-FullStack

nessun altro modello ha fatto meglio 77.2%

61.8%

DSBench-Hard

68.3%

54.5%

SWE-Marathon

35%

13%

SWE-Marathon v1.1

33.1%

19.4%

FrontierSWE Dominance

nessun altro modello ha fatto meglio 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

nessun altro modello ha fatto meglio 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

nessun altro modello ha fatto meglio 63.1%

N/A

QwenReactBench 1538-1770

nessun altro modello ha fatto meglio 1770

N/A

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

1690

N/A

QwenSWEBench

nessun altro modello ha fatto meglio 86.3%

N/A

FrontierCode (Diamond) xhigh

29.3%

N/A

Terminal-Bench 2.1 Best

N/A

82.7%

Dati pubblicati dai provider: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

Prezzi

	Claude Fable 5	GLM-5.2	Δ
Input / 1M token	$10	$1.4	7.1×
Output / 1M token	$50	$4.4	11×
Lettura cache / 1M token	$1	$0.26	3.8×
Scrittura in cache	1.25x (5m) / 2x (1h)	-	-

Tariffe lette dal catalogo live al momento della build; il listino aggiornato è sulla pagina di ciascun modello.

Dove si collocano: prezzo di input per 1M di token tra tutti i modelli di chat con questa unità di fatturazione (76, scala logaritmica)

Claude Fable 5 · $10 GLM-5.2 · $1.4

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

Funzionalità

	Claude Fable 5	GLM-5.2
Tool use	sì	sì
Controllo del ragionamento	sempre attivo	configurabile
Output strutturato	sì	sì
Prompt caching	esplicito (contrassegni tu il prefisso)	implicito (automatico)
Durata della cache	5m default, 1h option	non pubblicato
Prefisso minimo in cache	1024 token	non pubblicato

Specifiche

	Claude Fable 5	GLM-5.2
Modalità di input	testo immagine	testo
Modalità di output	testo	testo
Rilascio	2026-06-09	2026-06-16
Knowledge cutoff	2026-01	-
Finestra di contesto	1M	1M
Output massimo	128K	131K
Parametro di ragionamento	output_config.effort (thinking.type is adaptive-only and needs no configuration)	thinking.type reasoning_effort
Valori accettati	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)
Valore di default	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

Le specifiche sono riprese dalla documentazione di ciascun provider; se un provider non pubblica un dato, la riga viene omessa e non dedotta. Fonti complete: Claude Fable 5 · GLM-5.2

Un solo prompt, entrambi i modelli, misurati attraverso il gateway

Ragionamento per un CFO Correggi una funzione con bug Estrai in uno schema Scrivi con vincoli

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. VERIFICA esattamente 3 frasi

Claude Fable 5 superato · 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.

out 228 tok latenza 6.7 s

GLM-5.2 superato · 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.

out 1223 tok (+1138 ragionamento) latenza 17.1 s

Rispetto delle istruzioni (esattamente tre frasi: si contano), adattamento al destinatario (registro da CFO) e lo scarto di fatturazione dovuto al ragionamento nascosto, che i contatori di token qui sotto mettono in luce.

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. VERIFICA la correzione supera i test

Claude Fable 5 superato · 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

out 531 tok latenza 12.5 s

GLM-5.2 non superato · 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 […]

out 4097 tok (+4036 ragionamento) latenza 58.4 s

Se la correzione è davvero giusta (si può eseguire), quanto è densa la spiegazione e quanti token servono per un compito circoscritto.

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. VERIFICA JSON valido, schema esatto

Claude Fable 5 superato · 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.

out 192 tok latenza 6.5 s

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

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

out 1947 tok (+1893 ragionamento) latenza 30.9 s

Aderenza allo schema (nessun campo inventato), tentazione di allucinare (il testo dice espressamente che la guidance non viene comunicata) e differenze tra i percorsi di output strutturato.

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. VERIFICA 120 parole, 0 parole vietate

Claude Fable 5 superato · 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.

out 1173 tok latenza 18.2 s

GLM-5.2 superato · 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.

out 11125 tok (+10984 ragionamento) latenza 114.8 s

Rispetto dei vincoli (budget di parole, elenco di parole vietate, l'unica domanda), impronta stilistica e controllo della lunghezza.

Passa dall'uno all'altro cambiando una sola riga

In ogni scheda qui sotto ci sono entrambi gli id: le due righe evidenziate sono l'unica modifica. Stesso endpoint, stessa chiave, stessa struttura della richiesta.

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",  # decommenta questa riga, commenta quella sopra
    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",  // decommenta questa riga, commenta quella sopra
  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",  # decommenta questa riga, commenta quella sopra
    "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",  // decommenta questa riga, commenta quella sopra
		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")  // decommenta questa riga, commenta quella sopra
        .addUserMessage("Summarize this diff")
        .reasoningEffort(ReasoningEffort.MEDIUM)
        .build());
System.out.println(resp.choices().get(0).message().content().orElse(""));

Ottieni la tua chiave API →

FAQ

Qual è il più economico, Claude Fable 5 o GLM-5.2?

GLM-5.2 costa meno alla voce Input / 1M token ($1.4 contro $10, 7.1× di differenza). Altre voci potrebbero dire il contrario: la tabella qui sopra riporta il listino completo, e il costo reale dipende dal tuo mix di utilizzo.

Posso fare un A/B test di Claude Fable 5 contro GLM-5.2 senza due integrazioni?

Sì. Si chiamano entrambi dallo stesso endpoint compatibile con OpenAI, con una sola chiave API. Per passare dall'uno all'altro basta cambiare la stringa del modello in una riga, quindi puoi mandare una parte del traffico a ciascuno e confrontare direttamente i costi.

Claude Fable 5 e GLM-5.2 supportano il prompt caching?

Sì: entrambi fanno pagare le letture dalla cache meno della tariffa di input, quindi i carichi di lavoro con un prefisso già in cache costano meno di quanto facciano pensare le tariffe di listino. Le voci esatte per la lettura dalla cache sono nella tabella dei prezzi qui sopra.

Confronti correlati

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 Confronta due modelli qualsiasi →

Dai nostri studi con dati misurati

GPT-6.1 Sol vs Claude Sonnet 5.5: stessi $2/$10, metà costo per task Costo API GLM 5.3: pensa sempre, 2.5x meno di 5.2 per risposta GPT-6 Astra: max costa 2.3x low, con le stesse risposte