Gemini 4 Argon vs Claude Fable 5.1: agentes y costes
| Tu flujo | Elección inicial | Qué justificaría un cambio |
|---|---|---|
| Informes largos o entregables de código necesitan más salida | Evalúa Argon con presupuesto explícito | Más entregables completos aceptados sin latencia ni revisión excesivas |
| Los agentes Fable dependen de sus thinking blocks y caché | Conserva Fable como referencia | Argon mantiene la finalización y reduce la carga operativa conjunta |
| Los prefijos repetidos dominan el uso de tokens | Prueba ambos con tu patrón real de reutilización | Aciertos de caché observados y gasto total, no el descuento nominal |
| Las tareas necesitan reintentos o rescate humano | Compara trazas completas en ambas rutas | Menos bucles fallidos, recuperaciones y minutos de revisión |
Tabla de estado y evidencias
| Pregunta | Gemini 4 | Claude Fable 5.1 | Decisión segura |
|---|---|---|---|
| Estado oficial | Anunciado · Acceso restringido | Claude Fable 5.1 · 2026-09-01 | Ya se pueden comparar tarifas nominales y evaluaciones del proveedor; falta la prueba de EvoLink con la misma carga y condiciones. |
| ID de API del proveedor | El anuncio no lo establece; usa el ID configurado por EvoLink que aparece en la página del modelo para solicitudes al gateway | claude-fable-5-1 (Anthropic) | Distingue los IDs de proveedor y gateway; usa el valor documentado de la ruta elegida |
| Contexto y salida máxima | Google anuncia un límite de salida de 1 millón de tokens para razonamiento y generación prolongados. No es una ventana de contexto de entrada confirmada ni una garantía sobre parámetros de EvoLink. | 1M de contexto; 128K de salida máxima (Anthropic) | Registra cuánto de la ventana consumen realmente tus trazas |
| Modalidades de entrada | Falta documentar las modalidades de entrada admitidas por la API pública. | Entrada de texto e imagen, salida de texto (Anthropic) | Lista las modalidades que cada carga de trabajo requiere antes de probar |
| Controles de thinking | No publicados | Thinking adaptativo siempre activo; esfuerzo predeterminado high; latencia comparativa listada como Slower (Anthropic) | Registra el ajuste de esfuerzo por traza para que una ruta posterior se pruebe con ajustes equivalentes |
| Estructura de precios de caché | Google anuncia 2 dólares por millón de tokens de entrada y 10 por millón de salida durante el período inicial; después serán 4 y 20 dólares. No se ha anunciado cuándo termina la promoción. Son tarifas de Google, no una oferta de EvoLink. Google anuncia un descuento del 95 % en la entrada en caché: con la tarifa inicial, el cálculo es 0,10 dólares por millón de tokens (2 dólares × 5 %). | Entrada $10 / salida $50 por MTok; escritura de caché de 5 minutos $12.50; escritura de caché de 1 hora $20; lectura de caché $0.25 por MTok (lista de Anthropic) | La economía de la caché no puede compararse hasta que ambos lados publiquen TTL y tarifas |
| Disponibilidad de Batch | No publicada | Anthropic lista Batch con entrada y salida al 50 % del estándar | Compara Standard con Standard, Batch con Batch |
| Cambios incompatibles documentados | No publicados | Tres en la guía de migración de Anthropic: errores con tool choice forzado, incompatibilidad de modelos anteriores con los thinking blocks de 5.1, thinking blocks invalidados tras editar turnos anteriores | Una lista publicada de cambios incompatibles es comprobable; una ausente no lo es |
| Ruta de EvoLink | Gemini 4 Argon está disponible a través de EvoLink. Consulta los precios actuales y el ejemplo de solicitud en la página del modelo. | Ruta configurada claude-fable-5-1; precio en la página de producto | Verifica la identidad de modelo devuelta en la primera petición de cualquier ruta |
Las evaluaciones de Google permiten una comparación inicial, pero no son pruebas de EvoLink en igualdad de condiciones. No demuestran latencia, coste por tarea aceptada ni un ganador universal. La tabla incluye un resultado favorable a Argon y otro en el que queda por detrás.
Evaluaciones publicadas por Google
| Evaluación | Gemini 4 Argon | Claude Fable 5.1 |
|---|---|---|
| DeepSWE v1.1 | 77.9% | 67.4% |
| FrontierSWE v2 | 55.0% | 56.3% |
Lee los ajustes antes de interpretar la diferencia. La metodología de Google utiliza pass@1 salvo indicación contraria y, en general, el nivel de thinking más alto disponible. DeepSWE combina una ejecución de Argon con mini-swe y resultados comparativos de rankings públicos o fichas de sistema; FrontierSWE procede del ranking de Proximal. No son dos modelos ejecutados de nuevo en un mismo entorno de EvoLink. Conserva la versión del benchmark, el entorno, el ajuste de razonamiento y la fuente junto a cada puntuación; no conviertas diferencias en puntos porcentuales en una predicción de éxito en producción.
Qué tareas de larga duración merece la pena evaluar
El trabajo de agentes largos no es una sola carga. Cinco clases cubren la mayoría de las trazas que los equipos enrutan a Fable 5.1, cada una con su definición de «aceptada». Registra y evalúa tanto la referencia como Argon por clase.
| Carga de trabajo | Qué significa "aceptada" | Qué registrar en Fable 5.1 ahora | Qué debe igualar la evaluación de Argon |
|---|---|---|---|
| Reparación de repositorios multiarchivo | Los tests pasan, el diff se revisa, no se tocan archivos no relacionados | Archivos leídos y editados, tool calls, reintentos, minutos de revisor, tokens por corrección aceptada | Mismo conjunto de tareas, suite de tests y rúbrica del revisor |
| Investigación multipaso y entregables de conocimiento | Las citas resuelven, la estructura coincide con el brief, sin afirmaciones sin respaldo | Fuentes consultadas, revisiones solicitadas, correcciones factuales por entregable | Mismos briefs y misma pasada de verificación de hechos |
| Bucles de herramientas de varias horas | El bucle termina en la condición de parada con un estado final válido | Número de bucles, tool calls fallidas, checkpoints, eventos de reanudación, tiempo de reloj hasta la terminación | Mismas herramientas, permisos, presupuesto de reintentos y reglas de parada |
| Extracción estructurada sobre documentos largos | La salida valida contra el esquema; los campos muestreados coinciden con la fuente | Longitud del documento, fallos de esquema, reejecuciones, precisión de campos sobre una muestra fija | Mismos documentos, esquema y muestra |
| Flujos multipaso de atención al cliente con herramientas | Ticket resuelto dentro de la política sin escalado humano | Escalados, llamadas a herramienta incorrecta, violaciones de política, tiempo de gestión | Mismas definiciones de flujo y comprobaciones de política |
Ninguna fila elige un modelo ganador porque no hay una ejecución en condiciones equivalentes. La tabla define qué significa «la misma tarea» antes de comparar rutas.
Reutilización de contexto y condiciones de caché
Los agentes largos reenvían contexto del repositorio, esquemas de herramientas e instrucciones. El descuento anunciado permite un cálculo inicial, pero la comparación completa requiere condiciones de uso equivalentes.
Google anuncia un descuento del 95 % en la entrada en caché: con la tarifa inicial, el cálculo es 0,10 dólares por millón de tokens (2 dólares × 5 %). Faltan las condiciones de escritura y almacenamiento, TTL, elegibilidad, caché tras la promoción y compatibilidad con la pasarela. Una caché de cinco minutos no equivale a una de una hora, ni una caché automática de prefijo a un objeto explícito compartido. Iguala TTL, alcance, tamaño mínimo y modo de servicio antes de inferir ahorro.
Fable 5.1 te da la estructura contra la que registrar. Anthropic documenta una escritura de caché de 5 minutos a $12.50 por MTok, una escritura de 1 hora a $20 por MTok, lecturas de caché a $0.25 por MTok y Batch al 50 % de la entrada y la salida estándar. Para cada traza de Fable, registra:
- qué TTL se eligió y por qué (espaciado entre turnos inferior a cinco minutos, o pausas que justificaron la escritura de 1 hora);
- el tamaño del prefijo en caché y con qué frecuencia cambió a mitad de tarea, ya que los cambios pueden impedir reutilizar la parte afectada del prefijo en caché;
- tokens leídos de caché frente a tokens de entrada nueva por turno;
- si la traza se ejecutó en Standard o Batch, y cómo combinaba la página de precios de Anthropic Batch con los modificadores de caché en el momento de la ejecución.
Coste de reintentos, recuperación y toma de control humana
Esta es la capa que una tabla de especificaciones nunca muestra y donde se pierde realmente la mayor parte de los presupuestos de agentes de larga duración. Una traza que termina al tercer intento después de que un humano la desbloqueara no cuesta lo mismo que una traza que terminó a la primera. Registra seis eventos por traza, cada uno con marca de tiempo y recuento de tokens:
- Detección de bucles. La misma tool call con los mismos argumentos repetida más allá de un umbral fijado de antemano. Registra cuántos turnos se quemaron antes de que se activara la regla de parada.
- Tool calls fallidas. Separa los errores del lado del proveedor, los del lado de la herramienta y las llamadas mal formadas del lado del modelo. Las llamadas mal formadas pueden indicar un problema del modelo o de integración; distingue sus causas de los fallos del proveedor y de la herramienta antes de atribuir una diferencia al modelo.
- Integridad de los checkpoints. Verifica que cada estado guardado puede restaurar realmente la tarea. Un checkpoint que no puede reanudarse es salida desperdiciada más una reejecución completa.
- Reanudación tras una interrupción. Cuenta los tokens gastados en reconstruir el contexto tras un rate limit, un timeout o una pausa del operador, por separado de los tokens de la primera ejecución.
- Invalidación de thinking blocks. La guía de migración de Anthropic documenta que editar turnos anteriores invalida los thinking blocks retenidos de Fable 5.1. Cualquier framework que reescriba el historial para compactar o corregir lo activará; registra con qué frecuencia y cuánto cuesta volver a pensar. Si Gemini 4 tiene una regla equivalente no está publicado.
- Toma de control humana. Minutos de revisor dedicados a desbloquear, corregir o terminar la tarea, registrados como tiempo para que nunca desaparezcan dentro de un total de API.
Guárdalos como campos en el registro de la traza, no en un registro de incidentes aparte; el coste por tarea aceptada solo tiene sentido si los reintentos, las reanudaciones y los minutos de revisor están en el mismo ID de tarea que los tokens.
La tabla completa de variables del coste por tarea
El denominador de todas las cifras siguientes son las tareas que se completaron y superaron la aceptación. Las tareas que se completaron pero fallaron la revisión cuentan en el gasto (se pagaron), pero no en el denominador. El gasto en API y el tiempo humano se mantienen en columnas separadas; convierte los minutos a dinero solo en la capa de informes, a una tarifa que sea propiedad de tu equipo financiero.
| Variable | Cómo registrarla en Fable 5.1 hoy | Estado en Gemini 4 |
|---|---|---|
| Tokens de entrada | Entrada nueva (sin caché) por turno, sumada por tarea, a partir de los contadores de uso que devuelve EvoLink | Google anuncia 2 dólares por millón de tokens de entrada y 10 por millón de salida durante el período inicial; después serán 4 y 20 dólares. No se ha anunciado cuándo termina la promoción. Son tarifas de Google, no una oferta de EvoLink. |
| Escritura de caché | Tokens escritos, divididos por TTL de 5 minutos y de 1 hora, con el número de escrituras por tarea | Registra la documentación de la ruta elegida y las trazas reales |
| Lectura de caché | Tokens servidos desde caché por tarea; registra también la tasa de aciertos (lectura de caché / (lectura de caché + entrada nueva)) | Google anuncia un descuento del 95 % en la entrada en caché: con la tarifa inicial, el cálculo es 0,10 dólares por millón de tokens (2 dólares × 5 %). Faltan las condiciones de escritura y almacenamiento, TTL, elegibilidad, caché tras la promoción y compatibilidad con la pasarela. |
| Tokens de salida | Uso de salida realmente facturado en todas las llamadas, incluido el razonamiento cuando se facture; no solo respuestas visibles y argumentos de herramientas | Google anuncia un límite de salida de 1 millón de tokens para razonamiento y generación prolongados. No es una ventana de contexto de entrada confirmada ni una garantía sobre parámetros de EvoLink. |
| Tool calls y coste externo | Recuento y cualquier coste medido (búsqueda, ejecución de código, API de terceros) por tarea | Registra la documentación de la ruta elegida y las trazas reales |
| Reintentos | Intentos más allá del primero, con tokens por intento, adjuntos al mismo ID de tarea | Registra la documentación de la ruta elegida y las trazas reales |
| Uso de la ruta de respaldo | Si algún turno fue servido por otro modelo, y cuál, verificado mediante el campo model devuelto | Registra la documentación de la ruta elegida y las trazas reales |
| Minutos de revisión humana | Tiempo de revisor y operador por tarea, registrado en minutos | Se mide en tus propias ejecuciones; no es un dato publicado por el proveedor |
| Tiempo de reloj hasta la aceptación | Tiempo desde el inicio de la tarea hasta el resultado aceptado, incluidas esperas y turnos humanos | Se mide en tus propias ejecuciones; no es un dato publicado por el proveedor |
| Tasa de tareas aceptadas | Tareas aceptadas / tareas intentadas por clase de carga de trabajo en la ventana | Se mide en tus propias ejecuciones; no es un dato publicado por el proveedor |
El coste por tarea aceptada es el gasto en API dividido por las tareas aceptadas, reportado junto a los minutos de revisión por tarea aceptada. Reducir el gasto API por sí solo no demuestra un coste total menor. Incluye el tiempo de revisión a tu propia tarifa laboral antes de decidir si la ruta ahorra dinero.
Aceptación de la calidad de finalización
Una rúbrica de aceptación que solo funciona con un modelo es una preferencia, no una rúbrica. Construye la aceptación para que sobreviva a un cambio de modelo:
- Primero, comprobaciones objetivas. Los tests pasan, el esquema valida, las citas resuelven, el diff toca solo los archivos declarados. Binarias y baratas de ejecutar en cada traza.
- Segundo, rúbrica del revisor. Una lista de comprobación corta y fija por clase de carga de trabajo (corrección, completitud, seguridad, fidelidad al brief), puntuada por revisores que no saben qué ruta produjo la salida.
- Ejecuciones repetidas. Ejecuta cada tarea más de una vez y reporta la tasa de tareas aceptadas como un rango, para que un éxito de una sola ejecución no se promocione como una capacidad.
- Informe de incertidumbre. Publica el tamaño de muestra, los ajustes (esfuerzo, herramientas, TTL) y la lista de fallos junto a cada resultado. Una tasa sin tamaño de muestra no es evidencia.
Ejecuta una comparación por carga de trabajo a través de EvoLink y conserva la referencia actual, los criterios de aceptación y el respaldo durante replay, sombra y canary. El acceso API permite evaluar; no demuestra una ventaja en calidad o coste.
Tráfico en sombra y plan de reversión
Introduce Argon por las mismas tres etapas que cualquier ruta nueva, con Fable 5.1 como referencia medida durante todo el proceso.
- Replay. Alimenta al candidato offline con trazas grabadas de Fable 5.1; compara la tasa de tareas aceptadas y el coste por tarea aceptada sobre entradas idénticas.
- Sombra. Envía las peticiones reales a ambas rutas, sirve la respuesta de Fable 5.1 y puntúa al candidato en silencio. Esto saca a la luz bucles y errores de herramientas sin exponer a los usuarios.
- Canary. Enruta una clase de carga de trabajo con una cuota pequeña; amplía solo cuando las puertas se mantengan durante toda la ventana de observación.
Puertas de promoción, fijadas antes de que empiece la prueba: tasa de tareas aceptadas igual o superior a la referencia; p95 del tiempo de reloj hasta la aceptación dentro del límite acordado; coste por tarea aceptada, incluidos reintentos y respaldo, igual o inferior a la referencia; cero incidentes para la clase de carga de trabajo durante la ventana.
Disparador de reversión: cualquier puerta que falle durante el número acordado de días consecutivos, o un incidente que llegue a un cliente. La reversión es un cambio de configuración del gateway, no un despliegue de código, y por eso la selección de modelo pertenece a la configuración de enrutamiento y no al código de la aplicación.
model y los contadores de uso de cada respuesta y contrastarlos con la ruta configurada. En un gateway comprueba coherencia con la configuración; la etiqueta por sí sola no demuestra de forma independiente la identidad del modelo subyacente. Contrástala con los registros de ruta y facturación e investiga respaldos inesperados. Hazlo en la primera solicitud y de forma continua en sombra; registra el resultado en el campo de respaldo de la tabla de costes.Qué no contaría como progreso
- Una ventana de contexto de Gemini 4 rumoreada más grande sin tareas largas completadas que la respalden.
- Un precio de titular más bajo que se ve compensado por reintentos, reanudaciones, salidas más largas o minutos extra de revisión.
- Capturas de benchmarks filtradas o tablas de especificaciones de terceros sin ajustes, tamaño de muestra ni un conjunto de tareas reproducible.
- Una ruta que devuelve un modelo anterior o un respaldo opaco mientras lleva el nombre nuevo.
- Una victoria de un solo día en tareas aceptadas que desaparece en ejecuciones repetidas o en la ventana de observación completa.
Escribe estas reglas de rechazo ahora, en el mismo documento que la rúbrica de aceptación. Los equipos que se saltan este paso tienden a redefinir el éxito alrededor del primer resultado emocionante.
Evaluar Claude Fable 5.1 en EvoLink Evalúa Gemini 4 Argon en EvoLinkFAQ
¿Alguien puede demostrar hoy que Gemini 4 cuesta menos que Claude Fable 5.1 para agentes?
Todavía no para tu carga de producción. Las tarifas anunciadas son inferiores a las estándar base del modelo comparado, pero hay que medir acceso, tokens reales, elegibilidad de caché, reintentos y calidad aceptada antes de afirmar menor coste total.
¿Pueden compararse directamente los precios de caché entre proveedores?
Google anuncia un descuento del 95 % en la entrada en caché: con la tarifa inicial, el cálculo es 0,10 dólares por millón de tokens (2 dólares × 5 %). Faltan las condiciones de escritura y almacenamiento, TTL, elegibilidad, caché tras la promoción y compatibilidad con la pasarela. Una caché de cinco minutos no equivale a una de una hora, ni una caché automática de prefijo a un objeto explícito compartido. Iguala TTL, alcance, tamaño mínimo y modo de servicio antes de inferir ahorro.
¿Cómo cuento el coste de una tarea de larga duración fallida?
Adjunta cada intento, reanudación y minuto de revisor al mismo ID de tarea. Las tareas fallidas y no aceptadas permanecen en el gasto total, pero no en el denominador de tareas aceptadas. Reporta por separado el gasto en API y los minutos de revisión por tarea aceptada. Calcula el coste total solo después de especificar la tarifa de trabajo utilizada.
¿Cómo registro las funciones que Gemini 4 no ha publicado?
Crea el campo con el valor "No publicado a [fecha]". No lo rellenes con un valor de Gemini 3.x, una cifra filtrada ni un cero. Cuando Google publique un contrato, sustituye el marcador y anota la fecha del cambio para que las comparaciones históricas sigan siendo honestas.
¿Cómo conservo mi referencia verificada de Claude mientras pruebo una ruta nueva?
Ejecuta una comparación por carga de trabajo a través de EvoLink y conserva la referencia actual, los criterios de aceptación y el respaldo durante replay, sombra y canary. El acceso API permite evaluar; no demuestra una ventaja en calidad o coste.
¿Fable 5.1 está disponible en EvoLink ahora?
claude-fable-5-1. Verifica la identidad de modelo devuelta y los contadores de uso en tu primera petición antes de enrutar tráfico de producción, y consulta el precio actual en la página de producto de Claude Fable 5.1. La disponibilidad en el gateway no es un veredicto de producción; ese veredicto sale de tus propios resultados de replay, sombra y canary.¿Puedo usar sin cambios una integración de Fable 5 con Fable 5.1?
Fuentes
- Anuncio de Argon de Google — 30 de septiembre de 2026
- Evaluaciones publicadas por Google
- Anthropic: descripción del modelo Claude Fable 5.1
- Anthropic: guía de migración a Claude Fable 5.1
- Anthropic: precios, TTL de caché y Batch
- Anthropic: anuncio de Claude Fable 5.1
- Anthropic: página de producto de Claude Fable
- Anthropic: retirada de modelos
- Google: mensaje del CEO sobre los resultados del segundo trimestre de 2026 de Alphabet
- Google: anuncio de Gemini 3.6 Flash
- Google: catálogo de modelos de la Gemini API
- Estado de la API de Gemini 4 en EvoLink
- EvoLink: Claude Fable 5.1
- EvoLink: seguimiento del lanzamiento de Gemini 4
- EvoLink: Claude Fable 5.1 vs GPT-6 Astra
