Claude Fable 5 vs GLM-5.2: 가격 및 사양 실측 비교

언제 어떤 모델을 쓸까

두 모델 모두 1,000,000 토큰 컨텍스트 창과 비슷한 최대 출력(claude-fable-5 128000, glm-5.2 131072)을 가지므로 차이는 입력과 비용입니다. claude-fable-5는 텍스트와 함께 이미지를 받고 항상 사고를 켠 채 동작하며, glm-5.2는 텍스트 전용이고 사고를 끌 수 있습니다. 요금표에서 glm-5.2는 입력 약 7.1배($1.4 대 $10), 출력 약 11배($4.4 대 $50), 캐시 읽기 약 3.8배($0.26 대 $1) 저렴합니다. 이미지 입력이나 강제 추론이 필요하면 claude-fable-5를, 대량의 장문 컨텍스트 텍스트 작업에는 glm-5.2를 고르세요.

벤치마크

우세평균 상회최고 점수Claude Fable 54187 ~~/ 97~~40 ~~/ 97~~GLM-5.2125 ~~/ 80~~1 ~~/ 80~~

두 모델 모두 측정한 항목 43개, 그중 동점 1개.

Claude Fable 5 GLM-5.2 측정된 다른 모델 다른 모델 평균 ★ 더 높은 점수를 낸 모델 없음

SWE-Bench Pro

더 높은 점수를 낸 모델 없음 80.3%

62.1%

BioMysteryBench hard

46.5%

N/A

OSWorld-Verified

더 높은 점수를 낸 모델 없음 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

더 높은 점수를 낸 모델 없음 88.9%

N/A

SWE-Bench Pro

더 높은 점수를 낸 모델 없음 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

더 높은 점수를 낸 모델 없음 60.2%

50.5%

DeepSWE

70%

46.2%

ProgramBench Almost Solved

33%

9.5%

MLS-Bench-Lite

더 높은 점수를 낸 모델 없음 49.9%

40.4%

FrontierSWE

더 높은 점수를 낸 모델 없음 88.8%

67.3%

Kimi Code Bench 2.0

더 높은 점수를 낸 모델 없음 76.9%

64.2%

PostTrainBench

더 높은 점수를 낸 모델 없음 41.4%

31.7%

ProgramBench

76.8%

63.7%

DSBench-FullStack

더 높은 점수를 낸 모델 없음 77.2%

61.8%

DSBench-Hard

68.3%

54.5%

SWE-Marathon

35%

13%

SWE-Marathon v1.1

33.1%

19.4%

FrontierSWE Dominance

더 높은 점수를 낸 모델 없음 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

더 높은 점수를 낸 모델 없음 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

더 높은 점수를 낸 모델 없음 63.1%

N/A

QwenReactBench 1538-1770

더 높은 점수를 낸 모델 없음 1770

N/A

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

1690

N/A

QwenSWEBench

더 높은 점수를 낸 모델 없음 86.3%

N/A

FrontierCode (Diamond) xhigh

29.3%

N/A

Terminal-Bench 2.1 Best

N/A

82.7%

공급자 공개 자료: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

가격

	Claude Fable 5	GLM-5.2	Δ
입력 / 1M 토큰	$10	$1.4	7.1×
출력 / 1M 토큰	$50	$4.4	11×
캐시 읽기 / 1M 토큰	$1	$0.26	3.8×
캐시 쓰기	1.25x (5m) / 2x (1h)	-	-

빌드 시점에 실시간 카탈로그에서 가져온 요금입니다. 현재 요금은 각 모델 페이지에서 확인할 수 있습니다.

가격 위치: 이 과금 단위를 쓰는 채팅 모델 76개 전체의 1M 토큰당 입력 가격(로그 스케일)

Claude Fable 5 · $10 GLM-5.2 · $1.4

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

기능

	Claude Fable 5	GLM-5.2
도구 사용	지원	지원
사고 제어	항상 켜짐	설정 가능
구조화된 출력	지원	지원
프롬프트 캐싱	명시적(접두사 직접 지정)	암시적(자동)
캐시 수명	5m default, 1h option	미공개
최소 캐시 접두사	1024 토큰	미공개

사양

	Claude Fable 5	GLM-5.2
입력 모달리티	텍스트 이미지	텍스트
출력 모달리티	텍스트	텍스트
출시일	2026-06-09	2026-06-16
지식 컷오프	2026-01	-
컨텍스트 윈도우	1M	1M
최대 출력	128K	131K
사고 파라미터	output_config.effort (thinking.type is adaptive-only and needs no configuration)	thinking.type reasoning_effort
허용 값	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)
기본값	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

사양은 각 공급자의 문서에서 그대로 옮겨 적었습니다. 공급자가 공개하지 않은 항목은 추정해 채우지 않고 뺐습니다. 전체 출처: Claude Fable 5 · GLM-5.2

같은 프롬프트, 두 모델: 게이트웨이를 거쳐 측정

CFO를 위한 추론 버그가 있는 함수 수정 스키마에 맞춰 추출 제약 조건에 맞춰 작성

프롬프트 Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. 검증 정확히 3문장

Claude Fable 5 통과 · 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.

출력 228 tok 지연 시간 6.7 s

GLM-5.2 통과 · 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.

출력 1223 tok (+1138 사고) 지연 시간 17.1 s

지시 준수(정확히 세 문장이라 셀 수 있음), 독자에 맞춘 어조(CFO 대상), 아래 토큰 미터에 드러나는 숨은 사고 토큰 과금 차이를 봅니다.

프롬프트 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. 검증 수정 후 테스트 통과

Claude Fable 5 통과 · 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

출력 531 tok 지연 시간 12.5 s

GLM-5.2 실패 · 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 […]

출력 4097 tok (+4036 사고) 지연 시간 58.4 s

수정이 실제로 맞는지(실행되는지), 설명이 얼마나 압축적인지, 범위가 정해진 작업에서 토큰을 얼마나 효율적으로 쓰는지를 봅니다.

프롬프트 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. 검증 유효한 JSON, 스키마와 정확히 일치

Claude Fable 5 통과 · 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.

출력 192 tok 지연 시간 6.5 s

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

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

출력 1947 tok (+1893 사고) 지연 시간 30.9 s

스키마 준수(없는 필드를 지어내지 않는지), 환각을 유도하는 조건에서의 대응(guidance 값을 일부러 주지 않음), 구조화된 출력 경로의 차이를 봅니다.

프롬프트 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. 검증 120단어, 금지어 0개

Claude Fable 5 통과 · 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.

출력 1173 tok 지연 시간 18.2 s

GLM-5.2 통과 · 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.

출력 11125 tok (+10984 사고) 지연 시간 114.8 s

제약 준수(단어 수 제한, 금지어 목록, 의문문 하나), 문체의 특징, 길이 조절을 봅니다.

코드 한 줄로 모델 전환

아래 탭마다 두 모델 id가 모두 들어 있습니다. 바꿀 곳은 강조된 두 줄뿐이고, 엔드포인트, 키, 요청 형식은 그대로입니다.

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",  # 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
    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",  // 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
  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",  # 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
    "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",  // 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
		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")  // 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
        .addUserMessage("Summarize this diff")
        .reasoningEffort(ReasoningEffort.MEDIUM)
        .build());
System.out.println(resp.choices().get(0).message().content().orElse(""));

API 키 받기 →

자주 묻는 질문

Claude Fable 5 vs GLM-5.2, 어느 쪽이 더 저렴한가요?

입력 / 1M 토큰 기준으로는 GLM-5.2 쪽이 더 저렴합니다($1.4 대 $10, 7.1배 차이). 다른 항목에서는 반대일 수 있습니다. 전체 요금은 위 표에 있으며, 실제 비용은 사용 패턴에 따라 달라집니다.

연동을 두 번 하지 않고도 Claude Fable 5 vs GLM-5.2 A/B 테스트를 할 수 있나요?

네. 두 모델 모두 API 키 하나로 같은 OpenAI 호환 엔드포인트에서 호출합니다. 모델 문자열 한 줄만 바꾸면 전환되므로, 트래픽 일부를 각 모델로 보내 청구 금액을 직접 비교할 수 있습니다.

Claude Fable 5, GLM-5.2 모두 프롬프트 캐싱을 지원하나요?

네. 두 모델 모두 캐시 읽기를 입력 요금보다 낮게 과금하므로, 같은 접두사를 반복해 쓰는 워크로드는 정가로 계산한 것보다 비용이 적게 듭니다. 정확한 캐시 읽기 요금은 위 가격표에 있습니다.

직접 측정한 자료

GPT-6.1 Sol vs Claude Sonnet 5.5: 같은 $2/$10, 작업당 비용 절반 GLM 5.3 API 비용: 항상 추론, 답변당 5.2보다 2.5배 저렴 GPT-6 Astra 추론 강도: 같은 답인데 max는 low의 2.3배

벤치마크

가격

기능

사양

같은 프롬프트, 두 모델: 게이트웨이를 거쳐 측정

코드 한 줄로 모델 전환

자주 묻는 질문

관련 비교

직접 측정한 자료