Claude Fable 5 vs GLM-5.2: preços e especificações, medidos

Qual usar e quando

Ambos os modelos têm janela de contexto de 1,000,000 tokens e saída máxima parecida (128000 no claude-fable-5, 131072 no glm-5.2), então a diferença está nas entradas e no custo: claude-fable-5 aceita imagem junto com texto e sempre roda com pensamento ligado, enquanto glm-5.2 é só texto e permite desligá-lo. Na tabela, glm-5.2 é cerca de 7.1x mais barato na entrada ($1.4 vs $10), cerca de 11x mais barato na saída ($4.4 vs $50) e quase 3.8x mais barato nas leituras de cache ($0.26 vs $1). Escolha claude-fable-5 quando precisar de entrada de imagem ou raciocínio forçado; escolha glm-5.2 para trabalho de texto em alto volume e contexto longo.

Benchmarks

À frenteAcima da médiaNenhum melhorClaude Fable 54187 ~~/ 97~~40 ~~/ 97~~GLM-5.2125 ~~/ 80~~1 ~~/ 80~~

43 medidos em ambos, 1 empatados.

Claude Fable 5 GLM-5.2 outros modelos medidos média dos modelos comparados ★ nenhum outro modelo teve pontuação maior

SWE-Bench Pro

nenhum outro modelo teve pontuação maior 80.3%

62.1%

BioMysteryBench hard

46.5%

N/A

OSWorld-Verified

nenhum outro modelo teve pontuação maior 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

nenhum outro modelo teve pontuação maior 88.9%

N/A

SWE-Bench Pro

nenhum outro modelo teve pontuação maior 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

nenhum outro modelo teve pontuação maior 60.2%

50.5%

DeepSWE

70%

46.2%

ProgramBench Almost Solved

33%

9.5%

MLS-Bench-Lite

nenhum outro modelo teve pontuação maior 49.9%

40.4%

FrontierSWE

nenhum outro modelo teve pontuação maior 88.8%

67.3%

Kimi Code Bench 2.0

nenhum outro modelo teve pontuação maior 76.9%

64.2%

PostTrainBench

nenhum outro modelo teve pontuação maior 41.4%

31.7%

ProgramBench

76.8%

63.7%

DSBench-FullStack

nenhum outro modelo teve pontuação maior 77.2%

61.8%

DSBench-Hard

68.3%

54.5%

SWE-Marathon

35%

13%

SWE-Marathon v1.1

33.1%

19.4%

FrontierSWE Dominance

nenhum outro modelo teve pontuação maior 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

nenhum outro modelo teve pontuação maior 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

nenhum outro modelo teve pontuação maior 63.1%

N/A

QwenReactBench 1538-1770

nenhum outro modelo teve pontuação maior 1770

N/A

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

1690

N/A

QwenSWEBench

nenhum outro modelo teve pontuação maior 86.3%

N/A

FrontierCode (Diamond) xhigh

29.3%

N/A

Terminal-Bench 2.1 Best

N/A

82.7%

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

Preços

	Claude Fable 5	GLM-5.2	Δ
Entrada / 1M tokens	$10	$1.4	7.1×
Saída / 1M tokens	$50	$4.4	11×
Leitura de cache / 1M tokens	$1	$0.26	3.8×
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 76 modelos de chat com esta unidade de cobrança (escala logarítmica)

Claude Fable 5 · $10 GLM-5.2 · $1.4

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

Capacidades

	Claude Fable 5	GLM-5.2
Uso de ferramentas	sim	sim
Controle de raciocínio	sempre ativo	configurável
Saída estruturada	sim	sim
Cache de prompts	explícito (você marca o prefixo)	implícito (automático)
Tempo de vida do cache	5m default, 1h option	não publicado
Prefixo mínimo em cache	1024 tokens	não publicado

Especificações

	Claude Fable 5	GLM-5.2
Modalidades de entrada	texto imagem	texto
Modalidades de saída	texto	texto
Lançamento	2026-06-09	2026-06-16
Corte de conhecimento	2026-01	-
Janela de contexto	1M	1M
Saída máxima	128K	131K
Parâmetro de raciocínio	output_config.effort (thinking.type is adaptive-only and needs no configuration)	thinking.type reasoning_effort
Valores aceitos	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)
Padrão	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

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 · GLM-5.2

Um prompt, os dois modelos, medidos pelo gateway

Raciocínio para um CFO Corrigir uma função com bug Extrair para um schema Escrever com restrições

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 passou · 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.

saída 228 tok latência 6.7 s

GLM-5.2 passou · 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.

saída 1223 tok (+1138 raciocínio) latência 17.1 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 passou · 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

saída 531 tok latência 12.5 s

GLM-5.2 falhou · 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 […]

saída 4097 tok (+4036 raciocínio) latência 58.4 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 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 interpretation: "up eleven and change" is rendered as 11 (the precise figure isn't stated), and guidance is null because it was explicitly withheld.

saída 192 tok latência 6.5 s

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

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

saída 1947 tok (+1893 raciocínio) latência 30.9 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 passou · 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.

saída 1173 tok latência 18.2 s

GLM-5.2 passou · 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.

saída 11125 tok (+10984 raciocínio) latência 114.8 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",
    # model="glm-5.2",  # descomente esta linha, comente a linha acima
    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",  // descomente esta linha, comente a linha acima
  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",  # descomente esta linha, comente a linha acima
    "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",  // descomente esta linha, comente a linha acima
		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")  // descomente esta linha, comente a linha acima
        .addUserMessage("Summarize this diff")
        .reasoningEffort(ReasoningEffort.MEDIUM)
        .build());
System.out.println(resp.choices().get(0).message().content().orElse(""));

Obtenha sua chave de API →

Perguntas frequentes

Qual é mais barato, Claude Fable 5 ou GLM-5.2?

GLM-5.2 sai mais barato na linha “Entrada / 1M tokens” ($1.4 contra $10, 7.1× 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 contra GLM-5.2 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 e GLM-5.2 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

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 Compare dois modelos quaisquer →

Dos nossos estudos com medições

GPT-6.1 Sol vs Claude Sonnet 5.5: mesmo $2/$10, metade do custo API GLM 5.3: sempre pensa, 2.5x menos por resposta que a 5.2 GPT-6 Astra: max custa 2.3x low com respostas idênticas