Cada vez que aparece un nuevo gran modelo de lenguaje, surge la misma pregunta: ¿es más potente que los anteriores?
En el trabajo diario de API Hop nos importa más otra cosa: ante una misma tarea, ¿el nuevo modelo puede hacer un trabajo mejor y más rápido? ¿Cuánto hay que esperar? ¿Cuánto cuesta? ¿Cuánto habrá que corregir a mano?
En esta comparación de GPT-6 Astra, Claude Fable 5.1 y Gemini 4 Carbon revisamos evaluaciones generales, datos de agentes de programación, reparaciones en proyectos reales y pruebas de tareas largas, escritura y creación de páginas web.
Primero, la conclusión: cada tarea necesita sus propios criterios
| Qué quieres hacer | En qué fijarte | Qué muestran los resultados actuales |
|---|---|---|
| Corregir errores y modificar código existente | Tasa de resolución, pruebas de regresión, alcance de los cambios y coste de completar la tarea | Fable resolvió más tareas en una prueba de 64 problemas; Astra costó menos |
| Usar un agente de programación | Índice de agentes de la misma versión, coste y tiempo de espera | Las combinaciones probadas de Carbon, Fable y Astra tienen ventajas y desventajas |
| Organizar información y entregar informes o presentaciones | Evaluaciones de trabajo de conocimiento, precisión de los datos y correcciones manuales | Fable obtuvo la mejor puntuación en las configuraciones de AA-Briefcase que revisamos |
| Hacer investigación autónoma durante mucho tiempo | Aceptación del resultado final, detección de errores y entrega a tiempo | Los casos públicos de tareas largas muestran que funcionar durante horas y entregar algo válido son cosas distintas |
| Escribir artículos y crear páginas de destino | Estructura, coherencia de marca, funcionamiento y tiempo de revisión | Hay casos reales de Astra y Fable; faltan pruebas de Carbon en flujos habituales de marketing en chino |
Nuestra conclusión: cada modelo puede rendir de forma distinta según el contexto de trabajo.
Datos básicos de los tres modelos
Empecemos por la información oficial.
| Característica | GPT-6 Astra | Claude Fable 5.1 | Gemini 4 Carbon |
|---|---|---|---|
| Nombre oficial | GPT-6 Astra | Claude Fable 5.1 | Gemini 4 Carbon |
| Ventana de contexto | 1M tokens | 1M tokens | 1M tokens |
| Salida máxima | 128,000 tokens | 128,000 tokens | 1,048,576 tokens |
Hay una distinción fácil de pasar por alto: el modelo y la herramienta con la que lo usas no son lo mismo. Ante una misma tarea de programación, Codex, Claude Code y Antigravity CLI pueden leer archivos, ejecutar comandos, gestionar el contexto y repetir intentos de formas diferentes. El resultado corresponde, en realidad, a «modelo + herramienta + configuración».
Si solo quieres pulir un párrafo, quizá apenas notes la diferencia. Si el agente va a trabajar varias horas en un repositorio grande, el entorno de herramientas puede ser decisivo.
Capacidad general: Carbon tiene la mejor puntuación, pero no gana en todo
Veamos primero una evaluación general de la misma versión.
| Modelo y configuración | Índice general (más alto es mejor) | Coste ponderado de API por tarea (más bajo es mejor) |
|---|---|---|
| Gemini 4 Carbon (high) | 59 | $7.76 |
| GPT-6 Astra (max) | 57 | $6.24 |
| Claude Fable 5.1 (max, default fallback) | 49 | $12.99 |
Artificial Analysis Intelligence Index v5.0 · Más alto es mejor · Escala de 0 a 60; no son porcentajes.
- Carbon · high59
- Astra · max57
- Fable 5.1 · max / default fallback49
Carbon encabeza esta versión del índice general. El nuevo modelo de Google merece atención, sobre todo en razonamiento complejo, conocimiento y tareas científicas.
Astra tiene un coste medio de API inferior al de las otras dos configuraciones indicadas en este conjunto de tareas.
La menor puntuación general de Fable no significa que sea peor en todos los trabajos. La evaluación específica de trabajo de conocimiento que veremos después ofrece un resultado distinto.
¿Qué elegir para programar? Importan la calidad del cambio y el coste real
Datos de agentes de programación en una misma versión
El trabajo habitual de desarrollo consiste en implementar funciones, corregir errores y entregar cambios dentro de un repositorio. Por eso recurrimos a evaluaciones de agentes de programación.
| Modelo + herramienta | Índice de agentes | Coste medio de API por tarea | Tiempo medio por tarea |
|---|---|---|---|
| Carbon high + Antigravity CLI | 59 | $7.74 | 29.8 minutos |
| Fable 5.1 max/default fallback + Claude Code | 58 | $11.53 | 35.3 minutos |
| Astra max + Codex | 55 | $7.04 | 24.8 minutos |
Evaluación de agentes de la misma versión · Minutos · Más bajo es mejor · Escala de 0 a 40; puntuaciones y costes en la tabla anterior.
- Carbon high + Antigravity CLI29.8 minutos
- Fable 5.1 max / default fallback + Claude Code35.3 minutos
- Astra max + Codex24.8 minutos
La combinación de Carbon obtiene la puntuación más alta. Astra + Codex es más rápida y tiene el menor coste medio de API de este conjunto. Fable + Claude Code queda entre ambas en puntuación, pero requiere más tiempo y dinero.
64 tareas de programación: Fable resuelve más, pero también cuesta más
La prueba de imec/aistack nos parece más cercana a las preguntas que se hace un desarrollador que una simple puntuación general: ¿se corrigió el error?, ¿se completó lo pedido?, ¿cuánto costó?
| Métrica | Astra + Codex | Fable 5.1 + Claude Code |
|---|---|---|
| Tareas resueltas | 34 / 64 | 51 / 64 |
| Porcentaje resuelto (calculado a partir de las cantidades) | 53.1% | 79.7% |
| Coste total de las 64 tareas | Aprox. €53 | Aprox. €121 |
| Coste medio por tarea resuelta | Aprox. €1.56 | Aprox. €2.37 |
imec/aistack · El mismo conjunto de 64 tareas · Las barras representan las tareas resueltas en una escala de 0 a 64.
- Astra + Codex34 / 64 · 53.1%
- Fable 5.1 + Claude Code51 / 64 · 79.7%
El resultado es interesante: Fable resolvió 17 tareas más y costó aproximadamente €68 más en total. Si lo más importante es resolver problemas difíciles, esas 17 tareas pueden valer más que el ahorro. Si procesas muchas tareas sencillas cada día, el coste y la rapidez cobran más peso.
El mismo error de Gradle: ambos lo corrigieron, ¿por qué preferían integrar el cambio de Fable?
Hay otro caso más pequeño, pero muy cercano al desarrollo cotidiano.
El blog de ingeniería de Gradle puso a dos agentes a corregir el mismo problema de configuración de documentación, con el mismo repositorio y las mismas restricciones. El resultado: ambos aprobaron.
| Métrica | Astra + Codex | Fable 5.1 + Claude Code |
|---|---|---|
| Resultado | PASS | PASS |
| Tiempo | 12 min 03 s | 14 min 21 s |
| Coste de API | $3.54 | $4.34 |
| ¿Añadió una prueba de regresión? | No | Sí |
¿Por qué los desarrolladores preferían integrar la solución de Fable? Al revisar las diferencias, vimos que Fable limitó mejor el alcance de la configuración, siguió más de cerca el estilo del repositorio y añadió una prueba de regresión. Astra resolvió el problema inmediato, pero aplicó una configuración más amplia que podría afectar de forma inesperada a objetos similares añadidos en el futuro.
La lección va más allá de terminar dos minutos antes: resolver la tarea es solo el requisito básico. También hay que comprobar si el cambio abarca demasiado, si incluye pruebas de regresión y si otras personas podrán mantenerlo.
En revisión de código, razonar más no siempre es mejor
Ya hemos señalado esta idea al hablar de otros modelos. Nuestra propia experiencia de desarrollo también nos ha enseñado que más razonamiento no garantiza mejores resultados.
| Configuración de revisión de Fable 5.1 | Problemas conocidos detectados | Precisión de los comentarios | Tiempo medio por elemento |
|---|---|---|---|
| Low | 61.0% | 37.3% | 18 min 38 s |
| High | 57.1% | 36.4% | 21 min 36 s |
En este flujo de revisión, High fue más lento y no mejoró las métricas generales. Que una opción se llame High o Max no significa que merezca más tiempo y dinero. Hay que probarla en el trabajo concreto.
Investigación y documentación: producir un resultado no significa que sea útil
En trabajo de conocimiento, Fable cambia de posición
Cambiemos de tipo de tarea y veamos qué ocurre.
| Modelo y configuración | Puntuación AA-Briefcase |
|---|---|
| Fable 5.1 max/default fallback | 1669 Elo |
| Carbon high | 1609 Elo |
| Astra max | 1568 Elo |
Por eso no recomendamos basarse en una única clasificación general: los mismos modelos cambian de orden al pasar a tareas de trabajo de conocimiento.
Si necesitas organizar investigaciones de clientes, redactar informes o preparar materiales de trabajo, Fable merece estar entre los primeros modelos que pruebes.
Una investigación con $10,000 de presupuesto también puede acabar rechazada
CRUX realizó una evaluación de tareas largas que merece atención. Dio a Astra y Fable 5.1 problemas de investigación procedentes de artículos aún no publicados, con un presupuesto de investigación de $10,000, y pidió a los autores originales que revisaran los artículos resultantes.
Observamos avances en el diseño de experimentos y el uso de recursos, pero los expertos rechazaron de forma explícita los dos artículos finales. El equipo investigador señaló problemas de criterio científico, originalidad, comunicación y capacidad de cambiar de rumbo ante los fallos. Los modelos trabajaron en problemas diferentes, por lo que sus puntuaciones finales no constituyen una comparación directa y justa entre ambos. Informe de CRUX
Creemos que esto resulta muy útil para quienes emplean IA en investigación.
Por ejemplo, al investigar un competidor de SaaS no basta con producir 20 páginas. Hay que comprobar si los precios citados son reales, si las funciones están actualizadas, de dónde procede el tráfico y si merece la pena aprender de sus últimas novedades.
Trabajar durante más tiempo puede aumentar el volumen de texto, pero no garantiza que se siga una dirección correcta; el resultado podría ser una gran cantidad de contenido inútil. Es mejor definir los requisitos de antemano y pedir al modelo que trabaje dentro de esa estructura.
Carbon también tuvo problemas de entrega en tareas de cinco horas
La evaluación de FrontierCS permitía hasta cinco horas por tarea para recuperar métodos retirados de la implementación de un artículo científico o presentar un método mejor.
| Métrica | Gemini 4 Carbon | Gemini 4 Argon |
|---|---|---|
| Tareas superadas | 24 / 48 | 26 / 48 |
| Coste medio por ejecución | $36.90 | $19.52 |
| Mediana del tiempo de ejecución | 3.2 horas | 2.4 horas |
En esta prueba de terceros, algunas ejecuciones terminaron antes de entregar el resultado debido a cómo el agente gestionaba las tareas en segundo plano.
En las tareas para las que ambos entregaron resultados, Carbon tuvo una puntuación media superior. La advertencia es esta: un agente capaz de funcionar durante horas también puede interpretar mal el objetivo o no completar la entrega final.
Escribir artículos y crear sitios: ¿qué nos dicen los casos públicos?
El mismo material: Fable organiza mejor, Astra completa antes el proceso
En nuestro trabajo de investigación dimos a Fable 5.1 y Astra el mismo PDF de 20 páginas y les pedimos que lo convirtieran en un artículo largo.
La introducción y la organización de Fable encajaron mejor con nuestras preferencias: eran claras y seguían una lógica sólida. Astra, en cambio, completó el proceso más rápido.
Para escribir con un modelo recomendamos preparar primero el material, o al menos decidir el esquema y la estructura general. Así podrás juzgar si el resultado cumple lo que necesitas.
Crear páginas web: una puntuación no equivale a tráfico ni a conversiones
La captura de WebDev Arena del 27 de octubre de 2026 mostraba estas puntuaciones:
| Configuración del modelo | Puntuación WebDev Arena |
|---|---|
| Astra Max | 1773 ± 10 |
| Carbon High | 1768 ± 15 (Preliminary) |
| Fable 5.1 Max | 1746 ± 9 |
Fuente: clasificación original de WebDev Arena.
Crear una página combina desarrollo, redacción y adaptación a los requisitos de los buscadores. Aunque mostramos las puntuaciones de WebDev Arena como referencia, nuestra experiencia en API Hop creando sitios nos lleva a recomendar Fable para planificar el contenido y Astra para desarrollarlo.
Comparación de precios: la misma tarifa por token, facturas diferentes
Es frecuente comparar solo la tarifa por millón de tokens y elegir la más baja. Ese dato importa, pero no basta para decidir qué modelo sale más barato en tareas complejas con varias rondas de razonamiento, herramientas y reintentos.
Primero, las tarifas oficiales de la API estándar
Las cifras siguientes están en dólares estadounidenses por millón de tokens. No son los precios de API Hop.
| Concepto | Astra | Fable 5.1 | Carbon en el lanzamiento | Carbon: tarifa estándar posterior |
|---|---|---|---|---|
| Entrada sin caché | $10 | $10 | $2 | $4 |
| Salida | $50 | $50 | $10 | $20 |
| Lectura de caché | $1 | $0.25 | $0.10 | $0.20 |
Hay dos detalles que pueden cambiar la factura:
- Astra: cuando la entrada de una solicitud supera 272K tokens, las tarifas de entrada y caché se multiplican por 2 y la de salida por 1.5 para toda la solicitud, no solo para la parte que supera el límite.
- Fable 5.1: la documentación oficial indica que su contexto de 1M usa las tarifas estándar de entrada y salida. La escritura en caché se cobra aparte y depende del tiempo de conservación.
Conviene prestar atención a estas reglas si sueles incluir repositorios grandes, documentos extensos o historiales largos de conversación en el contexto. De lo contrario, la factura puede sorprenderte.
Un ejemplo con un uso fijo
Supongamos que una solicitud utiliza exactamente 100,000 tokens de entrada sin caché y genera 10,000 tokens de salida facturables en total. Dejamos fuera los cargos por herramientas, escritura en caché, reintentos y tarifas de planes especiales.
| Modelo y etapa de precios | Coste de entrada | Coste de salida | Total |
|---|---|---|---|
| Astra | $1.00 | $0.50 | $1.50 |
| Fable 5.1 | $1.00 | $0.50 | $1.50 |
| Carbon en el lanzamiento | $0.20 | $0.10 | $0.30 |
| Carbon: tarifa estándar posterior | $0.40 | $0.20 | $0.60 |
100,000 tokens de entrada + 10,000 de salida facturable · USD · Escala de $0 a $1.50; cálculo con las tarifas oficiales anteriores, no una factura medida ni el precio de la plataforma.
- Astra$1.50
- Fable 5.1$1.50
- Carbon · lanzamiento$0.30
- Carbon · tarifa estándar posterior$0.60
El cálculo es sencillo: tokens de entrada / 1,000,000 × tarifa de entrada + tokens de salida / 1,000,000 × tarifa de salida.
Aquí hemos fijado la cantidad de tokens. En la práctica, los modelos pueden dedicar distinta cantidad de tokens al razonamiento y a la respuesta, y repetir la tarea un número diferente de veces.
El coste por entrega aceptada es una medida más útil
Si la tarea tiene límites y criterios de aceptación claros, podemos calcular:
Coste medio por entrega aceptada = gastos de API y herramientas de todas las ejecuciones ÷ número de tareas aceptadas
El gasto total debe incluir los fallos y los reintentos. Después conviene medir por separado cuánto tiempo de corrección manual necesita cada resultado válido. Ahorrar $2 puede dejar de compensar si implica media hora más de trabajo.
Las páginas de modelos de API Hop muestran los precios de la plataforma y los precios oficiales de referencia. Recomendamos distinguirlos y revisar las reglas reales de facturación: el precio de la plataforma no es el precio oficial de la API. Astra en API Hop · Fable en API Hop · Comparación de API
¿Cómo probaríamos los tres modelos con nuestras propias tareas?
Recomendamos dividir el trabajo real en tareas pequeñas con criterios de aceptación claros. Puedes empezar con un error sencillo o una función pequeña.
Para que la prueba se pueda repetir, prepararíamos estos tres tipos de tareas. Es un plan de pruebas, no el resultado de experimentos ya realizados.
| Tarea | Material idéntico para todos | Criterios de aceptación |
|---|---|---|
| Escribir un artículo para un público general | La misma ficha de datos, notas de entrevistas y guía de estilo | No inventar hechos ni omitir puntos importantes; medir el tiempo de revisión |
| Modificar una página de destino de producto | El mismo código inicial, requisitos de marca y tres cambios concretos | Funcionar correctamente también en móvil; respetar la marca y la lógica de negocio |
| Corregir un error que afecta a varios archivos | La misma versión del repositorio, pasos de reproducción y pruebas independientes | Resolver el error sin regresiones y aportar registros de las pruebas realmente ejecutadas |
Haríamos tres ejecuciones de cada tipo de tarea con cada modelo accesible. Astra y Fable pueden completar una primera ronda. Mientras no confirmemos un acceso público a Carbon que permita repetir la prueba, dejaremos esos resultados vacíos y nunca usaremos Argon como sustituto.
Para obtener datos útiles, fijaríamos la versión de los materiales, las instrucciones y los límites de tiempo y presupuesto. Cada ejecución empezaría en una sesión nueva y registraría el ID exacto del modelo, la configuración de razonamiento, la versión de las herramientas, posibles cambios a un modelo de respaldo, el coste, el tiempo y el resultado final. En escritura mediríamos errores de hecho y correcciones manuales; en programación, pruebas y alcance de los cambios.
Para comparar tareas de escritura, puedes empezar con esta plantilla:
Necesitamos un artículo fácil de leer para un público general, basado en los hechos siguientes.
Público: personas que conocen este tema por primera vez
Tarea: explicar el problema, proponer una solución práctica y aclarar cuándo se aplica
Debe incluir: [indica entre 3 y 5 puntos clave]
No hacer: añadir datos que no figuren en el material, inventar experiencias de prueba ni exagerar conclusiones
Entrega: artículo, fuentes de los hechos utilizados y datos que aún haya que confirmar
Material:
[pega el mismo material]Una regla es fundamental: no te quedes solo con la respuesta que mejor salió. Los fallos, las llamadas repetidas y las correcciones manuales forman parte del coste real de usar estos modelos.
Preguntas frecuentes
¿Ya puede usar Gemini 4 Carbon cualquier persona?
A 30 de octubre de 2026, no se debe dar por hecho. Google indicó que el acceso empezaría por determinadas organizaciones de ciberdefensa y se ampliaría gradualmente a socios de confianza. Que algunas instituciones de investigación lo hayan probado no significa que todos los desarrolladores tengan acceso a una API pública estándar. Actualizaremos la información según el acceso oficial y el catálogo real de la plataforma. Anuncio oficial de Google
Si Astra y Fable tienen las mismas tarifas de entrada y salida, ¿por qué una tarea puede costar tanto más?
Porque no consumen necesariamente el mismo número de tokens, ni tienen los mismos aciertos de caché, nivel de razonamiento, llamadas a herramientas o reintentos. Una tarifa de $10 de entrada y $50 de salida por millón de tokens no garantiza el mismo coste para corregir un error. En el caso de Gradle, las facturas fueron de $3.54 y $4.34. Prueba de Gradle
¿Max en Fable 5.1 siempre supera a los niveles inferiores de razonamiento?
No hemos visto pruebas que justifiquen una afirmación tan absoluta. En la misma serie de revisiones de código, CodeRabbit encontró que la configuración alta tardaba más y detectaba una proporción menor de los problemas conocidos. Recomendamos empezar con una configuración que cumpla los criterios de aceptación y después valorar si merece la pena aumentar el razonamiento. Prueba de CodeRabbit
¿Cuál de los tres escribe mejor artículos largos en chino?
Por ahora no proponemos una clasificación definitiva. Hay casos de escritura y evaluaciones de trabajo de conocimiento, pero no una prueba conjunta de los tres con el mismo material, entorno y criterios de escritura en chino. Recomendamos usar el mismo material en chino y comparar precisión, estructura, tono y tiempo de corrección.
¿Por qué las clasificaciones cambian de un sitio de evaluación a otro?
Pueden cambiar las tareas, la forma de puntuar, la configuración de razonamiento, las herramientas del agente y los criterios de coste. Evaluar conocimientos generales, corregir un repositorio real y organizar documentos empresariales son trabajos diferentes. Antes de adoptar una conclusión, comprueba al menos la versión de la clasificación, la fecha, la configuración del modelo y los criterios para aprobar.
¿Puedo comparar directamente los tres modelos con la misma tarea en API Hop?
Empieza por las páginas actuales de GPT-6 Astra, Claude Fable 5.1 y el catálogo de modelos para confirmar disponibilidad y precios. Después compara las respuestas a una misma tarea de texto. Actualmente no presentamos Carbon como un modelo que cualquier cuenta pueda invocar directamente. Además, una herramienta de texto en línea no equivale a un entorno completo de agentes capaz de ejecutar código, subir archivos o navegar por la web. Para comparar agentes de programación hay que comprobar esas capacidades por separado.
Entonces, ¿qué elegiríamos?
Reunir estos datos públicos nos ayuda a simplificar la decisión.
Para corregir errores en un repositorio existente, empezaríamos probando Astra y Fable con la misma tarea en nuestro proyecto. Revisaríamos si la completan, las pruebas de regresión y el coste de mantenimiento, no solo quién genera código primero.
Para organizar información, escribir informes o investigar durante mucho tiempo, prestaríamos especial atención a Fable en las tareas de conocimiento y consideraríamos las nuevas evaluaciones de Carbon para pruebas futuras. En todos los casos hacen falta comprobaciones de hechos y criterios de aceptación claros.
Para producir artículos o páginas de destino de forma continua, miraríamos primero si cumplen los requisitos de contenido y cuánto hay que corregir cada entrega, en lugar de dejar todo el flujo en manos de una clasificación general.
La comparación más útil es: calidad aceptable de la entrega + gasto total + espera + correcciones manuales.
Si quieres empezar con una tarea real de texto, API Hop ofrece información, precios y acceso de prueba para Astra y Fable 5.1. La página de comparación de API permite consultar los modelos y condiciones actuales. Ofrecemos servicios de modelos, pero las pruebas de terceros citadas aquí no son experimentos propios de API Hop. Conservamos las fuentes y los límites de cada prueba para que puedas sacar tus propias conclusiones.
Fuentes y registro de actualizaciones
Fecha de revisión de las fuentes: 2026-10-29. Las clasificaciones citadas corresponden a las versiones disponibles en ese momento. Los precios, los permisos de acceso y los resultados pueden cambiar. Si hay nuevas aperturas oficiales o pruebas propias reproducibles, registraremos esos cambios por separado, sin sustituir silenciosamente las condiciones de pruebas anteriores.
Modelos y precios oficiales
- OpenAI: especificaciones y facturación de GPT-6 Astra
- Anthropic: página oficial de Claude Fable 5.1
- Google: Introducing Gemini 4 Carbon, 2026-10-28
Evaluaciones y casos independientes
- Artificial Analysis: Carbon en Intelligence Index v5.0
- Artificial Analysis: Astra y Fable en capacidad general y trabajo de conocimiento
- Artificial Analysis: Antigravity CLI frente a Codex
- Artificial Analysis: Claude Code frente a Codex, con resultados de Fable 5.1
- imec/aistack: 64 tareas de programación y sus facturas reales
- Blog de ingeniería de Gradle: dos soluciones para el mismo error de documentación
- CodeRabbit: prueba de revisión de código con Fable 5.1
- CRUX: tareas de investigación abierta con Astra y Fable
- FrontierCS: tareas de código de investigación de cinco horas con Gemini 4 Carbon
- Aaron Makelky: experiencia de escritura y creación de sitios con Astra y Fable
- WebDev Arena: clasificación de creación de páginas web
Nota editorial: «nosotros» se refiere a la revisión de fuentes, el análisis y las recomendaciones del equipo de API Hop. No implica que hayamos repetido los experimentos de terceros. Todos los ejemplos de costes explicitan sus supuestos; no sumamos ni convertimos directamente puntuaciones o costes de sistemas de evaluación diferentes.