Novo Cadastre-se grátis, 10 chamadas por nossa conta. Até US$ 1, sem cartão.

Claude Fable 5.1 vs Gemini 3.7 Flash

O Claude Fable 5.1 é oferecido por convite. Os valores abaixo são as tarifas em tempo real, mas as chamadas só funcionam depois que o seu workspace recebe a permissão; peça acesso antes de desenvolver com base nesta comparação.

vs

Qual usar e quando

O gemini-3.7-flash é a opção mais barata e de entrada mais ampla: $0.75 para entrada e $3.75 para saída por milhão de tokens, aproximadamente 13x menos que o claude-fable-5-1 a $10 e $50, com um contexto de 1048576 tokens e entrada de texto, imagem, áudio e vídeo (a entrada de áudio também é cobrada por milhão de tokens, a $0.75). Escolha o claude-fable-5-1 quando você quiser seu modo de pensamento sempre ativo, que não pode ser desativado, além de um máximo de 128000 tokens de saída contra 65536, em um contexto de 1000000 tokens. Se suas entradas são texto e imagens e você é sensível aos custos, o modelo do Google atende bem; as leituras de cache custam $0.075 contra $0.25.

Benchmarks

Acima da médiaNenhum melhorClaude Fable 5.119 / 213 / 21Gemini 3.7 Flash17 / 233 / 23
Claude Fable 5.1 Gemini 3.7 Flash outros modelos medidos média dos modelos comparados ★ nenhum outro modelo teve pontuação maior
DeepSWE 1.1
67.4%
65.3%
BioMysteryBench hard
N/A
43.5%
OSWorld 2.0
N/A
47.9%
HealthBench Professional
58.1%
N/A
Finance Agent v2
N/A
59%
Harvey Lab-AA
N/A
90.7%
GPQA Diamond
93.7%
N/A
AutomationBench
31.4%
30.4%
LVBench
N/A
nenhum outro modelo teve pontuação maior 85.4%

Publicado pelos provedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

Preços

Claude Fable 5.1 Gemini 3.7 Flash Δ
Entrada / 1M tokens $10 $0.75 13×
Saída / 1M tokens $50 $3.75 13×
Leitura de cache / 1M tokens $0.25 $0.075 3.3×
Escrita de cache 1.25x (5m) / 2x (1h) - -

Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual.

Onde cada um fica: preço de entrada por 1M tokens entre os 79 modelos de chat com esta unidade de cobrança (escala logarítmica)

Capacidades

Claude Fable 5.1 Gemini 3.7 Flash
Uso de ferramentas sim sim
Controle de raciocínio sempre ativo

sim

o provedor não publica o controle

Saída estruturada sim sim
Cache de prompts explícito (você marca o prefixo) implícito + explícito
Tempo de vida do cache 5m default, 1h option não publicado
Prefixo mínimo em cache 1024 tokens 4096 tokens

Especificações

Claude Fable 5.1 Gemini 3.7 Flash
Modalidades de entrada texto imagem texto imagem áudio vídeo
Modalidades de saída texto texto
Lançamento 2026-09-01 2026-08-13
Corte de conhecimento 2026-06 2026-03
Janela de contexto 1M 1M
Saída máxima 128K 66K
Parâmetro de raciocínio output_config.effort (thinking is adaptive-only and always on) -
Valores aceitos
effort
  • low
  • medium
  • high
  • xhigh
  • max
-
Padrão

thinking always on (adaptive)

effort
  • high
-

As especificações são transcritas da documentação de cada provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: Claude Fable 5.1 · Gemini 3.7 Flash

Um prompt, os dois modelos, medidos pelo gateway

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. VERIFICAÇÃO exatamente 3 frases

Claude Fable 5.1 passou · 3 sentences

When we enabled reasoning, the model started generating a long chain of internal "thinking" tokens before producing each answer, and we're billed for those tokens at the same output rate even though users never see them. In practice, that hidden reasoning often runs several times longer than the visible response, so the total tokens per request roughly doubled while the number of requests stayed flat. The upside is measurably better accuracy on complex tasks, so the right conversation is whether that quality gain justifies the cost—and if not, we can restrict reasoning to the workflows that actually need it rather than turning it on globally.

saída 186 tok latência 3.2 s

Gemini 3.7 Flash passou · 3 sentences

Enabling reasoning causes the model to generate a high volume of invisible "thinking tokens" behind the scenes to deliberate and solve complex logic before delivering a final response. Because our vendor bills strictly on token volume, this additional internal computation effectively doubled our billable output per query. In short, our costs increased because we are now paying for the extra compute capacity required to produce significantly higher-accuracy answers.

saída 878 tok (+799 raciocínio) latência 6.9 s

Se a instrução é seguida (exatamente três frases, dá para contar), a adequação ao público (tom para um CFO) e a diferença de cobrança causada pelo raciocínio oculto, que os medidores de tokens abaixo deixam à mostra.

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. VERIFICAÇÃO a correção passa nos testes

Claude Fable 5.1 passou · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): cur = cur + 1 if xs[i] == xs[i - 1] else 1 best = max(best, cur) return best ``` The bug is that `cur` counts *matches between adjacent elements* rather than *elements in the run*: it starts at 0 and only increments when `xs[i] == xs[i-1]`, so a run of length k produces a count of k−1. That's why a single element returns 0 instead of 1, and why every other run also comes out one short — the "misses runs at the end" reports are the same off-by-one seen on inputs like `[1, 2, 2]`, where the trailing run of length 2 is reported as 1 (the original code does update `best` inside the loop, so end-of-list runs aren't actually skipped, just undercounted). […]

saída 882 tok (+507 raciocínio) latência 3.4 s

Gemini 3.7 Flash passou · 8/8 cases

Here is the corrected function: ```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 else: cur = 1 best = max(best, cur) return best ``` ### Explanation of the Bug The original function tracked equal adjacent transitions instead of the actual number of elements in a run, causing all non-empty run lengths to be undercounted by one (e.g., returning `0` instead of `1` for single-element lists because the loop never executes, and `1` instead of `2` for pairs). Initializing both `best` and `cur` to `1` (after handling empty inputs) and resetting `cur` to `1` on a mismatch ensures every individual element is counted as a valid run of at least length one.

saída 1050 tok (+827 raciocínio) latência 6.4 s

Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.

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. VERIFICAÇÃO JSON válido, schema exato

Claude Fable 5.1 passou · 5/5 fields, guidance null

```json { "company": "Meridian Robotics", "quarter": "Q3 (September quarter)", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null } ``` Notes on judgment calls (not part of the object): - **revenue_usd_m**: The text says "412 for the topline" but never states the currency or that the figure is in millions; it's also on a constant-currency basis and prefaced with "call it," so it's approximate. If you want strict literalism, this should be `null`. - **growth_pct**: "Eleven and change" means slightly above 11%; the exact figure isn't given. - **quarter**: "September quarter" is Q3 on a calendar basis, consistent with the reference to a pending Q4 close. - **guidance**: Explicitly withheld, so `null`.

saída 633 tok (+349 raciocínio) latência 3.8 s

Gemini 3.7 Flash passou · 5/5 fields, guidance "withheld"

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

saída 918 tok (+858 raciocínio) latência 6.2 s

Aderência ao schema (sem campos inventados), pressão para alucinar (o texto diz explicitamente que o guidance não foi divulgado) e diferenças no caminho de saída estruturada.

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. VERIFICAÇÃO 120 palavras, 0 palavras proibidas

Claude Fable 5.1 passou · 121 words, 0 banned, 1 question

**Introducing Cross-Provider Prompt Caching for the Gateway.** Starting today, your API gateway can cache prompts once and reuse them across OpenAI, Anthropic, Google, and any other provider you route to. Long system instructions, retrieval context, and few-shot examples are stored at the gateway layer, so switching models no longer means paying to resend the same tokens. Why send the same 8,000-token preamble to three different vendors when you could send it once? Our cache normalizes prompt segments, fingerprints them, and serves matching prefixes from memory before the request ever reaches an upstream API. Early customers report token costs falling by 30 to 60 percent on high-volume workloads, with median latency dropping alongside. Available today on all Team and Enterprise plans.

saída 1722 tok (+1463 raciocínio) latência 2.9 s

Gemini 3.7 Flash passou · 120 words, 0 banned, 1 question

Why pay twice for identical AI queries simply because you routed them to different model vendors? Today, we introduce Universal Prompt Caching directly within our unified API gateway architecture. This capability stores repeated prompt contexts across OpenAI, Anthropic, and local models, instantly returning stored results to eliminate redundant computation fees. When your application sends an LLM request, the gateway inspects the payload, identifies semantic matches, and returns accurate cached responses in under ten milliseconds. Engineering teams can now slash inference latency by eighty percent while dramatically reducing monthly token expenditures across diverse production deployments. You retain complete privacy control, flexible cache eviction policies, and granular metrics through a single dashboard. Update your routing settings today to accelerate overall system performance.

saída 2858 tok (+2718 raciocínio) latência 14.1 s

Respeito às restrições (limite de palavras, lista de palavras proibidas, uma única pergunta), a marca de estilo de cada modelo e o controle do tamanho.

Troque de um para o outro mudando uma linha

Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="claude-fable-5-1",
    # model="gemini-3.7-flash",  # descomente esta linha, comente a linha acima
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenha sua chave de API →

Perguntas frequentes

Qual é mais barato, Claude Fable 5.1 ou Gemini 3.7 Flash?

Gemini 3.7 Flash sai mais barato na linha “Entrada / 1M tokens” ($0.75 contra $10, 13× de diferença). Outras linhas podem pender para o outro lado: a tabela acima mostra todos os preços, e o custo real depende do seu mix de uso.

Posso fazer um teste A/B de Claude Fable 5.1 contra Gemini 3.7 Flash sem duas integrações?

Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.

Claude Fable 5.1 e Gemini 3.7 Flash suportam cache de prompts?

Sim. Os dois cobram as leituras de cache abaixo da tarifa de entrada, então cargas de trabalho com prefixo já em cache custam menos do que os preços de tabela sugerem. Os valores exatos de leitura de cache estão na tabela de preços acima.

Comparações relacionadas

Dos nossos estudos com medições