GPT-6.2 Astra vs. Claude Fable 5.2: benchmarks, coste y una prueba práctica
GPT-6.2 Astra y Claude Fable 5.2 cuestan lo mismo por token, pero no por tarea. Comparamos benchmarks, precios y acceso, y hacemos una prueba práctica a ciegas.
Anthropic lanzó Claude Fable 5.2 a principios de noviembre como su nuevo buque insignia. El 17 de noviembre de 2026, OpenAI respondió con GPT-6.2 Astra, su nuevo modelo de vanguardia, y sus gráficos de lanzamiento colocan a Fable 5.2 junto a Astra en la mayoría de benchmarks.
Ambos modelos tienen exactamente el mismo precio por token, así que, sobre el papel, esto va de pura capacidad. En la práctica, la factura cuenta otra historia, y nuestra prueba práctica también.
Para estar al día en IA y datos, te recomiendo suscribirte a nuestro boletín semanal, The Median.
TL;DR
Ninguno gana por goleada: GPT-6.2 Astra lidera el trabajo profesional y analítico; Claude Fable 5.2 lidera en programación agentiva.
Cuestan lo mismo por token, pero Astra usa muchos menos tokens, así que es mucho más barato por tarea.
En nuestra prueba ciega en vídeo, la calidad fue casi un empate, pero Fable repitió un dato desactualizado en todos los vídeos.
Elige Fable para agentes de código, uso de ordenador y despliegues en Bedrock, Vertex AI o Azure.
Elige Astra para documentos, trabajos legales y financieros, y cualquier caso de alto volumen.
¿Qué es GPT-6.2 Astra?
GPT-6.2 Astra es el modelo de vanguardia de OpenAI, lanzado en noviembre de 2026 como el nivel superior de la familia GPT-6.2, por encima de GPT-6.2 Sol.
Su propuesta: resultados profesionales a menor coste por tarea —diapositivas, cuadernos y documentos que siguen tus plantillas—, además de uso de ordenador en herramientas CAD y de simulación.
Claude Fable 5.2 es el modelo insignia de Anthropic, lanzado en noviembre de 2026 junto a Claude Mythos 5.2, una versión para organizaciones verificadas en ciberseguridad y biomedicina.
Anthropic lo posiciona para trabajo técnico de largo recorrido: programación agentiva, uso de ordenador y tareas de investigación, con un modo rápido opcional que genera tokens hasta 2,5 veces más deprisa.
GPT-6.2 Astra vs Claude Fable 5.2: comparación directa
En capacidad, la foto es de empate técnico y la mayoría de diferencias en benchmarks son de pocos puntos. En coste no: mismo precio por token, pero Fable necesita muchos más tokens para terminar la misma tarea.
Característica
GPT-6.2 Astra
Claude Fable 5.2
Desarrollador
OpenAI
Anthropic
Precios por token
Igual que Fable
Igual que Astra, input en caché más barato
Coste por tarea
Mucho menor
De 2,1x a 20,8x el de Astra según los gráficos de OpenAI
Trabajo profesional
Lidera (Agents' Last Exam, GDPval v2, Harvey LAB-AA)
A la zaga
Programación agentiva
A la zaga
Lidera (FrontierCode 2.0)
Ciencia, CAD y razonamiento
Lidera en benchmarks científicos
Lidera el Intelligence Index
Uso de ordenador
Sin puntuación comparable publicada
Puntuaciones sólidas en benchmarks de Anthropic
Nuestra prueba práctica
Más preciso, mucho más barato
Más consistente, un dato desactualizado
Precios: lo que realmente pagas
El precio es la mayor diferencia entre estos modelos, aunque sus tarifas por token sean casi idénticas. La diferencia está en cuántos tokens quema cada uno por tarea.
Tarifas por token, lado a lado
Tarifa
GPT-6.2 Astra
Claude Fable 5.2
Input, por 1M de tokens
$8.00
$8.00
Output, por 1M de tokens
$40.00
$40.00
Lectura de input en caché, por 1M de tokens
$0.40
$0.20
Escritura en caché, por 1M de tokens
$10.00
$10.00
Modo rápido, input / output por 1M de tokens
$16.00 / $80.00
$16.00 / $80.00
La única diferencia es el input en caché, donde Fable cuesta la mitad que Astra, lo que ayuda a agentes que releen un contexto largo y fijo. OpenAI también duplica la tarifa de input de Astra para peticiones por encima de 272K tokens; el anuncio de Anthropic no lista ese recargo para Fable.
Lo que cuesta una carga de trabajo real
Calculado a tarifas estándar como (volumen ÷ 1M) × tarifa, sumando input y output:
Carga
GPT-6.2 Astra
Claude Fable 5.2
Diferencia
Asistente equilibrado: 1M in / 250K out al mes
$18.00
$18.00
$0 (0%)
Bucle con mucha caché: prefijo de 100K escrito una vez, 1.000 lecturas en caché, más 5K in nuevo / 1K out por petición
$121.00
$101.00
Fable $20 más barato (17%)
A igual número de tokens, Fable nunca es más caro, y el escenario con mucha caché es donde sale claramente más barato. La trampa está en asumir el mismo número de tokens.
Por qué la misma tarea cuesta distinto
Los gráficos de lanzamiento de OpenAI incluyen el coste por tarea para ambos modelos, y Fable sale más caro en todos: desde 2,1x en Vals Science Index hasta 20,8x en Agents' Last Exam ($60,05 frente a $2,89 de Astra). Son mediciones de OpenAI sobre un competidor, en su mayoría al máximo esfuerzo de cada modelo, así que tómalo como una orientación, no como precio cerrado.
La causa es la longitud del output: con las mismas tarifas, un modelo que escribe varias veces más tokens, incluidos los de razonamiento que se facturan como output, cuesta varias veces más. Nuestra prueba, más abajo, apunta en la misma dirección.
Trabajo profesional y flujos agentivos
Aquí GPT-6.2 Astra lidera con claridad: en Harvey LAB-AA, que solo puntúa entregables legales que cumplen todos los requisitos, logra un 15,0% frente al 7,2% de Fable.
Benchmark
GPT-6.2 Astra
Claude Fable 5.2
Notas
Agents' Last Exam v1.1
78,3%
72,8%
Gráfico de OpenAI; Fable a máximo esfuerzo
GDPval v2
50,4%
44,8%
Benchmark interno de OpenAI
Harvey LAB-AA v1.1
15,0%
7,2%
Gráfico de OpenAI
AutomationBench 1.0.6
52,4%
51,4%
Ambos proveedores reportan 51,4% para Fable
Remote Labor Index
No publicado
41,3%
Tabla de Anthropic, frente a GPT-6 Astra
Astra es mejor para documentos listos para cliente y análisis, aunque en AutomationBench hay empate y el resultado de Anthropic en Remote Labor Index aún no tiene equivalente en GPT-6.2.
Programación agentiva
Fable 5.2 programa mejor en el único benchmark que ambos proveedores reportan: 49,1% en FrontierCode 2.0, que evalúa si los cambios de código cumplen los estándares de los mantenedores para hacer merge, frente al 44,2% de Astra.
Benchmark
GPT-6.2 Astra
Claude Fable 5.2
Notas
FrontierCode 2.0
44,2%
49,1%
Ambos proveedores coinciden en la puntuación de Fable
FrontierSWE v2
No publicado
69,9%
Tabla de Anthropic
SecureSWE
65,7%
No publicado
Benchmark interno de OpenAI
El propio gráfico de FrontierCode de OpenAI muestra el intercambio: Fable logra la puntuación más alta, pero con un coste por tarea mucho mayor.
Para agentes de código donde la calidad pesa más que el coste, Fable es la elección.
Ciencia, CAD y razonamiento general
Aquí hay división: GPT-6.2 Astra lidera los benchmarks científicos, mientras que Fable 5.2 lidera el compuesto de razonamiento general y empata en CAD.
Benchmark
GPT-6.2 Astra
Claude Fable 5.2
Notas
Terminal-Bench-Science 0.1
77,1%
73,3%
Fable vía el arnés de Artificial Analysis; Anthropic reporta 74,6% en Claude Code
Vals Science Index v1
68,4%
63,7%
Gráfico de OpenAI
Artificial Analysis Intelligence Index v5.0.1
62,1
64,6
Puntuación del índice
BenchCAD 2.1 Core
82,5%
83,5%
Prácticamente empate
Humanity's Last Exam (con herramientas)
No publicado
74,2%
Tabla de Anthropic
Para análisis científico, Astra tiene ventaja; para razonamiento general, Fable la tiene por menos de 3 puntos en el compuesto.
Uso de ordenador, 3D y robótica
Anthropic reporta resultados fuertes en uso de ordenador y robótica para Fable 5.2, incluido un 89,3% en OSWorld 2.1, pero OpenAI no publica puntuaciones comparables de GPT-6.2 Astra, así que no hay enfrentamiento directo. El único dato compartido favorece a Astra: en AA-3D de Artificial Analysis, donde jueces humanos eligen entre dos renders 3D a ciegas, Astra lidera con 1.318 Elo frente a 1.271 de Fable.
Si tu carga es un agente que maneja software de escritorio, hoy Fable tiene más evidencias a su favor.
Así rindieron GPT-6.2 Astra y Claude Fable 5.2
Los benchmarks de dos competidores tienen un límite, así que di a ambos el mismo encargo de programación creativa, con un prompt y herramientas idénticas.
La tarea: escribir un script para Manim, una conocida librería de animación en Python, que genere un vídeo de 60 segundos explicando la conjetura de Collatz para estudiantes de secundaria. La regla parece simple (si es par, divide entre dos; si es impar, triplica y suma 1), y nadie ha probado que todo número inicial acabe en 1.
Lo difícil es que los modelos no ven su propio vídeo. No pueden ejecutar el script, así que tiene que renderizar a la primera, verse bien y ser correcto, sin un solo previo. Los explicadores invitan a adornos llamativos y todo lo que sale en pantalla debe ser verdad.
Ambos modelos corrieron en OpenCode con una superficie de herramientas fija (leer, buscar y editar archivos), al mismo esfuerzo de razonamiento alto, en una sesión nueva cada vez. Como un briefing creativo tiene suerte de por medio, ejecuté cada modelo 3 veces y rendericé los 6 vídeos.
Luego evalué los vídeos a ciegas, barajados y etiquetados de la A a la F, con 4 preguntas: si todo en pantalla es cierto, si un estudiante aprendería la idea, si resulta interesante de ver y si parece terminado. Este es un momento del mejor vídeo de GPT-6.2 Astra:
Principales conclusiones:
Los 6 scripts renderizaron a la primera. Cada vídeo quedó a menos de 3 segundos del objetivo de 60, sin errores ni arreglos.
En calidad, casi empate. En las 4 preguntas, los dos modelos promediaron a una décima de punto. Fable fue el cineasta más consistente: sus 3 vídeos siguen el mismo arco pulido, cerrando con las dos formas en que la conjetura podría fallar y un "Nadie lo sabe" final.
Astra hizo el mejor y el más flojo vídeo. El mejor explica 7 en vez de 6 o 27, y luego muestra que trayectorias de números distintos se unen y siguen juntas, una idea más profunda que en cualquier otro vídeo. El más flojo fue plano, con ecuaciones que se desordenan brevemente en cada transición.
La precisión los separó. Los 3 vídeos de Fable afirman que los ordenadores han probado todos los números hasta 2^68. Ese era el récord en 2020; desde 2025 es 2^71. Los vídeos de Astra no hicieron afirmaciones sin respaldo.
Aquí está la afirmación en los vídeos de Fable. Es cierta en su momento, pero presenta un hito de hace 5 años como estado del arte actual, en las 3 ejecuciones:
Y aquí la animación de la larga subida del 27 de Fable, que explica por qué sus vídeos puntuaron tan bien en realización:
La brecha de costes fue grande. Los scripts de Fable costaron entre $3,84 y $4,35 cada uno y los de Astra entre $0,40 y $0,84, porque Fable escribió de 4 a 10 veces más tokens de output, y fue mucho más lento.
Métrica
GPT-6.2 Astra
Claude Fable 5.2
Coste de cada ejecución (USD)
$0.84, $0.61, $0.40
$4.35, $3.84, $4.19
Tokens de output (incl. razonamiento)
17.551, 10.828, 8.124
84.822, 74.457, 81.316
Precisión, por ejecución
5, 5, 5
4, 4, 4
Puntuación de la rúbrica (media de cuatro ejes), por ejecución
4,8, 4,8, 3,8
4,2, 4,8, 4,5
¿Entonces, cuál ganó? En calidad, ninguno; y Astra en todo lo demás: el mismo nivel de vídeo, sin nada falso en pantalla, por alrededor de una sexta parte del coste. La consistencia de Fable es real, pero también su hábito de repetir un dato caduco con seguridad.
Cuándo escoger GPT-6.2 Astra vs Claude Fable 5.2
Como los precios por token coinciden, la decisión se resume en dos preguntas: ¿tu tarea favorece las fortalezas de Fable en código y uso de ordenador? y ¿puedes permitirte varios veces más tokens por tarea?
Elige GPT-6.2 Astra si...
Producís documentos listos para cliente, borradores legales o análisis financieros, donde Astra lidera los benchmarks de trabajo profesional.
Ejecutas grandes volúmenes de tareas, donde el menor uso de tokens de Astra reduce la factura incluso con tarifas idénticas.
Necesitas análisis científico en terminal o notebook, donde Astra lidera ambos benchmarks de ciencia.
Te importa la precisión en trabajos creativos o explicativos abiertos, como en nuestra prueba.
Elige Claude Fable 5.2 si...
Ejecutas agentes de código en repos reales, donde Fable lidera FrontierCode 2.0 por unos 5 puntos.
Tus agentes manejan software de escritorio: Anthropic reporta 89,3% en OSWorld 2.1 para Fable, y OpenAI no ha publicado un dato comparable para Astra.
Despliegas a través de AWS Bedrock, Google Vertex AI o Azure AI Foundry, que listan a Fable. La documentación de Azure no lista a Astra, y no pudimos confirmarlo en las otras dos.
Tus agentes reutilizan un contexto largo y fijo, donde el input en caché de Fable cuesta la mitad.
Cómo empezar con GPT-6.2 Astra y Claude Fable 5.2
Superficie
GPT-6.2 Astra
Claude Fable 5.2
App de consumo
ChatGPT Work y Codex (Plus, Pro, Enterprise, Edu)
Apps de Claude (disponibles para todos)
API propia
OpenAI API
Claude Platform
Plataformas cloud
No aparece en la documentación de Azure AI Foundry a 17 de noviembre de 2026
AWS Bedrock, Google Vertex AI, Azure AI Foundry
Agentes de código
Codex; no aparece en la documentación de Cursor ni GitHub Copilot en el momento de escribir
GitHub Copilot; no aparece en la documentación de Cursor en el momento de escribir
Routers de terceros
OpenRouter
OpenRouter
ID de modelo en API
gpt-6.2-astra
claude-fable-5-2
La mayor diferencia es el alcance en la nube: Fable está en las tres grandes, mientras que Astra se accede a través del API y productos de OpenAI. En OpenRouter, cambiarlos es una sola cadena:
from openai import OpenAI
client = OpenAI(base_url="https://openrouter.ai/api/v1")# usa tu clave de OpenRouter
response = client.chat.completions.create(
model="openai/gpt-6.2-astra",# o "anthropic/claude-fable-5.2"
messages=[{"role":"user","content":"Review this pull request..."}],)print(response.choices[0].message.content)Con la tecnología de
En capacidad, GPT-6.2 Astra y Claude Fable 5.2 se reparten las victorias: Astra para trabajo profesional y analítico; Fable para código y uso de ordenador.
En coste, Astra gana casi siempre, porque precios idénticos por token esconden apetitos de tokens muy distintos.
Ninguno es mejor en todo. GPT-6.2 Astra lidera benchmarks profesionales y analíticos como Harvey LAB-AA y GDPval v2, mientras que Claude Fable 5.2 lidera la programación agentiva en FrontierCode 2.0. Ambos cuestan lo mismo por token, pero Astra usa muchos menos tokens por tarea, así que suele ser mucho más barato.
¿Cuánto cuestan GPT-6.2 Astra y Claude Fable 5.2?⌄
Ambos cuestan $8 por millón de tokens de entrada y $40 por millón de tokens de salida, con modos rápidos a $16 y $80. El input en caché de Fable es más barato: $0,20 por millón frente a $0,40 de Astra. En los gráficos de OpenAI, Fable aun así cuesta de 2,1 a 20,8 veces más por tarea porque usa más tokens.
¿Cuál es mejor para programar, GPT-6.2 Astra o Claude Fable 5.2?⌄
Claude Fable 5.2 es mejor programando en el benchmark que ambos proveedores reportan, con 49,1% en FrontierCode 2.0 frente a 44,2% de GPT-6.2 Astra. Astra cuesta mucho menos por tarea de código, así que es una opción razonable para volúmenes altos o trabajos sensibles al coste.
¿Dónde puedo acceder a GPT-6.2 Astra y Claude Fable 5.2?⌄
GPT-6.2 Astra está en ChatGPT Work y Codex para usuarios Plus, Pro, Enterprise y Edu, y en el OpenAI API. Claude Fable 5.2 está en las apps de Claude, la Claude Platform, AWS Bedrock, Google Vertex AI, Azure AI Foundry y GitHub Copilot. Ambos están en OpenRouter.
¿Cuáles son los IDs de modelo en API para GPT-6.2 Astra y Claude Fable 5.2?⌄
En las APIs propias, GPT-6.2 Astra es gpt-6.2-astra y Claude Fable 5.2 es claude-fable-5-2. En OpenRouter, son openai/gpt-6.2-astra y anthropic/claude-fable-5.2, así que cambiar entre ellos en un cliente compatible con OpenAI es una sola cadena. Ambos modelos también ofrecen cinco niveles de esfuerzo de razonamiento, de bajo a máximo.
Anthropic lanzó Claude Fable 5.2 a principios de noviembre como su nuevo buque insignia. El 17 de noviembre de 2026, OpenAI respondió con GPT-6.2 Astra, su nuevo modelo de vanguardia, y sus gráficos de lanzamiento colocan a Fable 5.2 junto a Astra en la mayoría de benchmarks.
Ambos modelos tienen exactamente el mismo precio por token, así que, sobre el papel, esto va de pura capacidad. En la práctica, la factura cuenta otra historia, y nuestra prueba práctica también.
Para estar al día en IA y datos, te recomiendo suscribirte a nuestro boletín semanal, The Median.
TL;DR
¿Qué es GPT-6.2 Astra?
GPT-6.2 Astra es el modelo de vanguardia de OpenAI, lanzado en noviembre de 2026 como el nivel superior de la familia GPT-6.2, por encima de GPT-6.2 Sol.
Su propuesta: resultados profesionales a menor coste por tarea —diapositivas, cuadernos y documentos que siguen tus plantillas—, además de uso de ordenador en herramientas CAD y de simulación.
La entrada de lanzamiento de OpenAI cubre la versión, y nuestro tutorial del API de GPT-6 Astra muestra cómo crear con la generación anterior.
¿Qué es Claude Fable 5.2?
Claude Fable 5.2 es el modelo insignia de Anthropic, lanzado en noviembre de 2026 junto a Claude Mythos 5.2, una versión para organizaciones verificadas en ciberseguridad y biomedicina.
Anthropic lo posiciona para trabajo técnico de largo recorrido: programación agentiva, uso de ordenador y tareas de investigación, con un modo rápido opcional que genera tokens hasta 2,5 veces más deprisa.
Nuestra guía de Fable 5.2 cubre el lanzamiento; nuestro tutorial del API de Fable 5.2 te guía para crear un agente de contrastación de hipótesis.
GPT-6.2 Astra vs Claude Fable 5.2: comparación directa
En capacidad, la foto es de empate técnico y la mayoría de diferencias en benchmarks son de pocos puntos. En coste no: mismo precio por token, pero Fable necesita muchos más tokens para terminar la misma tarea.
Precios: lo que realmente pagas
El precio es la mayor diferencia entre estos modelos, aunque sus tarifas por token sean casi idénticas. La diferencia está en cuántos tokens quema cada uno por tarea.
Tarifas por token, lado a lado
La única diferencia es el input en caché, donde Fable cuesta la mitad que Astra, lo que ayuda a agentes que releen un contexto largo y fijo. OpenAI también duplica la tarifa de input de Astra para peticiones por encima de 272K tokens; el anuncio de Anthropic no lista ese recargo para Fable.
Lo que cuesta una carga de trabajo real
Calculado a tarifas estándar como (volumen ÷ 1M) × tarifa, sumando input y output:
A igual número de tokens, Fable nunca es más caro, y el escenario con mucha caché es donde sale claramente más barato. La trampa está en asumir el mismo número de tokens.
Por qué la misma tarea cuesta distinto
Los gráficos de lanzamiento de OpenAI incluyen el coste por tarea para ambos modelos, y Fable sale más caro en todos: desde 2,1x en Vals Science Index hasta 20,8x en Agents' Last Exam ($60,05 frente a $2,89 de Astra). Son mediciones de OpenAI sobre un competidor, en su mayoría al máximo esfuerzo de cada modelo, así que tómalo como una orientación, no como precio cerrado.
La causa es la longitud del output: con las mismas tarifas, un modelo que escribe varias veces más tokens, incluidos los de razonamiento que se facturan como output, cuesta varias veces más. Nuestra prueba, más abajo, apunta en la misma dirección.
Trabajo profesional y flujos agentivos
Aquí GPT-6.2 Astra lidera con claridad: en Harvey LAB-AA, que solo puntúa entregables legales que cumplen todos los requisitos, logra un 15,0% frente al 7,2% de Fable.
Astra es mejor para documentos listos para cliente y análisis, aunque en AutomationBench hay empate y el resultado de Anthropic en Remote Labor Index aún no tiene equivalente en GPT-6.2.
Programación agentiva
Fable 5.2 programa mejor en el único benchmark que ambos proveedores reportan: 49,1% en FrontierCode 2.0, que evalúa si los cambios de código cumplen los estándares de los mantenedores para hacer merge, frente al 44,2% de Astra.
El propio gráfico de FrontierCode de OpenAI muestra el intercambio: Fable logra la puntuación más alta, pero con un coste por tarea mucho mayor.
Para agentes de código donde la calidad pesa más que el coste, Fable es la elección.
Ciencia, CAD y razonamiento general
Aquí hay división: GPT-6.2 Astra lidera los benchmarks científicos, mientras que Fable 5.2 lidera el compuesto de razonamiento general y empata en CAD.
Para análisis científico, Astra tiene ventaja; para razonamiento general, Fable la tiene por menos de 3 puntos en el compuesto.
Uso de ordenador, 3D y robótica
Anthropic reporta resultados fuertes en uso de ordenador y robótica para Fable 5.2, incluido un 89,3% en OSWorld 2.1, pero OpenAI no publica puntuaciones comparables de GPT-6.2 Astra, así que no hay enfrentamiento directo. El único dato compartido favorece a Astra: en AA-3D de Artificial Analysis, donde jueces humanos eligen entre dos renders 3D a ciegas, Astra lidera con 1.318 Elo frente a 1.271 de Fable.
Si tu carga es un agente que maneja software de escritorio, hoy Fable tiene más evidencias a su favor.
Así rindieron GPT-6.2 Astra y Claude Fable 5.2
Los benchmarks de dos competidores tienen un límite, así que di a ambos el mismo encargo de programación creativa, con un prompt y herramientas idénticas.
La tarea: escribir un script para Manim, una conocida librería de animación en Python, que genere un vídeo de 60 segundos explicando la conjetura de Collatz para estudiantes de secundaria. La regla parece simple (si es par, divide entre dos; si es impar, triplica y suma 1), y nadie ha probado que todo número inicial acabe en 1.
Lo difícil es que los modelos no ven su propio vídeo. No pueden ejecutar el script, así que tiene que renderizar a la primera, verse bien y ser correcto, sin un solo previo. Los explicadores invitan a adornos llamativos y todo lo que sale en pantalla debe ser verdad.
Ambos modelos corrieron en OpenCode con una superficie de herramientas fija (leer, buscar y editar archivos), al mismo esfuerzo de razonamiento alto, en una sesión nueva cada vez. Como un briefing creativo tiene suerte de por medio, ejecuté cada modelo 3 veces y rendericé los 6 vídeos.
Luego evalué los vídeos a ciegas, barajados y etiquetados de la A a la F, con 4 preguntas: si todo en pantalla es cierto, si un estudiante aprendería la idea, si resulta interesante de ver y si parece terminado. Este es un momento del mejor vídeo de GPT-6.2 Astra:
Principales conclusiones:
Aquí está la afirmación en los vídeos de Fable. Es cierta en su momento, pero presenta un hito de hace 5 años como estado del arte actual, en las 3 ejecuciones:
Y aquí la animación de la larga subida del 27 de Fable, que explica por qué sus vídeos puntuaron tan bien en realización:
La brecha de costes fue grande. Los scripts de Fable costaron entre $3,84 y $4,35 cada uno y los de Astra entre $0,40 y $0,84, porque Fable escribió de 4 a 10 veces más tokens de output, y fue mucho más lento.
¿Entonces, cuál ganó? En calidad, ninguno; y Astra en todo lo demás: el mismo nivel de vídeo, sin nada falso en pantalla, por alrededor de una sexta parte del coste. La consistencia de Fable es real, pero también su hábito de repetir un dato caduco con seguridad.
Cuándo escoger GPT-6.2 Astra vs Claude Fable 5.2
Como los precios por token coinciden, la decisión se resume en dos preguntas: ¿tu tarea favorece las fortalezas de Fable en código y uso de ordenador? y ¿puedes permitirte varios veces más tokens por tarea?
Elige GPT-6.2 Astra si...
Elige Claude Fable 5.2 si...
Cómo empezar con GPT-6.2 Astra y Claude Fable 5.2
gpt-6.2-astraclaude-fable-5-2La mayor diferencia es el alcance en la nube: Fable está en las tres grandes, mientras que Astra se accede a través del API y productos de OpenAI. En OpenRouter, cambiarlos es una sola cadena:
Para montajes completos, consulta nuestro tutorial del API de Fable 5.2 y nuestro tutorial del API de GPT-6 Astra.
Conclusión
En capacidad, GPT-6.2 Astra y Claude Fable 5.2 se reparten las victorias: Astra para trabajo profesional y analítico; Fable para código y uso de ordenador.
En coste, Astra gana casi siempre, porque precios idénticos por token esconden apetitos de tokens muy distintos.
Si quieres aprender más sobre cómo crear con los modelos de Anthropic, te recomendamos nuestro curso Introduction to Claude Models. Si prefieres OpenAI, prueba Working with the OpenAI API.