Dola Seed 2.0 Pro vs Claude Fable 5
언제 어떤 모델을 사용할까 — 벤치마크 표가 아닌 선별된 평가
Dola-Seed-2.0-pro는 두 모델 중 훨씬 저렴하며 — 입력 토큰당 20x 더 저렴하고 ($0.5 vs $10) 출력 토큰당 약 16.7x 더 저렴합니다 ($3 vs $50) — 비디오 입력을 허용하고, 최대 131072개의 출력 토큰을 지원하며, 빠르고 단순한 답변을 원할 때 thinking을 끌 수 있는 유일한 모델입니다. claude-fable-5는 비용이 더 많이 들지만 1000000 토큰 컨텍스트를 제공하며, 이는 Dola-Seed-2.0-pro의 256000 토큰보다 약 3.9x 크고, thinking이 항상 켜져 있습니다. 매우 긴 단일 샷(single-shot) 문서에는 claude-fable-5를 선택하고, 비디오 입력, 비용 통제 또는 대량의 작업에는 Dola-Seed-2.0-pro를 선택하십시오.
가격
| Dola Seed 2.0 Pro | Claude Fable 5 | Δ | |
|---|---|---|---|
| 입력 / 1M 토큰 | $0.5 | $10 | 0.05× |
| 출력 / 1M 토큰 | $3 | $50 | 0.06× |
| 캐시 읽기 / 1M 토큰 | $0.1 | $1 | 0.1× |
| 캐시 쓰기 | — | 1.25x (5m) / 2x (1h) | — |
빌드 시점의 라이브 카탈로그 요금입니다. 각 모델 페이지에 현재 요금표가 표시됩니다.
현재 위치 — 이 청구 단위를 사용하는 모든 63개의 채팅 모델 전체의 1M 토큰당 입력 가격 (로그 스케일)
기능
| Dola Seed 2.0 Pro | Claude Fable 5 | |
|---|---|---|
| 도구 사용 | 예 | 예 |
| 사고 제어 | 설정 가능 | 항상 켜짐 |
| 구조화된 출력 | — | 예 |
| 프롬프트 캐싱 | 암시적 + 명시적 | 명시적 (접두사 직접 지정) |
| 캐시 수명 | 미공개 | 5m default, 1h option |
| 최소 캐시 접두사 | 1024 토큰 | 1024 토큰 |
사양
| Dola Seed 2.0 Pro | Claude Fable 5 | |
|---|---|---|
| 입력 모달리티 | 텍스트 이미지 비디오 | 텍스트 이미지 |
| 출력 모달리티 | 텍스트 | 텍스트 |
| 출시일 | 2026-02-14 | 2026-06-09 |
| 지식 컷오프 | — | 2026-01 |
| 컨텍스트 윈도우 | 256K | 1M |
| 최대 출력 | 131K | 128K |
| Thinking 파라미터 |
| output_config.effort (thinking.type is adaptive-only and needs no configuration) |
| 허용되는 값 | thinking.type
reasoning_effort
| effort
both "enabled" and "disabled" return 400 |
| 기본값 | enabled, with reasoning_effort medium and thinking summary on | thinking always on (adaptive) effort
|
사양은 각 공급업체의 문서를 그대로 기록한 것입니다. 공급업체가 공개하지 않은 항목은 추론하지 않고 제외했습니다. 전체 출처: Dola Seed 2.0 Pro · Claude Fable 5
하나의 프롬프트, 두 모델 — 게이트웨이를 통해 측정됨
Dola Seed 2.0 Pro 통과 · 3 sentences
Reasoning-enabled LLMs do not generate final answers in one pass: they run hundreds of unshown internal trial, cross-check, and correction steps for every user request, and every one of these hidden steps consumes billable GPU time just like the visible output text. Unlike our prior standard chat workload which only processed exactly what users typed, reasoning mode automatically executes these validation loops by default, with no visible indicator to end users that extra compute is being consumed. This 2x increase is not a billing error or rogue usage spike: industry benchmarks consistently put reasoning workloads at 1.7-2.6x the compute cost of equivalent standard LLM requests, and this pricing dynamic is almost never clearly disclosed on vendor rate cards.
출력 563 tok (+416 추론) 지연 시간 9.4 s
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
지시 준수(정확히 세 문장 — 셀 수 있음), 독자 맞춤(CFO 어조), 그리고 아래 토큰 계량기가 드러내는 숨은 사고 과금 격차.
Dola Seed 2.0 Pro 통과 · 8/8 cases
### Corrected Implementation ```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 ``` --- ### Bug Explanation The original code has three critical linked flaws: 1. It initialized run counters `best` and `cur` to `0` instead of `1`, failing to account for the fact that *every individual element is already a valid run of length 1* -- this causes single-element inputs to incorrectly return `0`. 2. `cur` only counted how many extra matching elements followed the start of a run, so it always tracked one less than the actual run length, and it reset to `0` (instead of `1`) when a new run began, preserving this off-by-one error for all runs. 3. […]
출력 1278 tok (+951 추론) 지연 시간 16.7 s
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
수정이 실제로 옳은지(실행 가능한지), 설명의 밀도, 그리고 범위가 정해진 작업에서의 토큰 효율.
Dola Seed 2.0 Pro 통과 · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
출력 506 tok (+452 추론) 지연 시간 8.6 s
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
스키마 준수(없는 필드를 지어내지 않기), 환각 압력(guidance는 명시적으로 보류됨), 그리고 구조화 출력 경로의 차이.
Dola Seed 2.0 Pro 통과 · 123 words, 0 banned, 1 question
Today we’re rolling out cross-provider prompt caching for our API gateway. For engineering teams routing LLM requests across OpenAI, Anthropic, Mistral and open source models, this feature stores identical prompt payloads at the gateway layer, rather than relying on per-provider cache implementations limited to single endpoints. How much time and compute could your team save by avoiding redundant token processing for repeated system prompts, context windows, or common user queries? Cache hits return responses in under 10ms, with configurable TTL, granular purge controls, and per-application cache partitioning. Early access teams running support bots, batch inference and internal assistants recorded 42-67% lower LLM spend. This feature is live for all gateway users today, with no required code changes to existing routing workflows. (120 words)
출력 1041 tok (+872 추론) 지연 시간 11.4 s
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
제약 준수(단어 예산, 금지어 목록, 단 하나의 의문문), 문체 지문, 그리고 길이 제어.
코드 한 줄로 모델 전환
두 id는 아래의 모든 탭에 있습니다 — 강조 표시된 두 줄이 유일한 수정 사항입니다. 동일한 엔드포인트, 동일한 키, 동일한 요청 형태입니다.
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="Dola-Seed-2.0-pro",
# model="claude-fable-5", # 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: "Dola-Seed-2.0-pro",
// model: "claude-fable-5", // 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": "Dola-Seed-2.0-pro",
# "model": "claude-fable-5", # 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: "Dola-Seed-2.0-pro",
// Model: "claude-fable-5", // 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("Dola-Seed-2.0-pro")
// .model("claude-fable-5") // 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(""));FAQ
Dola Seed 2.0 Pro와(과) Claude Fable 5 중 어느 것이 더 저렴한가요?
입력 / 1m 토큰 항목에서는 Dola Seed 2.0 Pro이(가) 더 저렴합니다($0.5 대 $10, 20× 차이). 다른 항목에서는 결과가 다를 수 있습니다 — 위의 표에 전체 정보가 있으며, 실제 비용은 사용 조합에 따라 달라집니다.
두 번의 연동 과정 없이 Dola Seed 2.0 Pro와(과) Claude Fable 5를 A/B 테스트할 수 있나요?
네. 둘 다 하나의 API 키를 사용하여 동일한 OpenAI 호환 엔드포인트를 통해 제공됩니다 — 모델 문자열을 한 줄만 변경하면 전환되므로, 트래픽의 일부를 각각 라우팅하여 요금을 직접 비교할 수 있습니다.
Dola Seed 2.0 Pro 및 Claude Fable 5는 프롬프트 캐싱을 지원하나요?
네 — 두 모델 모두 캐시 읽기에 대해 입력 요금보다 낮게 청구하므로, 웜 프리픽스 워크로드는 공시된 요금보다 비용이 적게 듭니다. 정확한 캐시 읽기 행은 위의 가격표에 있습니다.