La gama actual de Anthropic y Claude hace que una simple comparación de precios resulte engañosa. En esta revisión se someten los modelos Claude Opus 5.5, Claude Opus 5 y Claude Fable 5.1 a las mismas cinco instrucciones y se recogen los resultados de las tareas, el tiempo transcurrido localmente, el uso de tokens informado por la ruta y los límites de cada observación.
La diferencia práctica se aprecia en las fichas de actividades. Opus 5.5 fue el más rápido y el más barato del conjunto analizado; Fable 5.1 generó el menor número de tokens de salida y la respuesta más limpia en formato chino, mientras que Opus 5 fue el que más tiempo tardó y Opus 5.5 el que utilizó más tokens de salida. La tarjeta de codificación añade una salvedad importante: una salida más corta no era automáticamente una salida mejor.
Copiamos las cinco peticiones de la reseña anterior sobre Claude Opus 5.5 y ejecutamos cada una de ellas una vez para cada modelo. La configuración de las peticiones era idéntica: un límite máximo de 8.192 tokens, esfuerzo elevado, un mensaje de usuario y sin herramientas. La ruta devolvió un código HTTP 200 y fin de turno para las 15 solicitudes.
Respuesta rápida
- La más rápida de este conjunto de cinco pruebas: Claude Opus 5.5 tardó 47,725 segundos en tiempo local de extremo a extremo en cinco solicitudes consecutivas. Claude Fable 5.1 tardó 53,290 segundos, y Claude Opus 5 tardó 61,470 segundos.
- Estimación del precio de catálogo más bajo: Opus 5.5 dio un resultado aproximado de $0,0818 para las cinco solicitudes a los tipos de cambio oficiales de los tokens, seguido de Opus 5 con $0,0962 y Fable 5.1 con $0,1415. Se trata de estimaciones aritméticas, no de tarifas de la plataforma.
- Resultado de calidad: Los tres devolvieron una extracción de cinco balas con base, un JSON analizable y la respuesta matemática correcta. Los resultados de la programación diferían en el tratamiento de los casos extremos, mientras que Fable 5.1 fue el que siguió de forma más clara las instrucciones de dos párrafos en formato chino.
- Advertencia sobre la API: Opus 5.5 no es un simple cambio de nombre que se pueda aplicar sin más a todas las integraciones de Opus 5. Según su guía de migración, la función «thinking» no se puede desactivar y es necesario modificar algunas herramientas y patrones de «thinking» más antiguos.
- No le des demasiada importancia a la clasificación: Se trata de una ejecución emparejada por tarea en una ruta. Mide el comportamiento concreto, el tiempo transcurrido y el uso registrado, no una puntuación del modelo universal.
Cuánto cuestan y qué características ofrecen los tres modelos
Las tres API comparten una ventana de contexto de 1 millón de tokens y una salida máxima de 128 K, según la documentación actual del modelo Anthropic. Sus unidades de facturación y su estado difieren: Opus 5.5 es la versión más reciente de Opus, Opus 5 está clasificada como obsoleta y Fable 5.1 ofrece la tasa estándar de entrada/salida más alta.
| Modelo | Condición oficial | ID del modelo de API | Entrada / salida | Contexto / potencia máxima | Esfuerzo por defecto | Lectura de caché |
|---|---|---|---|---|---|---|
| Claude Opus 5,5 | Última | claude-opus-5-5 | $4 / $20 por MTok | 1 M / 128 K | Medio | $0.20 / MTok |
| Claude Opus 5 | Activo, heredado | claude-opus-5 | $5 / $25 por MTok | 1 M / 128 K | Alta | $0,50 / MTok |
| Claude Fable 5.1 | Última | claude-fábula-5-1 | $10 / $50 por MTok | 1 M / 128 K | Alta | $0,25 / MTok |
A modo de ejemplo sencillo sin caché, 100 000 tokens de entrada más 20 000 tokens de salida cuestan $0,80 en Opus 5.5, $1,00 en Opus 5 y $2,00 en Fable 5.1, según las tarifas indicadas. Fable 5.1 tiene una tasa de lectura de caché inferior a la de Opus 5, por lo que las cargas de trabajo de los agentes que hacen un uso intensivo de la caché requieren un cálculo por separado.
Lo que muestra la tabla oficial de referencias
Anthropic’s Anuncio sobre el Claude Opus 5.5 incluye los tres modelos en la misma tabla comparativa de proveedores. Opus 5.5 encabeza la lista, pero se trata de resultados facilitados por los propios proveedores con conjuntos de pruebas y configuraciones de esfuerzo específicos para cada prueba de rendimiento. El propio comunicado advierte de que los márgenes ajustados en las pruebas de rendimiento son una guía menos fiable para evaluar las diferencias en el mundo real a este nivel de capacidad.
| Índice de referencia de proveedores | Opus 5.5 | Fable 5.1 | Obra n.º 5 | Qué mide |
|---|---|---|---|---|
| Terminal-Bench 4.0 | 66.4% | 55.8% | 52.3% | Programación en línea de comandos con Agentic |
| FrontierCode v1.1 | 54.4% | 50.3% | 48.0% | Si se fusionarían los cambios en el código del agente |
| CursorBench 4.0 | 57.8% | 51.8% | 46.6% | Tareas ambiguas de codificación de varios archivos |
| GDPval-AA v2.1 | 1846 | 1735 | 1708 | Trabajo intelectual en 44 profesiones |
| AutomationBench | 40.0% | 31.4% | 26.9% | Flujos de trabajo empresariales de principio a fin |
| El último examen de la humanidad | 67.7% con herramientas | 65.6% con herramientas | 63,61 TP40T con herramientas | Razonamiento multidisciplinar |
| OSWorld 2.0 | 81.8% parcial | 80,71 TP40T parcial | 74,01 TP40T parcial | Tareas relacionadas con el uso del ordenador |
La tabla resulta útil para localizar la frontera de rendimiento declarada por el proveedor. No sustituye a las tarjetas emparejadas que figuran a continuación: nuestra prueba utiliza indicaciones breves de un solo turno, un esfuerzo elevado, sin herramientas y una ruta controlada por un tercero.
Las mismas indicaciones, la misma configuración de la solicitud
Copiamos las cinco instrucciones del paquete de pruebas anterior Opus 5.5 y enviamos cada una de ellas una vez a cada modelo. El cliente alternó el orden de los modelos en cada tarea, utilizó JSON en formato UTF-8 y midió el tiempo desde el inicio de la solicitud hasta que se leyó por completo el cuerpo de la respuesta. Las 15 solicitudes devolvieron un código de estado HTTP 200 y fin de turno. Para conocer los fundamentos generales y el flujo de trabajo reproducible, véase Cómo evalúa GlobalGPT los modelos de IA.
Comparación de tiempos y fichas
| Ruta | Han transcurrido 5 carreras | Media / tarea | Tokens de entrada | Tokens de salida | Pensamiento basado en la ruta | Estimación del precio de catálogo* |
|---|---|---|---|---|---|---|
| Claude Opus 5,5 | 47,725 s | 9,545 s | 700 | 3,952 | 2,214 | $0.0818 |
| Claude Opus 5 | 61,470 s | 12,294 s | 690 | 3,709 | 1,859 | $0.0962 |
| Claude Fable 5.1 | 53,290 s | 10,658 s | 700 | 2,690 | 1,122 | $0.1415 |
*Estimación basada en los tokens de entrada/salida comunicados por la ruta y en las tarifas estándar de la API de Anthropic. No incluye los cargos por caché, los créditos de la plataforma, los impuestos ni el margen comercial. El tiempo transcurrido es el tiempo real local de extremo a extremo desde el envío de la solicitud, no la latencia del proveedor ni los tokens por segundo. “Pensamiento” es un campo de uso facilitado por la ruta, no un razonamiento oculto medido de forma independiente.
Los resultados apuntan en diferentes direcciones según la métrica utilizada. Opus 5.5 obtuvo el tiempo total más rápido y el coste estimado más bajo; Fable 5.1 generó el menor número de tokens de salida; y Opus 5 registró el tiempo total más lento de este grupo. Una respuesta más breve no es automáticamente una respuesta mejor: la ficha de programación muestra por qué sigue siendo necesario analizar el contenido de salida y el tratamiento de los casos extremos.
Cinco tarjetas de tareas a juego
¿Pueden los modelos reparar una función de deduplicación de tipo mixto?
Configuración de la tarea: Las instrucciones exigían una función corregida, además de dos pruebas concisas, una comparación de cadenas que no distinguiera entre mayúsculas y minúsculas, que se mantuviera la ortografía original y que no se produjera ningún error al procesar valores que no fueran cadenas.
| Modelo | Tiempo / uso | Resultado observado |
|---|---|---|
| Claude Opus 5,5 | 15,844 s locales · 145 de entrada / 1478 de salida · 700 de reflexión · fin de turno | Utiliza «casefold» junto con una lista como alternativa; su cadena de documentación indica «identidad», mientras que el código utiliza la igualdad. |
| Claude Opus 5 | 16,845 s locales · 143 entradas / 1109 salidas · 312 de reflexión · fin de turno | Añade claves etiquetadas por tipo y una alternativa de igualdad, y señala la sintaxis inválida de Python en una sola línea. |
| Claude Fable 5.1 | 12,778 s locales · 145 de entrada / 783 de salida · 0 de reflexión · fin de turno | Utiliza `repr(item)` para los valores no hashables; esto funciona en los ejemplos mostrados, pero puede dar lugar a colisiones entre tipos. |
Resultado de la comparación: El caso extremo es una observación a nivel de tarea, no una afirmación que se aplique a todas las cargas de trabajo de programación.
¿Pueden los modelos conservar los cinco datos proporcionados sin añadir afirmaciones?
Configuración de la tarea: El material de partida era una breve nota sobre una prueba de dos semanas con tres asistentes de redacción. Se trata de una tarea de extracción breve, no de una prueba de referencia en un contexto amplio.
| Modelo | Tiempo / uso | Resultado observado |
|---|---|---|
| Claude Opus 5,5 | 4,374 s locales · 210 de entrada / 312 de salida · 101 de reflexión · fin de turno | Devolví las cinco balas numeradas y me ceñí a los datos facilitados; las etiquetas y el orden diferían ligeramente. |
| Claude Opus 5 | 4,661 s locales · 208 de entrada / 265 de salida · 27 de reflexión · fin de turno | Devolví las cinco balas numeradas y me ceñí a los datos facilitados; las etiquetas y el orden diferían ligeramente. |
| Claude Fable 5.1 | 6,305 s locales · 210 de entrada / 223 de salida · 0 de reflexión · fin de turno | Devolví las cinco balas numeradas y me ceñí a los datos facilitados; las etiquetas y el orden diferían ligeramente. |
Resultado de la comparación: El fragmento original era breve; esto comprueba la extracción y el formateo basados en datos concretos, no el manejo de contextos de un millón de tokens.
¿Pueden los modelos devolver la estructura exacta solicitada?
Configuración de la tarea: La indicación solo exigía un JSON válido, cinco claves exactas, dos ventajas, dos inconvenientes y cadenas de texto breves. El contenido ficticio de la reseña no constituye una prueba sobre ningún modelo.
| Modelo | Tiempo / uso | Resultado observado |
|---|---|---|
| Claude Opus 5,5 | 8,276 s locales · 128 de entrada / 622 de salida · 390 de reflexión · fin de turno | Se devolvió un JSON analizable con las claves solicitadas y dos ventajas y dos inconvenientes; las reseñas generadas son texto de prueba, no datos reales del producto. |
| Claude Opus 5 | 6,344 s locales · 126 entradas / 238 salidas · 0 de reflexión · fin de turno | Se devolvió un JSON analizable con las claves solicitadas y dos ventajas y dos inconvenientes; las reseñas generadas son texto de prueba, no datos reales del producto. |
| Claude Fable 5.1 | 6,626 s locales · 128 entradas / 203 salidas · 0 de reflexión · fin de turno | Se devolvió un JSON analizable con las claves solicitadas y dos ventajas y dos inconvenientes; las reseñas generadas son texto de prueba, no datos reales del producto. |
Resultado de la comparación: Las cadenas JSON describen una configuración ficticia de reseñas y no deben publicarse como datos del producto.
¿Pueden los modelos aplicar la secuencia de lotes redondeada hasta llegar a la respuesta final?
Configuración de la tarea: La secuencia fue 12, y luego 25% más, redondeando al valor inferior, repartidos en cuatro lotes.
| Modelo | Tiempo / uso | Resultado observado |
|---|---|---|
| Claude Opus 5,5 | 3,830 s locales · 89 de entrada / 257 de salida · 74 de reflexión · fin de turno | Se calcularon 12, 15, 18, 22 y un total de 67; los tres terminaron con el 67 independiente solicitado. |
| Claude Opus 5 | 5,079 s locales · 87 de entrada / 277 de salida · 90 de reflexión · fin de turno | Se calcularon 12, 15, 18, 22 y un total de 67; los tres terminaron con el 67 independiente solicitado. |
| Claude Fable 5.1 | 5,347 s locales · 89 de entrada / 127 de salida · 0 de reflexión · fin de turno | Se calcularon 12, 15, 18, 22 y un total de 67; los tres terminaron con el 67 independiente solicitado. |
Resultado de la comparación: Los tres superaron esta prueba de aritmética; una sola prueba no permite evaluar la fiabilidad del razonamiento general.
¿Se puede mantener en la ruta la estructura de dos párrafos solicitada?
Configuración de la tarea: En la consigna se pedían dos párrafos en chino de entre 80 y 120 caracteres chinos cada uno: una respuesta sobre los valores seguida del plan de pruebas.
| Modelo | Tiempo / uso | Resultado observado |
|---|---|---|
| Claude Opus 5,5 | 15,401 s locales · 128 entradas / 1283 salidas · 949 de reflexión · fin de turno | He devuelto los dos párrafos solicitados y, a continuación, he añadido el formato Markdown y una nota en inglés. |
| Claude Opus 5 | 28,541 s locales · 126 de entrada / 1820 de salida · 1430 de reflexión · fin de turno | He incluido los dos párrafos solicitados y, a continuación, he añadido una nota en inglés tras un separador. |
| Claude Fable 5.1 | 22,234 s locales · 128 entradas / 1354 salidas · 1122 de reflexión · fin de turno | Se han devuelto dos párrafos en chino sin notas adicionales ni formato Markdown. |
Resultado de la comparación: Esto recoge las instrucciones a lo largo de la ruta probada; no se trata de un criterio de referencia de calidad en chino.
Consideraciones sobre la API y la migración
Opus 5.5 no es un simple cambio de nombre que se pueda aplicar sin más a todas las integraciones de Opus 5. Las de Anthropic guía de migración indica que no se puede desactivar la función «thinking» en Opus 5.5; las solicitudes que intenten desactivar o activar manualmente el modo «thinking» anterior devuelven un error 400. La migración también modifica el uso obligatorio de herramientas, vincula los bloques de «thinking» al modelo y a la conversación, y sustituye la antigua herramienta de uso del ordenador en la API Claude y en la ruta de Google Cloud.
La prueba compartida utilizada output_config.effort: alto para los tres modelos, de modo que resultara más fácil comparar los resultados de las consultas. Esto significa que estas ejecuciones no reproducen la configuración predeterminada de esfuerzo de cada modelo. Según la documentación, Fable 5.1 tiene el «pensamiento adaptativo» siempre activado y un esfuerzo predeterminado alto; Opus 5.5 tiene el «pensamiento adaptativo» siempre activado y un esfuerzo predeterminado medio; y Opus 5 utiliza el «pensamiento adaptativo» con un esfuerzo predeterminado alto.
Lo que realmente demuestra esta prueba
Veredicto a nivel de tarea
Opus 5.5: el más rápido y con el coste estimado más bajo según el precio de catálogo de este paquete de cinco tareas, al tiempo que genera el mayor número de tokens de salida. Fable 5.1: En general, fue la salida más breve y la que mejor se ajustó a la restricción china de dos párrafos, pero su mayor precio por token hizo que la estimación de cinco ejecuciones fuera la más alta y su solución alternativa de codificación presentaba un caso extremo concreto de tipo cruzado. Obra n.º 5: Es correcta en las tareas de extracción, JSON y cálculo, pero es la más lenta en esta muestra de ruta y aparece marcada como «obsoleta» en la documentación oficial.
Eso basta para justificar una preferencia práctica por Opus 5.5 en esta ruta de prueba, pero no es suficiente para afirmar que sea el mejor en todas las cargas de trabajo. Repite la prueba con herramientas, entradas más largas y varias ejecuciones antes de considerar el resultado como un punto de referencia para la producción.
Si quieres reproducir la comparación sin tener que abrir tres cuentas distintas, Prueba el flujo de trabajo de comparación de modelos en GlobalGPT. La ruta del modelo directo y la asignación de proveedores en la fase previa deben verificarse por separado antes de tomar cualquier decisión sobre la puesta en producción.
PREGUNTAS FRECUENTES
¿Qué modelo fue el más rápido en la prueba comparativa?
Claude Opus 5.5 registró el menor tiempo total transcurrido a nivel local: 47,725 segundos en cinco solicitudes consecutivas. Se trata de una observación de la ruta, no de la latencia por parte del proveedor.
¿Qué modelo utilizó el menor número de tokens de salida?
Claude Fable 5.1 utilizó 2.690 tokens de salida notificados por la ruta en las cinco tareas, frente a los 3.709 de Opus 5 y los 3.952 de Opus 5.5.
¿Qué modelo resultó ser el más barato en la prueba?
Utilizando las tarifas oficiales estándar de la API y los recuentos de tokens de entrada y salida devueltos, Opus 5.5 arrojó la estimación más baja para cinco ejecuciones, con un resultado de $0,0818. Esto excluye la caché, los créditos, los impuestos y el margen de la plataforma.
¿Superaron los tres modelos las mismas tareas?
Las tres devolvieron una extracción de cinco elementos, en formato JSON analizable, con las claves solicitadas y el total correcto de 67. Las tarjetas de codificación y las de formato chino muestran diferencias significativas en los resultados.
¿Se trataba de una prueba de rendimiento con un contexto extenso?
No. La pregunta de extracción reutilizada contiene un fragmento breve. Sirve para evaluar la contextualización y el formato exacto, por lo que no debe presentarse como prueba del rendimiento en contextos de un millón de tokens.
¿Sigue vigente la norma Claude Opus 5?
La documentación de Anthropic califica a Opus 5 como «activo, pero obsoleto» y recomienda considerar Opus 5.5 para obtener un mejor rendimiento. Las integraciones de API existentes deben consultar la guía de migración antes de realizar el cambio.
Especificaciones oficiales: Documentación de Opus 5.5, Documentación de Opus 5, y Documentación de Fable 5.1. Los valores de referencia de los proveedores se atribuyen a Anthropic; los valores obtenidos en la práctica proceden del paquete de pruebas correspondiente descrito anteriormente.
