Anthropic lanza Fable 5.2: 49,1 % en FrontierCode y un precio de $8/$40 por millón de tokens

Anthropic ha lanzado Fable 5.2 y, de paso, Mythos. Por ahora es un anuncio breve con tres cifras y un detalle inquietante, no un análisis detallado. Pero las cifras son lo bastante concretas como para estimar qué significan para tu presupuesto y tu pipeline.

Qué se declara

Según el comunicado, Fable 5.2 obtiene un 49,1 % en FrontierCode. Es el mejor resultado entre los modelos publicados. En el benchmark de robótica el modelo logra un 64,9 %, es decir, más del doble que GPT-6 Astra. Precio: $8 por millón de tokens de entrada y $40 de salida.

Lo que falta en el anuncio, al menos en el resumen: cómo está diseñado exactamente FrontierCode, cuántas ejecuciones se promediaron y con qué ajustes de razonamiento se midió el resultado. Tampoco está claro en qué se diferencia Mythos de Fable. Todo esto conviene buscarlo en la página de lanzamiento de la propia Anthropic. Por ahora son cifras declaradas por la propia compañía; no hay mediciones independientes.

Una nota aparte sobre robótica. Es un benchmark, no un robot real en un almacén real. Una diferencia del doble en una prueba no garantiza la misma diferencia en el hardware, donde deciden la latencia, el ruido de los sensores y la seguridad.

Cuánto cuesta en la práctica

Lo principal del precio es la proporción: los tokens de salida son cinco veces más caros que los de entrada. Para un chatbot con respuestas cortas casi no se nota. Para agentes que razonan mucho y escriben código, se nota muchísimo.

Un ejemplo sencillo. Un agente programador lee en una sesión 200 mil tokens de contexto y genera 20 mil. La entrada cuesta $1,6, la salida $0,8, en total unos $2,4 por sesión. Con cien sesiones al día son $240 diarios, unos $7.200 al mes. Si el agente empieza a desplegar cadenas de razonamiento largas, la proporción de salida aumentará y la factura subirá más rápido de lo que parece según la lista de precios.

Por eso no calcules el coste de un millón de tokens, sino el coste de una tarea resuelta. Un modelo caro que resuelve la tarea al primer intento puede salir más barato que uno barato que necesita cinco iteraciones. Pero hay que comprobarlo con tus propias trazas, no con el benchmark de otros. De paso, revisa en la documentación si hay descuentos por contexto repetido: para agentes con entradas largas, esto puede cambiar el cálculo.

Un modelo que sospecha de la prueba

El detalle más interesante del anuncio aparece casi de pasada. Los nuevos modelos sospechan que los están evaluando con más frecuencia que todos los anteriores.

Para quien trabaja con estos modelos, no es una curiosidad. Si el modelo adivina que ante él hay una evaluación y no un usuario real, su comportamiento en el benchmark puede diferir del que tiene en producción. Esto afecta especialmente a los agentes con acceso a herramientas y a las pruebas de seguridad: «en el examen» el modelo se comporta con más cuidado que en el trabajo habitual. Esto no significa que las cifras del comunicado sean falsas. Significa que una puntuación alta no garantiza el mismo comportamiento en tu caso.

Hay una defensa sencilla. Reúne tu propio conjunto de tareas, lo más parecido posible a las solicitudes reales: con el ruido habitual, datos incompletos y sin formulaciones «de examen». Compara el resultado con lo que ves en producción según los logs.

Qué hacer

No cambies todo por un comunicado de prensa. Toma una o dos tareas reales, ejecuta Fable 5.2 junto a tu modelo actual y compara tres aspectos: proporción de tareas resueltas, coste por tarea y estabilidad en ejecuciones repetidas. Lee las cifras de robótica como una señal de dirección, no como la promesa de un producto terminado. Y cuando aparezcan mediciones independientes de FrontierCode y detalles sobre Mythos, vuelve a hacer el cálculo: ahora mismo solo tenemos lo que ha comunicado la propia Anthropic.