Claude Fable 5.2 obtiene 65 en Artificial Analysis, el valor más alto hasta ahora

El nuevo modelo Claude Fable 5.2 de Anthropic encabeza la clasificación de inteligencia de Artificial Analysis, pero desata debate sobre su elevado coste, su gran consumo de tokens y sus largos tiempos de ejecución, especialmente en los ajustes de razonamiento “max” que pocos usuarios reales elegirían. Los comentaristas lo comparan con modelos más baratos y eficientes de OpenAI, Google, DeepSeek y otros, sopesando si las mejoras marginales en capacidad justifican diferencias de precio de un orden de magnitud, en particular para grandes organizaciones sujetas a facturación por uso. Muchos ven Fable como una herramienta de frontera de nicho para planificación compleja, programación y tareas de 3D/diseño, cuyos avances luego se destilarán en modelos más baratos, mientras otros se preocupan por los guardarraíles de seguridad conservadores, la fiabilidad inconsistente y la sostenibilidad de la actual carrera de lanzamientos y benchmarks.

Ritmo de lanzamientos y rotación de modelos

  • Los comentaristas señalan lo rápido que llegan los nuevos modelos; un modelo de hace 6 meses ya se siente “antiguo”.
  • Algunos comparan la fase actual con la histórica carrera de GHz de las CPU: mejoras espectaculares en titulares que pronto podrían topar con límites físicos/económicos y desplazarse hacia la eficiencia y el paralelismo.
  • Se debate si nos estamos acercando a un “muro de AI de 1–2 GHz” o si esto es solo otro paso en una larga curva de escalado.

Rendimiento frente a coste y esfuerzo de razonamiento

  • Fable 5.2 encabeza el índice de inteligencia de Artificial Analysis, pero es extremadamente caro en razonamiento máximo, con un enorme uso de tokens por tarea.
  • Varias personas subrayan que AA usa por defecto el esfuerzo máximo, algo que casi nadie emplea en la práctica. En alto/medio, Fable 5.2 se describe como más barato y rápido por tarea que Fable 5.1 y competitivo con Opus 5.5.
  • Algunos argumentan que los niveles “max” ultracaros son como objetivos de gama alta o superdeportivos: de nicho, pero valiosos para casos límite; otros los ven sobre todo como marketing y maximización de benchmarks.

Suscripciones, economía empresarial y previsibilidad

  • Para suscripciones individuales/de equipo, muchos dicen que el coste por tarea importa menos porque rara vez llegan a los límites; otros responden que los usuarios intensivos y organizaciones más grandes sí alcanzan esos techos.
  • Los planes empresariales pasan a facturación por uso a tarifas de API, lo que convierte el coste por tarea y la imprevisibilidad en una preocupación real, especialmente con varios niveles de esfuerzo y agentes.
  • Hay una preocupación recurrente de que la tarificación compleja y los controles de esfuerzo socaven la adopción por parte de empresas que buscan costes estables y predecibles.

Benchmarks y Artificial Analysis

  • Los gráficos de AA se citan mucho, pero también reciben críticas: dudas sobre si están pagados por los laboratorios, componentes privados del benchmark y la posibilidad de entrenar para el benchmark.
  • Algunos defienden AA como la mejor herramienta comparativa disponible, siempre que se mire más allá del esfuerzo máximo y se considere coste/tiempo frente a inteligencia.
  • Otros prefieren benchmarks específicos de tareas (por ejemplo, programación, “health checks” internos) o hacer evaluaciones sobre sus propias bases de código.

Capacidades, comportamiento y casos de uso

  • Fortalezas reportadas: programación compleja, planificación de arquitectura, modelado 3D, diseño de shaders, orquestación multiagente, depuración y explicación.
  • Algunos usuarios consideran que Fable 5.2 es una mejora clara frente a 5.1; otros lo ven más “arrogante”, propenso a ignorar instrucciones o a alucinar que Opus 5.5 en flujos de trabajo reales.
  • El comportamiento de alta agencia y los fuertes guardarraíles de seguridad llevan a rechazos en tareas de seguridad/química; algunos lo valoran, otros lo encuentran obstructivo—especialmente cuando los rechazos siguen consumiendo cuota.
  • Muchos ven Fable como una herramienta de primer nivel para planificación/revisión más que como modelo de uso diario; los modelos más baratos o los pesos abiertos manejan el trabajo rutinario de estilo CRUD.

Rendimientos decrecientes, “muro” y competencia

  • Un sector cree que estamos viendo rendimientos decrecientes: más “test-time scaling” (razonamiento más largo, más tokens) para mejoras modestas en benchmarks y costes efectivos crecientes.
  • Otro sostiene que cada “punto de CI” marginal desbloquea tareas cualitativamente nuevas y de alto valor, así que la inteligencia por dólar sigue mejorando cuando se incluye la destilación en modelos más pequeños.
  • DeepSeek, GLM y otros modelos económicos son elogiados por su relación calidad-precio, aunque varios dicen que Anthropic/OpenAI siguen ganando en calidad y velocidad para tareas exigentes o de alto riesgo.
  • Los modelos Gemini/Argon/Carbon de Google se describen como competitivos en benchmarks y en algunos flujos de trabajo, pero lastran un acceso confuso, un despliegue más lento y un empaquetado de producto más débil.