Lanzamiento de Claude Fable 5.2: ¿high o max? Veamos los datos y comparemos la calidad y el costo.

Claude Fable 5.2 se lanzó el 9 de noviembre de 2026. Su precio estándar por API es un 20 % más bajo que el de la versión 5.1.

Muchas empresas se preguntarán enseguida: si ahora cuesta menos, ¿podemos pasar directamente a max?

En este artículo comparamos Fable 5.2 high y Fable 5.2 max con el mismo marco de análisis, teniendo en cuenta tanto la calidad como el costo por tarea.

Valor principal: al terminar de leer, sabrás en qué condiciones conviene usar high o max en Fable 5.2 y tendrás una lista de verificación que puedes aplicar directamente para evaluar una actualización.

Índice

• Lo que debes saber: términos relacionados con la elección de nivel en Fable 5.2
• 1 El nivel high y el nivel max de Fable 5.2 no cambian el mismo precio unitario
• 2 Calidad y costo de Fable 5.2 en una misma tabla
• 3 Revisión de las tendencias por nivel de Fable 5.2 con datos de entidades independientes
• 4 Elección del nivel de Fable 5.2 según el uso
• 5 Cómo decidir, con tus propias pruebas de aceptación, si actualizar Fable 5.2 a max
• Preguntas frecuentes / conclusiones clave / resumen

Para tener en cuenta

1. high y max de Fable 5.2 no cambian el mismo precio unitario

Mucha gente piensa que cuanto más alto es el nivel, más caro es el precio unitario. Sin embargo, con las tarifas estándar oficiales de Anthropic, Fable 5.2 cuesta 8 dólares por cada millón de tokens de entrada y 40 dólares por cada millón de tokens de salida. Estos precios no varían según el nivel.

effort cambia cuánto piensa el modelo en una tarea, cuántos pasos da, cuánto tarda y cuántos tokens consume. Por eso, aunque el precio unitario sea el mismo, el coste de una tarea puede multiplicarse varias veces.

Cómo afectan los niveles de Fable 5.2 a la factura

En Fable 5.2, el pensamiento adaptativo está siempre activado; effort determina el límite y la tendencia de la inversión de pensamiento. Al subir de nivel, el modelo suele hacer más razonamientos y llamadas a herramientas, lo que aumenta los tokens facturables.

Con los mismos 100.000 tokens de entrada, si la salida aumenta de 20.000 a 40.000 tokens, el coste en el modo estándar de 5.2 sube de 1,60 a 2,40 dólares; es decir, supera incluso los 2 dólares que costaba 5.1 con el consumo anterior.

También conviene distinguir dos tipos de «valor predeterminado». La documentación oficial del modelo especifica que el effort predeterminado de la API es high. Productos como Cursor tienen su propia capa de configuración. Por ejemplo, su contexto predeterminado es de 300K, algo que no está en el mismo nivel que la especificación de 1M de la documentación de la API.

Un último detalle: la guía oficial de indicaciones advierte que un mismo nivel puede implicar una cantidad de pensamiento distinta en cada versión. Por eso, no conviene aplicar sin más a 5.2 lo aprendido con los niveles de la época de 5.1.

2 Calidad y costo de Fable 5.2 en una misma tabla

CursorBench 4.0 es una evaluación que Cursor realiza con sus propias tareas y herramientas. No es una prueba independiente de propósito general, pero compara los cinco niveles bajo el mismo harness, por lo que resulta útil para observar las diferencias relativas entre ellos. Los datos se consultaron el 10 de noviembre de 2026.

Nota: la columna de tokens es un campo agregado de la página de referencia; no debe interpretarse como si incluyera solo la cantidad de tokens de salida. Fuente: CursorBench 4.0.

De Fable 5.2 High a Max: 3.1 puntos porcentuales y un costo unas 3.38 veces mayor

En esta tabla, la puntuación sube de 56.9% en High a 60.0% en Max: una mejora de 3.1 puntos porcentuales. El costo por tarea pasa de 9.70 a 32.79 dólares, es decir, unas 3.38 veces más —un aumento de aproximadamente el 238%—.

Según nuestros cálculos, el campo de tokens aumenta unas 3.55 veces, y los pasos pasan de 69 a 218, alrededor de 3.16 veces más. El aumento del costo se debe principalmente a que se requieren más pasos de razonamiento y ejecución, no a un cambio en el precio unitario.

Estos datos solo permiten afirmar que, en este entorno, una puntuación más alta va acompañada de un gasto notablemente mayor.

Cómo interpretar el resultado atípico de Extra High

Hay otro dato que llama la atención: Extra High cuesta alrededor de un 60% más que High, pero obtiene una puntuación 0.6 puntos porcentuales menor.

💡 Recomendación: solo se pueden comparar los niveles dentro de una misma tabla; no conviene combinar cifras de distintas evaluaciones. Si quieres reproducir una comparación similar con tus propias tareas, puedes conciliar los datos con la interfaz unificada y los registros de invocaciones de APIYI (apiyi.com). Antes, confirma qué ID de modelo y qué niveles admite la plataforma ese día.

3 Comprobar la tendencia de los niveles de Fable 5.2 con datos de una entidad independiente

Si solo se consulta un entorno de evaluación, las conclusiones pueden verse afectadas por las particularidades de ese entorno. AA es una entidad de evaluación independiente y su clasificación permite comprobar si la tendencia observada en Cursor también aparece en otro entorno. A continuación se muestra una instantánea actualizada al 10 de noviembre de 2026, con la versión metodológica Intelligence Index v5.0.1.

65 no significa un 65 % de respuestas correctas

La página metodológica de AA explica que el índice de la versión v5.0.1 se compone de 9 evaluaciones y que cada una de las cuatro categorías de capacidades tiene un peso del 25 %. Por tanto, 65 es una puntuación compuesta, no un 65 % de respuestas correctas. En el entorno de AA, el índice sube 3 puntos de high a max, mientras que el coste por tarea se multiplica aproximadamente por 2.92. Que high y xhigh obtengan ambos 62 solo significa que tienen la misma puntuación compuesta, no que su comportamiento sea idéntico en cada tarea.

Los dos entornos solo se pueden comparar por separado

Ambos entornos muestran la misma tendencia: max obtiene una puntuación más alta y cuesta aproximadamente 3 veces más que high. Esto sirve como corroboración de la tendencia. Sin embargo, AA y Cursor utilizan tareas, métodos de puntuación y cálculos de costes distintos, así que no se deben combinar el 65 de AA y el 60.0 % de Cursor para calcular una única tasa de respuestas correctas.

4. Elige el nivel de Fable 5.2 según la tarea

La guía oficial de indicaciones propone una lógica inicial: empieza con high en la API y sube o baja según los resultados de tus evaluaciones. medium está más orientado a escenarios interactivos; reserva xhigh para tareas difíciles y largas en las que se haya demostrado que aporta un beneficio adicional. Usa max para evaluar el límite de capacidad o en las pocas tareas en las que el tiempo y los tokens no sean importantes. Ten en cuenta que los niveles bajos también conllevan el riesgo de que la tarea termine antes de tiempo.

Tabla de recomendaciones para distintos escenarios de Fable 5.2

Los tres escenarios siguientes son hipotéticos y sirven para ilustrar cómo elegir.

Cuándo elegir Fable 5.2 high

• Para la mayoría de las tareas de API que requieren un razonamiento sólido y tienen criterios de aceptación claros.
• Si el equipo aún no cuenta con un sistema para evaluar los niveles y necesita un punto de partida recomendado oficialmente.
• Para flujos de producción con muchas solicitudes y en los que el costo por tarea es importante.

Cuándo elegir Fable 5.2 max

• Para evaluar el límite de capacidad del modelo en un tipo de problema.
• Para unas pocas preguntas abiertas en las que el costo de fallar sea muy superior al costo del modelo.
• Cuando tus propias muestras hayan demostrado que max puede elevar la tasa de éxito por encima del umbral y que high no lo consigue.

🎯 Recomendación técnica: elige el nivel según las categorías de tareas; no hace falta decidirlo para cada solicitud. La mejor práctica recomendada oficialmente es empezar con high en un conjunto representativo de tareas. Si planeas integrar todo mediante la API de APIYI (apiyi.com), confirma en la plataforma, antes de iniciar la ejecución formal, el ID del modelo, el grupo, el endpoint y los niveles de esfuerzo disponibles ese día.

5 Decide con tus propios criterios de aceptación si actualizar Fable 5.2 a max

Las evaluaciones públicas solo sirven para ver tendencias. Para decidir si te conviene actualizar, debes basarte en los resultados de tus propias pruebas de aceptación. Puedes usar directamente la siguiente lista de registro. El principio clave es cambiar solo una variable cada vez: el nivel de esfuerzo.

Primeros pasos con Fable 5.2: registra primero el usage

Este ejemplo mínimo solo muestra cómo realizar una llamada y registrar el usage. Este artículo no incluye cómo pasar el parámetro effort: para saber si Fable 5.2 ya está disponible en la plataforma y si se puede pasar effort, consulta la documentación vigente de la plataforma.

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # Interfaz compatible con OpenAI de APIYI
)

resp = client.chat.completions.create(
    model="YOUR_MODEL_ID",  # Introduce el ID del modelo que la plataforma confirme como disponible ese día
    messages=[{"role": "user", "content": "按验收标准修复以下函数……"}]
)
print(resp.usage)  # Registra el usage para conciliarlo más adelante

import time
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# Tarifas estándar oficiales de Anthropic (USD por millón de tokens); solo sirven como estimación y no representan el cargo real
RATE_IN, RATE_OUT = 8.0, 40.0

def run_task(task_id: str, prompt: str, model: str, effort_label: str, passed_fn):
    """Ejecuta una tarea y devuelve un registro de aceptación. effort_label es solo una etiqueta para el registro."""
    start = time.time()
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}]
    )
    text = resp.choices[0].message.content
    u = resp.usage
    est_usd = u.prompt_tokens / 1e6 * RATE_IN + u.completion_tokens / 1e6 * RATE_OUT
    return {
        "task_id": task_id,
        "model": model,
        "effort": effort_label,
        "passed": passed_fn(text),          # Función de aceptación definida de antemano
        "prompt_tokens": u.prompt_tokens,
        "completion_tokens": u.completion_tokens,
        "est_usd": round(est_usd, 4),       # Valor estimado
        "seconds": round(time.time() - start, 1),
        "output": text,                     # Conserva el texto original de los casos fallidos
    }

def quota_to_usd(quota: int) -> float:
    """En los registros de la plataforma, quota ÷ 500000 equivale al cargo real en USD."""
    return quota / 500000

La documentación de registros de APIYI enumera campos como model_name, prompt_tokens, completion_tokens, quota, duration_for_view y request_id. quota ÷ 500000 equivale al cargo real en USD, y el campo other contiene información adicional, como los multiplicadores por grupo. Al vincular los registros de aceptación con los registros de la plataforma mediante request_id, puedes calcular el gasto real de las «tareas aprobadas» en lugar de fijarte solo en el coste de cada llamada.

🚀 Inicio rápido: Si primero quieres validar el flujo con una muestra pequeña, regístrate en APIYI, en apiyi.com, y usa el crédito gratuito de prueba para nuevos usuarios. Así podrás probar el método de registro «misma tarea, una sola variable, cargo real» antes de ampliar la muestra.

El criterio final es: primero comprueba si high alcanza el umbral de calidad. Si lo alcanza, no hace falta pagar alrededor de 3 veces más por esos pocos puntos porcentuales adicionales. Solo si high no llega al umbral y max sí lo consigue, compara el coste adicional de max con el coste de los fallos o del trabajo repetido. No se recomienda establecer max como valor predeterminado para todas las solicitudes.

Preguntas frecuentes

Fable 5.2 high y max: puntos clave

• El precio unitario no cambia, pero la factura sí: effort modifica la cantidad de razonamiento y los pasos necesarios. Con el mismo precio unitario, el costo de una tarea puede variar varias veces.
• La API usa high de forma predeterminada: la recomendación oficial es empezar con high y ajustar el nivel según los resultados de tus propias evaluaciones.
• Comparación en Cursor: pasar de high a max mejora 3,1 puntos porcentuales y multiplica el costo por aproximadamente 3,38.
• Comparación en AA: el índice sube de 62 a 65 y el costo se multiplica por aproximadamente 2,92; 65 no es una tasa de acierto.
• No se deben combinar los entornos: los resultados de ambas evaluaciones solo se pueden comparar dentro de cada entorno; no se pueden combinar para obtener una puntuación común de relación costo-beneficio.
• Reserva max para unas pocas tareas: úsalo para evaluar el límite de capacidad del modelo y para problemas abiertos de alto valor.
• Valida con el importe realmente facturado: usa la misma tarea y cambia una sola variable; registra el uso y, si hace falta, consulta los registros de APIYI en apiyi.com para cuadrar los cargos.

Resumen

La elección entre high y max en Fable 5.2 se puede resumir en tres puntos:

1. Distingue entre precio unitario y costo de la tarea: el nivel no cambia el precio unitario, sino la cantidad de recursos que se utilizan.
2. Interpreta los datos dentro de cada entorno: tanto Cursor como AA muestran que max obtiene una puntuación ligeramente superior, con un costo de aproximadamente tres veces el de high, pero los resultados de ambos entornos no se pueden combinar.
3. Guíate por los criterios de aceptación: si high cumple los requisitos, mantenlo. Compara el costo adicional con el costo de repetir el trabajo solo si high no cumple y max sí.

Para la mayoría de los equipos, lo más prudente es empezar con high, definir categorías de tareas y registrar los criterios de aceptación. Después, se pueden seleccionar unas pocas tareas de alto valor y evaluar max por separado. APIYI en apiyi.com permite validar rápidamente tus propias muestras con una interfaz unificada y registros de invocaciones. Antes de ampliar el uso, confirma que el modelo y el nivel estén disponibles.

📚 Referencias

1. Anuncio de Anthropic: alcance del lanzamiento de Fable y Mythos 5.2, y evaluación del proveedor
2. Enlace: anthropic.com/claude-fable-and-mythos-5-2

3. Nota: la fecha de lanzamiento es el 2026-11-09; incluye los criterios de medición de velocidad y una tabla de evaluaciones

4. Precios de Claude API: tarifas estándar oficiales

5. Enlace: platform.claude.com/docs/en/about-claude/pricing

6. Nota: Fable 5.2 cuesta 8 / 40 dólares por millón de tokens de entrada / salida

7. Especificaciones del modelo Fable 5.2: contexto, límite de salida y nivel de esfuerzo predeterminado

8. Enlace: platform.claude.com/docs/en/models/fable-5-2/overview

9. Nota: el pensamiento adaptativo está siempre activado; el valor predeterminado de la API es high

10. Guía de indicaciones para Fable 5.2: recomendaciones oficiales para elegir el nivel

11. Enlace: platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-2

12. Nota: casos de uso de medium, high, xhigh y max

13. CursorBench 4.0: evaluaciones en cinco niveles dentro del entorno propio de Cursor

14. Enlace: prod.cursor.com/evals

15. Nota: es una evaluación del propio proveedor de herramientas, no una repetición independiente de carácter general

16. Clasificación de modelos de Artificial Analysis: clasificación dinámica de una organización independiente

17. Enlace: artificialanalysis.ai/leaderboards/models

18. Nota: Intelligence Index y costo por tarea

19. Metodología de evaluación de Artificial Analysis: composición de Intelligence Index v5.0.1

20. Enlace: artificialanalysis.ai/methodology/intelligence-benchmarking

21. Nota: 9 evaluaciones; cada una de las cuatro categorías de capacidades representa el 25 %

22. Cómo compara Cursor la calidad de los modelos: artículo sobre la metodología de una versión anterior del benchmark

23. Enlace: prod.cursor.com/blog/cursorbench

24. Nota: sirve únicamente para entender el planteamiento del diseño; no es aplicable a las conclusiones estadísticas de la versión 4.0

25. API de consulta de registros de APIYI: campos de registro y cálculo del importe cobrado

26. Enlace: docs.apiyi.com/api-capabilities/log-query
27. Nota: quota÷500000 equivale al importe cobrado en dólares

Autor: Equipo técnico de APIYI
Intercambio técnico: Puedes contactarnos desde la página de inicio de APIYI, apiyi.com. Encontrarás más recursos en el centro de documentación, docs.apiyi.com.

Artículos relacionados

• Fable 5.5 vs. GPT-6.2 Astra: ¿cuál es más potente y cómo elegir? 6 demostraciones y 3 puntos de comparación injustos: Fable 5.5 y GPT-6.2 Astra tienen demos públicas, pero no comparativas con la misma prueba; este artículo analiza los niveles de evidencia de seis demos y las especificaciones y precios oficiales de los actuales modelos insignia Fable 5.1 y GPT-6 Astra, y propone un método reproducible de evaluación y selección.
• ¿Qué es mejor para la automatización a gran escala, GPT-6.1 Terra o GPT-6 Luna? Comparación de costes y precisión mediante 4 pruebas reales: El precio por token de Terra es 10 veces el de Luna, pero la diferencia de precisión oscila entre 4,7 y 18,7 puntos porcentuales; este artículo usa datos reales de pruebas como Plotly, DualEntry y OSWorld para calcular el coste real por resultado correcto en la automatización por lotes.
• No mires solo el precio unitario del token: 7 pasos para estimar el costo total de una tarea: Desde la entrada, la salida, el razonamiento, la caché y los reintentos hasta la validación y actualización, utiliza 7 pasos para convertir “cuánto cuesta por millón de tokens” en “cuánto cuesta por tarea completada”.
• Guía de validación de tareas de largo alcance para nuevos modelos: 5 pasos para determinar si vale la pena cambiar a un nuevo modelo: Después de que se lance un nuevo modelo, para validar comparativamente con tus propias tareas de largo plazo, este artículo ofrece un proceso de 5 pasos, 6 métricas de evaluación y un método de cálculo de costos que te ayuda a decidir si vale la pena cambiar.
• Pesos de código abierto de MiniMax M3.1 Flash disponibles el 23/10: comparación en 4 dimensiones de la configuración de implementación local y los costos de API: Está previsto publicar los pesos de MiniMax M3.1 Flash el 23 de octubre; este artículo explica los requisitos para el despliegue local y compara los costos del autoalojamiento y del uso directo de la API en cuatro aspectos: cumplimiento normativo, volumen de llamadas, capacidad operativa y necesidad de modificar el modelo.