Claude Fable 5.2 y Mythos 5.2: prueba de código y razonamiento

👁 111 lecturas

El lunes 9 de noviembre de 2026, a las 20:20, envié la primera consulta a Claude Fable 5.2. El modelo ya estaba en OpenRouter con el identificador anthropic/claude-fable-5.2 y un precio de 7,15 € (8 USD) por millón de tokens de entrada y 35,74 € (40 USD) por millón de tokens de salida. Calculó 17 por 23 en 3 segundos. Durante los 27 minutos siguientes, probé con él y con tres rivales el mismo conjunto de tareas: código verificado con pruebas unitarias, acertijos con una sola respuesta correcta, textos en polaco, imágenes y mediciones de velocidad. El resultado fue inesperado: empate total en las tareas con una respuesta concreta. Las diferencias aparecieron en otros aspectos: el coste, el reloj y pequeños fallos que dicen más que los porcentajes.

Mythos 5.2 no forma parte de esta prueba. No está en OpenRouter (comprobé la lista de modelos al principio y al final) y Anthropic solo lo ofrece a participantes en Cyber Verification Program y Life Sciences Verification Program. Según el anuncio, Fable 5.2 y Mythos 5.2 comparten el mismo modelo base y se diferencian en las medidas de seguridad relacionadas con la ciberseguridad y la biología. Por eso, los resultados de Fable describen bien lo que un usuario normal puede utilizar hoy. Encontrarás más detalles sobre el lanzamiento y las diferencias entre ambas versiones en la guía de Claude Fable 5.2 y el artículo sobre Mythos 5.2.

Qué he probado exactamente

Los cuatro modelos recibieron las mismas 27 tareas, con el mismo texto, a través de la misma API (OpenRouter) y con el mismo ajuste de razonamiento: esfuerzo «medium». Es el nivel que Anthropic establece por defecto para Fable 5.2 en las aplicaciones de Claude. Los rivales fueron Claude Opus 5.5, el anterior modelo insignia de Anthropic, además de GPT-6.1 Sol y Gemini 4 Argon, los modelos más populares de OpenAI y Google en el mismo tramo de precios que Opus.

• Código, 6 tareas: un analizador de duraciones («2h15m10s»), el camino más corto en un laberinto con una pared que se puede atravesar (tablero de hasta 300 por 300 casillas), la reparación de una caché LRU defectuosa, la refactorización de una función que calcula una factura sin cambiar su comportamiento, la búsqueda de fechas con expresiones regulares (incluida «9 de noviembre de 2026») y una consulta SQL con casos trampa (descuentos, pedidos sin líneas y el estado «PAID» en mayúsculas). En total, 76 pruebas ejecutadas localmente en Python.
• Razonamiento, 8 acertijos con una única respuesta: caballeros y mentirosos, el niño nacido un martes, las manecillas del reloj, restos de divisiones, los viernes 13 de 2027 y dos acertijos en polaco con truco. Traducción del original polaco de las pruebas: «media docena de docenas dividida entre la mitad» y contar las letras «z» en la frase de prueba polaca (traducida como «amarillea con el rabel la mente»), sin contar las letras polacas con signos diacríticos que se asemejan a la z.
• Polaco, 3 textos: un correo a la administración tributaria sobre un reembolso del impuesto sobre la renta pendiente, un resumen de un artículo en un máximo de 70 palabras y un texto para la página de una tostadora de café sin frases publicitarias vacías. La prueba se hizo en polaco; los ejemplos en español de este artículo son traducciones del material de prueba original, no pruebas nuevas en español.
• Visión, 3 imágenes que generé con Python: un gráfico de barras, una captura de una tabla de hoja de cálculo y una «foto» de un recibo torcida y con ruido, con 10 preguntas.
• Velocidad: 3 instrucciones (un ensayo de 500 palabras, código para una cola de prioridad y una traducción), repetidas dos veces en streaming, midiendo el tiempo hasta el primer token.

Como en la primera ronda todos lograron la puntuación máxima, añadí una ronda difícil: una calculadora de expresiones con fracciones exactas y 33 pruebas (casos trampa como -2^2 = -4 y 2^3^2 = 512); la escritura de cantidades con palabras, como en una factura polaca, con 27 pruebas (por ejemplo, «mil un zlotys», «veintidós zlotys» y «ciento un mil zlotys»); y cinco tareas difíciles de adivinar: el número de días laborables en Polonia en 2027, teniendo en cuenta la Nochebuena, que será festivo a partir de ese año; las permutaciones de las letras de KAJAKARZ; los números palíndromos primos de cinco cifras; una variante de Monty Hall en la que el presentador no sabe dónde está el coche; y la fecha del día número 1000 a partir del 9 de noviembre de 2026.

Resultados: empate en las tareas con respuesta única

* Gemini envolvió el JSON en un bloque de código Markdown en todas las ocasiones. ** El evaluador fue GPT-6.1 Sol, que también valoró su propio texto; más abajo explico este detalle. Los costes se calcularon con las tarifas de OpenRouter del 9 de noviembre de 2026, a partir de los datos de cada consulta.

Los cuatro modelos superaron las 136 pruebas de código, los 13 acertijos y las 10 preguntas sobre imágenes. Incluso resolvieron los palíndromos primos, que hay que calcular mentalmente si no se ejecuta código (son 93), y encontraron los 253 días laborables de Polonia en 2027. Todos leyeron sin errores el recibo: por la inclinación de la foto, los importes aparecían media línea por debajo de los nombres de los productos. Identificaron un total de 81,03 zlotys, leche por 7,58 zlotys, el NIP y 7 artículos. Fable 5.2 no fue peor que Opus 5.5 en ninguna tarea, pero tampoco fue mejor en ninguna.

Eso no significa que Fable 5.2 no sea más potente. El anuncio muestra una ventaja en tareas con agentes, largas y de varias etapas: por ejemplo, un 49,1 % en FrontierCode 2.0 (con el nivel de esfuerzo máximo), frente al 45,5 % de Opus 5.5. Mi conjunto de pruebas no mide eso: son instrucciones aisladas, del tipo que un usuario normal escribe en una ventana de chat o envía por API. En tareas así, la última generación de modelos ha alcanzado un techo en el que GPT-6.1 Sol, mucho más barato, está a la altura de Fable.

En qué destaca Fable 5.2: la velocidad

Anthropic afirma que Fable 5.2 y Mythos 5.2 generan respuestas hasta un 30 % más rápido que las versiones 5.1. Es una de las pocas promesas del anuncio que podía comprobar directamente, así que incluí Fable 5.1 en las mediciones de velocidad.

Al comparar solo las consultas atendidas por la misma infraestructura de Anthropic, Fable 5.2 escribió el ensayo a una velocidad de 101-103 tokens por segundo, frente a los 69 de Fable 5.1. En el código, las cifras fueron 135-141 frente a 104 tokens por segundo. El ensayo completo tardó un 27 % menos, dentro de la promesa de «hasta un 30 %». Fable 5.2 también terminó el ensayo 2,7 segundos antes que Opus 5.5 y fue el único modelo de Claude que siguió el ritmo de Gemini 4 Argon al escribir un texto largo (26,1 frente a 25,6 palabras por segundo).

Conviene comparar con cautela los tokens por segundo entre empresas, porque cada una divide el texto en tokens de forma distinta: GPT-6.1 Sol necesitó unos 1200 tokens para el ensayo y los modelos Claude, unos 1700. Por eso, son más importantes las columnas de palabras por segundo y tiempo total. GPT-6.1 Sol fue el más rápido en empezar, con 1,48 s hasta el primer token, pero en la tarea de código tardó más de 8 segundos porque primero razonó.

El coste: el doble por token, pero no por tarea

Fable 5.2 cuesta el doble que Opus 5.5 por token: 7,15 € (8 USD) y 35,74 € (40 USD), frente a 3,57 € (4 USD) y 17,87 € (20 USD). Sin embargo, las 27 tareas de mi prueba costaron 0,67 € (0,75 USD) con Fable 5.2 y 0,46 € (0,52 USD) con Opus 5.5: 1,44 veces más. Los contadores ayudan a entender por qué: Fable 5.2 consumió 16 434 tokens de salida; Opus 5.5, 23 839, de los que 11 316 fueron solo de razonamiento (frente a 5 069 de Fable). En el acertijo de los restos de divisiones, Opus generó 749 tokens y Fable 306; en el correo a la administración tributaria, Opus usó 1662 tokens para 143 palabras de texto y Fable, 544.

Con el tipo de cambio de referencia del BCE del 9 de noviembre de 2026, las 27 tareas costaron aproximadamente 0,67 € (0,75 USD) con Fable 5.2, 0,46 € (0,52 USD) con Opus 5.5, 0,13 € (0,14 USD) con Gemini 4 Argon y 0,10 € (0,11 USD) con GPT-6.1 Sol. Fable cuesta 6,6 veces más que Sol con el mismo resultado en tareas de respuesta única. Si pagas la API de tu bolsillo, esta proporción importa más que cualquier benchmark.

Las cantidades en euros son estimaciones convertidas, no precios de compra locales. Conversión según el tipo de referencia del BCE del 9 de noviembre de 2026: 1 EUR = 1,1193 USD. Fuente: BCE.

Los fallos que más dicen

Como las puntuaciones no se diferenciaron, los tropiezos resultan más interesantes. Los comprobé manualmente.

Fable 5.2 confundió una referencia legal. En el correo de prueba a la administración tributaria polaca, citó el artículo 77, apartado 1, punto 5, de la ordenanza tributaria como fundamento del plazo de 45 días para la devolución. La referencia correcta para las declaraciones presentadas electrónicamente era el punto 5a; el punto 5 se refiere a la devolución en un plazo de 3 meses para una declaración en papel (texto del artículo 77). Es interesante que Opus 5.5 escribiera expresamente en su razonamiento que dudaba entre citar un artículo concreto o usar una fórmula general para no equivocarse con la referencia. Optó por la fórmula general.

Opus 5.5 se equivocó de fecha. En el mismo correo, afirmó que el plazo de devolución «terminó el 31 de marzo de 2026», al contar 45 días desde el 14 de febrero. Sin embargo, una declaración del impuesto sobre la renta polaco presentada antes del 15 de febrero se considera presentada el 15 de febrero (artículo 45 de la ley del impuesto sobre la renta), así que el plazo terminó un día después. Es un detalle menor, pero errores así pueden restar credibilidad a todo un escrito dirigido a una administración.

Fable 5.2 no respetó el formato. Para una tabla, pedí una respuesta exclusivamente en JSON. Fable primero enumeró los 10 productos de cantidad por precio, el total y una lista de productos con un 8 % de IVA, y solo al final incluyó el JSON. La respuesta era correcta, pero un programa que intentase analizarla automáticamente habría fallado. En el resumen con un límite de 70 palabras, Fable escribió 71; Gemini 4 Argon, 80.

Los dos modelos Claude olvidaron el nombre de la marca. En el texto para la tostadora de café «Ziarnko», ni Fable 5.2 ni Opus 5.5 mencionaron Ziarnko. Los dos también añadieron cosas que no estaban en la instrucción: la fecha de tueste en cada paquete y, en el caso de Fable, «una línea de atención telefónica que, por cierto, no tenemos». Suena verosímil, pero es una promesa que el dueño de la tostadora quizá no quiera hacer.

El polaco: un evaluador con conflicto de intereses

GPT-6.1 Sol evaluó los textos en polaco a ciegas: recibió cuatro textos identificados con las letras A-D en orden aleatorio, dos veces por tarea y con un orden distinto en cada ocasión. Debía señalar los errores lingüísticos y proponer correcciones, además de puntuar la naturalidad y el cumplimiento de las instrucciones del 1 al 10. La prueba se hizo en polaco; los ejemplos traducidos de este artículo no se volvieron a evaluar en español.

El evaluador colocó en primer lugar el texto de GPT-6.1 Sol en el correo y en el texto de marketing, y el de Opus 5.5 en el resumen. No sabía qué modelo había escrito cada texto, pero los modelos tienden a preferir su propio estilo, así que tomo la clasificación con cautela. Mi revisión manual confirma dos cosas. Opus 5.5 escribe el polaco más limpio: no encontré errores en sus tres textos. Gemini 4 Argon escribe peor: usó una expresión equivalente a «declaración PIT-37» en lugar de «declaración de la renta», un calco equivalente a «marca una enorme diferencia», una fórmula de «ambos lo sabemos» en un texto dirigido a un cliente y superó el límite de palabras. Fable 5.2 quedó en un término medio: puso una coma donde correspondía un punto y coma y usó el tono más humano en el texto de marketing, pero también añadió más promesas. GPT-6.1 Sol fue el único modelo que empleó el nombre Ziarnko sin añadir nada.

Cómo hice la prueba y qué no demuestra

Todas las consultas se enviaron a través de OpenRouter el 9 de noviembre, entre las 20:20 y las 20:47. Fable 5.2 usó la infraestructura de Anthropic; Opus 5.5, Claude Platform en AWS; Sol, OpenAI; y Argon, Google (una vez, Google AI Studio). En algunas mediciones, Fable 5.1 pasó por Azure y Google, así que la comparación entre las versiones 5.2 y 5.1 se basa en las consultas atendidas por Anthropic. Ejecuté el código localmente en un proceso independiente con un límite de tiempo; un script comprobó las respuestas de los acertijos y las preguntas sobre imágenes, y después las revisé yo. Cada tarea se ejecutó una vez (las mediciones de velocidad, dos veces), así que con otra muestra aleatoria un modelo podría equivocarse en tareas que resolvió en mi prueba.

La prueba completa, incluido el evaluador, costó 2,61 € (2,92 USD). He publicado los datos sin procesar -todas las instrucciones, las respuestas completas, el código escrito por los modelos, los resultados de las pruebas, los tiempos, los tokens y los costes de cada consulta- en el archivo wyniki.json. He reunido los datos del anuncio, los precios y los benchmarks del fabricante en el artículo sobre el lanzamiento de Fable 5.2 y Mythos 5.2. También puedes consultar la comparación de Fable 5.2 y Opus 5.5, con precios y benchmarks del fabricante, y la comparativa anterior de Claude Opus 5.5 y Fable 5.1.

Mi conclusión tras una tarde con cuatro modelos: para tareas aisladas, como las que solemos escribir en un chat, Fable 5.2 no ofrece mejores respuestas que Opus 5.5 ni que GPT-6.1 Sol. Es más rápido y usa menos tokens que Opus, pero también es el más caro. La ventaja que promete está en el trabajo prolongado con agentes, algo que no se puede probar con una sola instrucción. Lo comprobaré por separado.

Preguntas frecuentes

¿Claude Fable 5.2 es mejor que Opus 5.5?

En mis 27 tareas con una respuesta correcta, ambos modelos obtuvieron la puntuación máxima. Fable 5.2 fue más rápido (ensayo en 19,1 s frente a 21,8 s) y usó menos tokens, pero costó 0,67 € (0,75 USD), frente a 0,46 € (0,52 USD). La ventaja que anuncia Anthropic aparece en tareas largas con agentes, que esta prueba no incluía.

¿Fable 5.2 es realmente un 30 % más rápido que Fable 5.1?

En mi medición, el ensayo de 500 palabras tardó 19,1 s en vez de 26,2 s: un 27 % menos. En la comparación con la misma infraestructura de Anthropic, la velocidad de generación pasó de 69 a 101-103 tokens por segundo en el ensayo y de 104 a 135-141 en el código.

¿Se puede probar Claude Mythos 5.2?

No de forma habitual. Mythos 5.2 no está disponible en OpenRouter y Anthropic lo ofrece a través de Cyber Verification Program y Life Sciences Verification Program. Por eso no aparece en esta prueba.

¿Cuánto cuesta usar Fable 5.2 por API?

7,15 € (8 USD) por millón de tokens de entrada y 35,74 € (40 USD) por millón de tokens de salida, el doble que Opus 5.5. En mi prueba, una tarea media costó unos 0,028 € (0,031 USD), frente a unos 0,004 € (0,004 USD) con GPT-6.1 Sol.

Kinetyra