Construye con CometAPI¿Necesitas una sola API para varios modelos?Prueba el flujo en el Playground y luego crea una clave de API cuando el modelo y el costo encajen con tu caso de uso.
Claude Fable 5.1 Pruebas de rendimiento: Lo que me dicen las puntuaciones
Explore las pruebas de referencia de Claude Fable 5.1, los principales avances, las limitaciones y las comparaciones con Fable 5, Opus 5, GPT-5.6 Sol y GPT-6 Astra.
Mia MarenEquipo de investigación de modelos de IA y API
TL;DR Claude Fable 5.1 es principalmente una mejora de ejecución agéntica. Sus mayores avances reportados aparecen en investigación científica, automatización empresarial, codificación en terminal y otros flujos de trabajo que requieren planificación, uso de herramientas, verificación y recuperación a través de muchos pasos. Las mejoras son menores en razonamiento de respuesta cerrada y tareas más cortas de codificación estilo IDE, por lo que la mejor decisión de despliegue depende de la carga de trabajo más que de un único puntaje principal.
Puntos clave
Fable 5.1 puntúa 52.6% en Terminal-Bench-Science 0.1, más del doble del 24.7% de Fable 5 en la evaluación de Anthropic.
AutomationBench sube de 17.1% a 31.4%, mostrando una gran mejora en flujos de trabajo empresariales de extremo a extremo.
Las ganancias son más modestas en CursorBench y Humanity’s Last Exam asistido por herramientas, lo que sugiere que la versión mejora la ejecución sostenida más que todas las formas de razonamiento por igual.
Revisado para mayor claridad, atribución de fuentes y terminología API actual.
Fable 5.1 mantiene los mismos precios estándar por token que Fable 5, mientras que precios más bajos de lectura de caché pueden reducir el costo efectivo de flujos agénticos con mucho contexto.
GPT-6 Astra es ahora la comparación más actual de OpenAI, pero no fue incluido en la tabla de benchmarks del 1 de septiembre de Anthropic. Cualquier afirmación de rendimiento directo requiere una evaluación con el mismo arnés.
Anthropic lanzó Claude Fable 5.1 el 1 de septiembre de 2026 para razonamiento exigente, agentes de largo horizonte, ingeniería de software, investigación y trabajo profesional basado en conocimiento. Claude Fable 5.1 también está disponible a través de CometAPI para desarrolladores que quieran evaluarlo junto con otros modelos de frontera mediante un endpoint unificado.
Los resultados principales son sólidos, pero la distribución de la mejora es más informativa que el promedio. Fable 5.1 gana más cuando un agente debe mantener un objetivo, interactuar con herramientas, recuperarse de errores y verificar un estado final. Este artículo se centra en lo que significan los resultados de los benchmarks, dónde el modelo aún se queda corto y cómo evaluarlo frente a alternativas más nuevas.
Claude Fable 5.1 de un vistazo
Documentación del modelo de Anthropic especifica una ventana de contexto de 1 millón de tokens, salida máxima de 128K, entrada de texto e imagen, pensamiento adaptativo siempre activo y fecha de corte de conocimiento de junio de 2026. El ID del modelo en la API de Claude es claude-fable-5-1.
Especificación oficial
Claude Fable 5.1
Proveedor
Anthropic
Fecha de lanzamiento
1 de septiembre de 2026
ID del modelo
claude-fable-5-1
Ventana de contexto
1,000,000 tokens
Salida máxima
128,000 tokens
Entrada / salida
Texto e imágenes → texto
Pensamiento
Adaptativo, siempre activo
Esfuerzo predeterminado
Alto
Fecha de corte de conocimiento
Junio de 2026
Precio de entrada de Anthropic
$10 / MTok
Precio de salida de Anthropic
$50 / MTok
Lectura de caché
$0.25 / MTok
Latencia comparativa
Más lenta
Posicionamiento principal
Razonamiento exigente y trabajo agéntico de largo horizonte
Los precios estándar de entrada y salida siguen siendo los mismos que en Fable 5, mientras que las lecturas de caché bajaron a $0.25 por millón de tokens. Fable 5.1 no tiene precios de tokens de entrada/salida más bajos como titular. Su menor costo efectivo proviene principalmente de una reducción del 75% en el precio de lectura de caché. Anthropic estima alrededor de un 25% menos de costo para cargas típicas y hasta aproximadamente un 45% para cargas altamente agénticas.
Eso importa porque un agente de larga duración reutiliza repetidamente el contexto del repositorio, instrucciones, definiciones de herramientas y estado previo. El costo por tarea completada puede mejorar incluso cuando los precios titulares de entrada y salida no cambian.
Anthropic también reporta 60.9% para Claude Mythos 5.1 en Terminal-Bench 4.0. Mythos 5.1 es una versión desplegada por separado con salvaguardias diferentes y no debe tratarse como el puntaje de Fable 5.1 de disponibilidad general.
Fable 5.1 supera a Fable 5 y Opus 5 en las nueve filas reportadas. Sus mayores ganancias generacionales ocurren en investigación científica, automatización de flujos empresariales y codificación en terminal. Las diferencias menores en Humanity’s Last Exam y CursorBench son igualmente importantes porque muestran que la mejora no es uniforme en todas las cargas de trabajo.
¿Dónde mejora más Claude Fable 5.1?
Terminal-Bench-Science 0.1: el resultado destacado
Fable 5.1 puntúa 52.6%, frente a 24.7% para Claude Fable 5, 29.0% para Claude Opus 5 y 22.4% para GPT-5.6 Sol en la ejecución de Anthropic. La gran brecha generacional de 27.9 puntos es mucho mayor que el error estándar por modelo reportado, mientras que brechas más pequeñas —como la diferencia de 3.5 puntos de Fable 5.1 vs Opus 5 en Terminal-Bench 4.0— deben interpretarse con más cautela.
Terminal-Bench-Science evalúa flujos completos de investigación en dominios científicos y de ingeniería. Los agentes deben producir código, análisis, pruebas, simulaciones o productos de datos en lugar de simplemente responder preguntas aisladas. Anthropic informa un error estándar de aproximadamente ±3.5–4.5 puntos por modelo, por lo que las brechas pequeñas no deben interpretarse automáticamente como diferencias significativas de capacidad.
Terminal-Bench 4.0: mayor codificación autónoma
Fable 5.1 alcanza 55.8%, por delante de Fable 5 con 42.0%, Opus 5 con 52.3% y GPT-5.6 Sol con 37.3%. La mejora de 13.8 puntos sobre Fable 5 es sustancial, mientras que la ventaja de 3.5 puntos sobre Opus 5 es comparativamente estrecha.
El benchmark sitúa a los agentes en un entorno de ejecución, por lo que el éxito depende de navegar el entorno, cambiar código y validar resultados. Dado que Terminal-Bench 4.0 utiliza un conjunto de tareas distinto de versiones anteriores, las puntuaciones deben compararse solo dentro de la misma versión del benchmark.
AutomationBench: una gran ganancia con margen significativo
AutomationBench sube de 17.1% en Fable 5 a 31.4% en Fable 5.1. Es un aumento absoluto de 14.3 puntos, o aproximadamente una ganancia relativa del 84%.
El benchmark evalúa flujos en ventas, marketing, operaciones, soporte, finanzas y RR. HH. comprobando el estado final del entorno. Esto lo convierte en una prueba útil de si un agente realmente completó un flujo en lugar de simplemente proponer las acciones correctas. La puntuación también revela la limitación restante: aproximadamente dos tercios de las tareas aún no fueron completadas bajo la configuración reportada por Anthropic.
CursorBench 3.2.0: una ganancia de codificación más pequeña
Fable 5.1 alcanza 73.4%, frente a 70.5% para Fable 5, 70.0% para Opus 5 y 67.2% para GPT-5.6 Sol. La ganancia sobre Fable 5 es de solo 2.9 puntos.
Por lo tanto, el lanzamiento parece menos transformador en tareas más cortas de codificación estilo IDE que en flujos más largos que involucran planificación, ejecución, verificación y recuperación. Los conjuntos de evaluación deberían incluir cambios a escala de repositorio y recuperación de pruebas fallidas en lugar de únicamente calidad de generación de código.
OSWorld 2.0: el uso del ordenador sigue siendo difícil
Fable 5.1 puntúa 77.9% con crédito parcial y 41.7% bajo finalización estricta. Opus 5 alcanza 75.4% y 39.6%, mientras que Fable 5 alcanza 72.9% y 36.1%.
La puntuación estricta es la señal de producción más reveladora. Menos de la mitad de las tareas fueron completamente completadas, lo que demuestra que el progreso en uso del ordenador no elimina la necesidad de puntos de control, permisos, supervisión y lógica de recuperación.
CursorBench y Humanity’s Last Exam: ganancias más pequeñas
Fable 5.1 alcanza 73.4% en CursorBench 3.2.0, solo 2.9 puntos por encima de Fable 5. En Humanity’s Last Exam, gana 3.1 puntos sin herramientas y 1.2 puntos con herramientas.
Estas brechas más estrechas apoyan la interpretación central: Fable 5.1 es más transformador en flujos largos que implican planificación, ejecución, verificación y recuperación que en tareas de IDE más cortas o razonamiento académico de respuesta cerrada.
Claude Fable 5.1 vs Fable 5 vs GPT-6 Astra vs Opus 5
Respuesta corta: Fable 5.1 es la opción más fuerte en la tabla de benchmarks de largo horizonte publicada por Anthropic; Opus 5 es el punto de partida más económico cuando su brecha de rendimiento menor es aceptable; Fable 5 sigue siendo la referencia heredada; GPT-6 Astra requiere una prueba con el mismo arnés antes de cualquier clasificación directa.
Fable 5.1 es una mejora generacional clara sobre Fable 5 en los benchmarks agénticos de largo horizonte reportados por Anthropic. GPT-6 Astra es la comparación más actual de OpenAI, pero se lanzó después de la evaluación del 1 de septiembre de Anthropic y no fue incluido en el mismo arnés de benchmark.
Dimensión
Claude Fable 5.1
Claude Fable 5
GPT-6 Astra
Ventana de contexto
1M tokens
1M tokens
1.05M tokens
Salida máxima
128K
128K
128K
Entrada / salida estándar
$10 / $50 por MTok
$10 / $50 por MTok
$10 / $50 por MTok
Lectura de caché
$0.25 / MTok
$1 / MTok
Verificar términos actuales del proveedor
Terminal-Bench-Science 0.1
52.6%
24.7%
No incluido en la tabla de lanzamiento de Anthropic
Terminal-Bench 4.0
55.8%
42.0%
No incluido en la tabla de lanzamiento de Anthropic
AutomationBench
31.4%
17.1%
No incluido en la tabla de lanzamiento de Anthropic
Posicionamiento principal
Razonamiento exigente y agentes de largo horizonte
Base previa de la clase Fable
Trabajo profesional de extremo a extremo difícil
Frente a Fable 5, Fable 5.1 muestra sus mayores ganancias medidas en investigación científica, automatización empresarial y codificación en terminal, manteniendo los mismos precios estándar por token. Un menor precio de lectura de caché mejora aún más la economía de agentes con contexto reutilizado.
Regla de selección: empezar con Opus 5 cuando el costo sea la prioridad, escalar a Fable 5.1 cuando la finalización y recuperación de largo horizonte importen más, mantener Fable 5 solo para cargas sensibles a compatibilidad y evaluar GPT-6 Astra en una prueba controlada con el mismo arnés antes de adoptarlo en producción.
¿Cómo luce el rendimiento del benchmark por carga de trabajo?
Capacidad
Resultado de Fable 5.1
Cambio vs Fable 5
Interpretación
Investigación científica agéntica
52.6%
+27.9 pts
Ganancia muy grande
Automatización de flujos empresariales
31.4%
+14.3 pts
Ganancia muy grande
Codificación en terminal
55.8%
+13.8 pts
Gran ganancia
Uso de ordenador, estricto
41.7%
+5.6 pts
Ganancia moderada
Uso de ordenador, parcial
77.9%
+5.0 pts
Ganancia moderada
Razonamiento experto, sin herramientas
60.9%
+3.1 pts
Ganancia pequeña
Codificación agéntica en IDE
73.4%
+2.9 pts
Ganancia pequeña
Razonamiento experto, con herramientas
65.0%
+1.2 pts
Ganancia pequeña
Trabajo profesional basado en conocimiento
1853 Elo
+130 Elo
Fuerte, sensible a configuración
El patrón es consistente: las mayores mejoras aparecen cuando el éxito depende de persistencia, planificación, interacción con el entorno, uso de herramientas y recuperación en el tiempo.
¿Qué no te dicen los benchmarks?
Las tablas de benchmarks comprimen el comportamiento en números únicos. No prueban que los agentes autónomos estén resueltos, y no predicen todas las cargas de trabajo de producción.
La tabla principal de comparación es ejecutada por el proveedor.
Las configuraciones de esfuerzo afectan calidad, latencia y costo.
Los benchmarks agénticos miden el conjunto de modelo, arnés, herramientas y permisos.
Se habilitaron salvaguardias de producción para Fable 5.1 y afectaron algunos resultados.
Las versiones de los benchmarks cambian, por lo que los valores de diferentes lanzamientos de tareas pueden no ser comparables.
AutomationBench permanece en 31.4%, mientras que OSWorld de finalización estricta permanece en 41.7%; persisten tasas de fallo sustanciales.
Una evaluación práctica debería usar puntuaciones públicas para preseleccionar candidatos, reproducir una pequeña comparación con ajustes idénticos y luego probar el flujo de trabajo de producción real.
¿Es Claude Fable 5.1 el mejor modelo de Claude?
Para máxima capacidad en trabajo difícil y de larga ejecución, la evidencia de benchmark hace un caso sólido para Claude Fable 5.1. Para todas las cargas de trabajo, no.
Anthropic lo tarifa a $10 por millón de tokens de entrada y $50 por millón de tokens de salida, frente a $5 y $25 para Opus 5. La prima se justifica solo cuando Fable 5.1 produce una mayor tasa de éxito, menos reintentos, menos tokens por tarea aceptada o suficiente reducción en tiempo de revisión humana.
Un menor precio de lectura de caché puede estrechar la brecha de costo efectivo para agentes. El costo por resultado aceptado es por tanto más útil que el precio por token únicamente.
¿Cómo deberías hacer benchmark a Claude Fable 5.1?
Tu evaluación debería parecerse a la carga de producción prevista.
Codificación: probar incidencias completas y registrar aceptación de parches, pruebas aprobadas, reintentos, llamadas a herramientas, tiempo transcurrido y tiempo de corrección humana.
Investigación: evaluar calidad de las fuentes, precisión factual, cobertura de evidencia, finalización de subtareas y retención del objetivo en ejecuciones largas.
Agentes empresariales: calificar el estado final del entorno en lugar de contar acciones correctas individualmente.
Uso del ordenador: medir la recuperación de ventanas emergentes, páginas lentas, sesiones interrumpidas y estado de aplicación inconsistente.
Comparación de modelos: mantener constantes prompts, arneses, herramientas, permisos, configuraciones de esfuerzo y reglas de puntuación.
Economía: medir costo por tarea aceptada, no solo costo por token.
Conclusión
La evidencia del benchmark sugiere que Fable 5.1 es más valioso cuando una tarea requiere ejecución sostenida en lugar de una sola respuesta. Los casos de uso más fuertes incluyen investigación científica, codificación autónoma, automatización empresarial compleja y flujos con verificación y recuperación repetidas.
La evidencia no respalda superioridad universal. Brechas menores en varios benchmarks, tasas significativas de fallo en tareas estrictas de uso de ordenador y la ausencia de GPT-6 Astra en la tabla de lanzamiento de Anthropic refuerzan la necesidad de pruebas específicas por carga de trabajo.
Para usuarios de CometAPI, una regla práctica de despliegue es probar Fable 5.1 donde el éxito de largo horizonte pueda justificar inferencia premium, luego compararlo con Opus 5, GPT-5.6 Sol y GPT-6 Astra en las mismas tareas representativas antes de elegir una ruta de producción.
Preguntas frecuentes
¿Cuál es la puntuación de benchmark más alta de Claude Fable 5.1?
Entre las métricas porcentuales reportadas por Anthropic, Fable 5.1 alcanza 77.9% con crédito parcial en OSWorld 2.0 y 73.4% en CursorBench 3.2.0. Su mayor mejora generacional es Terminal-Bench-Science, con 52.6% frente a 24.7% para Fable 5.
¿Cuánto mejor es Claude Fable 5.1 que Fable 5?
La ganancia varía drásticamente según la carga: 27.9 puntos en Terminal-Bench-Science, 14.3 en AutomationBench y 13.8 en Terminal-Bench 4.0, pero solo 2.9 en CursorBench y 1.2 en Humanity’s Last Exam asistido por herramientas.
¿Es Claude Fable 5.1 mejor que Claude Opus 5?
Puntúa más alto en toda la tabla reportada por Anthropic, pero muchas brechas son pequeñas. Anthropic recomienda empezar con Opus 5 y escalar cuando se requiera capacidad adicional de largo horizonte.
¿Claude Fable 5.1 supera a GPT-5.6 Sol?
Anthropic reporta puntuaciones más altas de Fable 5.1 en cinco métricas compartidas. Dado que son evaluaciones de competidores ejecutadas por el proveedor y las configuraciones varían, la conclusión segura es que Fable 5.1 es altamente competitivo más que universalmente superior.
¿Los resultados están verificados de forma independiente?
Solo parcialmente. Varios benchmarks tienen tablas públicas, pero esfuerzo, arnés, comportamiento de fallback y versiones de tareas deben alinearse antes de comparar sus valores directamente con la ejecución de lanzamiento de Anthropic.
¿Para qué es mejor Claude Fable 5.1?
Su perfil de benchmark es más fuerte para investigación científica de larga duración, codificación autónoma, flujos agénticos complejos, automatización empresarial y tareas que requieren planificación, herramientas, verificación y recuperación.
¿Cómo puedo acceder a Claude Fable 5.1?
Claude Fable 5.1 está listado en CometAPI con ID de modelo claude-fable-5-1. Un endpoint unificado facilita ejecutar la misma carga de evaluación en varios modelos antes de elegir una ruta de producción.
Flujos de trabajo empresariales de extremo a extremo
