Coding Agent Index v2.1: esfuerzo de Fable 5.2 vs Opus 5.5

Coding Agent Index v2.1 sitúa a Claude Fable 5.2 en high y xhigh junto a Opus 5.5 max, con 58 puntos. Fable max baja a 56 y cuesta $44.22 por tarea, frente a $7.51 en high. Analiza el nuevo FrontierCode-AA 2.0, los tiempos límite, los modelos de respaldo tras rechazos de seguridad y las diferencias con GPT-6.1 Sol y Kimi K3.1 Pro. Aprende a configurar el esfuerzo en Claude Code y a comprobar el coste de las tareas en tu propio repositorio.

Índice
Coding Agent Index v2.1: esfuerzo de Fable 5.2 vs Opus 5.5

Para programar con agentes basados en Claude Fable 5.2, empieza con el esfuerzo high en lugar de max. En Coding Agent Index v2.1 de Artificial Analysis, Fable 5.2 obtiene 58 puntos tanto en high como en xhigh. En cambio, max baja a 56 y cuesta $44.22 por tarea, frente a los $7.51 de high.

Claude Opus 5.5 también alcanza 58 puntos con max, aunque destaca en componentes distintos del benchmark.

La actualización del 14 de noviembre de 2026 plantea una decisión práctica: aumentar el esfuerzo no siempre mejora el resultado. El razonamiento adicional consume tiempo y tokens. Si el agente alcanza el límite de tiempo, puede terminar con una puntuación inferior.

Los resultados corresponden a modelos, herramientas de agentes, configuraciones y límites de tiempo concretos. No garantizan la misma tasa de éxito en proyectos de producción.

¿Qué cambió en Coding Agent Index v2.1?

La versión 2.1 exige más a los agentes que modifican repositorios, actualiza los verificadores de tareas de terminal y cambia el cálculo del coste de API relacionado con la caché.

Artificial Analysis combina tres evaluaciones:

ComponenteTareasQué mideCambio en v2.1
FrontierCode-AA 2.0132Cambios que un mantenedor aceptaría integrar en el repositorioSustituye a FrontierCode 1.1
Terminal-Bench 4.166Trabajo del agente mediante terminalMismas tareas, verificadores actualizados
SWE-Atlas-QnA-AA124Comprensión y explicación del funcionamiento de repositoriosSe mantiene desde v2.0

La metodología oficial asigna un tercio del índice final a cada benchmark. Se ejecutan tres intentos por tarea. Primero se promedian los intentos y después las tareas de cada componente.

Por tanto, las 66 tareas de terminal pesan tanto en el índice como las 132 tareas de ingeniería de software.

FrontierCode-AA 2.0 explica la caída de puntuaciones

El nuevo componente FrontierCode utiliza la implementación de Artificial Analysis del benchmark FrontierCode 2.0 de Cognition.

La evaluación pasa de 100 a 132 tareas. Mantiene el criterio central: determinar si un mantenedor del repositorio aceptaría el cambio propuesto por el agente.

Sin embargo, las tareas nuevas requieren modificaciones más extensas.

En su anuncio de FrontierCode 2.0, Cognition indica que las soluciones de referencia modifican, de media, un 67% más de archivos y un 89% más de líneas. También incorporan un 43% más de criterios obligatorios.

Los blocking criteria son requisitos que deben cumplirse para recibir una puntuación positiva. Si se incumple cualquiera de ellos, el intento recibe cero puntos.

Esto afecta a los agentes que producen un parche aparentemente válido, pero dejan una regresión, una corrección incompleta o un cambio contrario a las convenciones del repositorio.

En su anuncio del 14 de noviembre, Artificial Analysis comunicó lo siguiente:

  • Las 23 configuraciones evaluadas en ambas versiones de FrontierCode obtuvieron una puntuación menor con el conjunto nuevo.
  • La media de FrontierCode pasó del 45% al 29%.
  • El Coding Agent Index completo bajó aproximadamente cinco puntos de media.

Los datos reflejan un cambio de evaluación. No demuestran que los modelos hayan perdido capacidad de programación de forma repentina.

La caída de 16 puntos en FrontierCode equivaldría por sí sola a unos 5.3 puntos del índice final, si los otros dos componentes permanecieran constantes. Este cálculo ilustrativo explica gran parte de la disminución comunicada.

Por eso no conviene comparar directamente una puntuación de v2.0 con otra de v2.1 para elegir modelo.

Tampoco hay que confundir FrontierCode-AA 2.0 con los resultados independientes de Cognition ni con el Intelligence Index de Artificial Analysis. Utilizan entornos de agentes diferentes. Tener las mismas tareas no hace que sus puntuaciones sean intercambiables.

Terminal-Bench 4.1 cambia la verificación, no las tareas

Terminal-Bench 4.1 conserva las 66 tareas de la versión 4.0.

La actualización busca comprobar mejor los resultados y reducir el reward hacking: conseguir puntos manipulando la verificación sin resolver realmente el trabajo.

Las notas oficiales de Terminal-Bench 4.1 describen mejoras en el aislamiento del código generado por agentes y correcciones de falsos negativos.

En la versión 4.1, un verificador puede ejecutar el código entregado como un usuario sin privilegios y en otro proceso. Así se impide que ese código lea directamente las pruebas protegidas o modifique el archivo de resultados.

También se han corregido verificadores que asumían un único procedimiento válido para completar una tarea.

Por ejemplo, el verificador freecad-platform-drawing rechazaba modelos correctos creados directamente con primitivas 3D. Esperaba que se hubieran construido mediante extrusión de bocetos 2D. La versión 4.1 acepta ahora ambas soluciones válidas.

Artificial Analysis informó de que las puntuaciones de las 23 configuraciones probadas en ambas versiones variaron menos de tres puntos en Terminal-Bench.

Por tanto, FrontierCode explica la mayor parte del descenso del índice general.

La versión 2.1 también modifica cómo se estima el coste de API. El historial de versiones de la metodología confirma que ahora sigue el enfoque del Artificial Analysis Intelligence Index.

El cálculo combina los tokens declarados por el proveedor con mediciones actuales de la tasa habitual de aciertos de caché de cada modelo. Incluye también los cargos por escritura en caché cuando el proveedor los aplica.

Esto difiere de utilizar únicamente la tasa de caché observada durante una ejecución del benchmark. Otra ruta de API puede presentar un comportamiento de caché distinto y generar un coste diferente.

Fable 5.2 high, xhigh o max: ¿qué estás pagando?

high es el punto de partida recomendado para conseguir buenos resultados de programación con Fable 5.2 sin pagar por razonamiento adicional que no se haya demostrado útil.

Los resultados de Claude Code frente a Codex, consultados el 15 de noviembre de 2026, muestran estas configuraciones:

Esfuerzo de Fable 5.2Index v2.1Coste de API/tareaTiempo del agente/tarea
low48$2.4913.4 min
medium53$2.8915.1 min
high58$7.5131.3 min
xhigh58$15.4753.3 min
max56$44.222.2 hours

Los costes son medias en USD calculadas con tarifas de API por token para estas tareas de evaluación.

No representan cuotas de suscripción ni permiten predecir cuánto costará cualquier incidencia de tu proyecto.

Hay tres decisiones especialmente útiles.

Usa medium para tareas acotadas. Obtiene 53 puntos y cuesta $2.89 por tarea. Puede servir para correcciones pequeñas con pruebas claras cuando controlar el gasto importa más que maximizar el resultado al primer intento.

Usa high para cambios complejos del repositorio. Alcanza la máxima puntuación entera publicada de Fable 5.2, con 58 puntos y $7.51 por tarea.

Exige una mejora demostrable antes de usar xhigh. Cuesta unas 2.06 veces más que high, aunque ambos muestran 58 puntos después del redondeo.

Artificial Analysis indica que medium, high y xhigh están en su frontera de Pareto de coste y rendimiento. Eso significa que cada opción conserva alguna ventaja en los datos originales.

Dos puntuaciones enteras iguales no prueban que sus valores sin redondear sean idénticos. Aun así, el coste adicional de xhigh debe corresponder a una mejora en tus tareas.

El contraste más claro aparece con max:

[ \frac{$44.22}{$7.51}\approx5.89 ]

En esta evaluación, max cuesta aproximadamente 5.9 veces lo que cuesta high, pero obtiene dos puntos menos en el índice.

Supone $36.71 adicionales por tarea evaluada sin mejorar la puntuación agregada.

¿Por qué Fable 5.2 max obtiene menos puntos?

Artificial Analysis atribuye principalmente el peor resultado de max a los intentos que alcanzan el límite de tiempo.

En su desglose de esfuerzo y tiempos límite aparecen estas cifras:

BenchmarkIntentos agotados en Fable 5.2 xhighIntentos agotados en Fable 5.2 max
FrontierCode-AA 2.01%16%
SWE-Atlas-QnA-AA0%13%

Los porcentajes indican intentos que terminaron por superar el tiempo permitido, no la tasa total de tareas fallidas.

La misma publicación indica que max utiliza aproximadamente el triple de tokens de salida por tarea de FrontierCode-AA 2.0 que xhigh.

Razonar más requiere tiempo. Cuando el agente llega al límite sin terminar, el intento recibe una puntuación de cero.

Así, una configuración más cara puede acabar obteniendo un resultado peor.

Esto no demuestra que max sea intrínsecamente inferior si dispone de tiempo ilimitado. Sí demuestra que rindió peor con las tareas y límites de esta evaluación.

La diferencia también importa en producción. Si una tarea supera el plazo de CI o de tu automatización, puede fallar aunque el agente hubiera llegado a generar un parche mejor.

¿Fable 5.2, Opus 5.5, GPT-6.1 Sol o Kimi K3.1 Pro?

Elige según el tipo de trabajo, el componente del benchmark que más se parezca a tu caso y el presupuesto. Una puntuación global idéntica puede ocultar diferencias importantes entre tareas.

Fable destaca al modificar código; Opus, en preguntas sobre repositorios

Artificial Analysis publica este desglose:

ConfiguraciónFrontierCode-AA 2.0Terminal-Bench 4.1SWE-Atlas-QnA-AAIndex
Claude Code + Fable 5.2 high49%64%62%58
Claude Code + Fable 5.2 xhigh49%64%62%58
Claude Code + Opus 5.5 max44%65%66%58

Para cambios difíciles en un repositorio, prueba primero Fable 5.2 con high. Supera en cinco puntos a Opus 5.5 max en FrontierCode-AA 2.0.

Para investigar un repositorio y explicar su funcionamiento, prueba Opus 5.5 max. Alcanza 66% en SWE-Atlas-QnA-AA frente al 62% de Fable.

En Terminal-Bench 4.1 están muy cerca: 64% y 65%.

Opus 5.5 max cuesta $12.61 por tarea en el mismo Coding Agent Index. Es más barato que Fable 5.2 xhigh, con $15.47, pero más caro que Fable high, con $7.51.

Por ello, Opus 5.5 max es una alternativa razonable a Fable xhigh, especialmente al analizar repositorios. Para producir cambios listos para revisión e integración, prueba primero Fable high.

Si quieres comparar Opus directamente, sigue la guía para seleccionar Opus 5.5 en Claude Code. Así puedes elegir el modelo previsto sin depender de un alias configurado anteriormente.

GPT-6.1 Sol es la referencia de bajo coste

Codex con GPT-6.1 Sol en max consigue 52 puntos y cuesta $1.51 por tarea.

Sus resultados por componente son:

ComponenteGPT-6.1 Sol max
FrontierCode-AA 2.042%
Terminal-Bench 4.154%
SWE-Atlas-QnA-AA60%

Sol no lidera ninguno de estos benchmarks. Su ventaja es ofrecer una capacidad útil para programación con un coste de API considerablemente menor.

Para muchas tareas repetitivas que puedes validar con pruebas, empieza por Sol si priorizas el gasto frente a la máxima puntuación.

Pasa a Fable 5.2 high cuando identifiques tareas donde Sol produce demasiados cambios rechazados o requiere demasiadas revisiones y reintentos.

Si la mayor inversión inicial en Fable no aumenta suficientemente los resultados aceptados, mantén Sol.

La comparación de GPT-6.1 Sol, GPT-6 Astra y Claude Opus 5.5 amplía los criterios de selección.

Kimi K3.1 Pro lidera las tareas de terminal

Kimi K3.1 Pro con Kimi Code CLI consigue 68% en Terminal-Bench 4.1. Es la mejor cifra del desglose por benchmark publicado por Artificial Analysis.

Los siguientes resultados son:

  • Claude Code + Sonnet 5.5 max: 66%
  • Claude Code + Opus 5.5 max: 65%
  • Antigravity CLI + Gemini 4 Carbon high: 65%
  • Claude Code + Fable 5.2 high o xhigh: 64%

Sin embargo, la puntuación global de Kimi Code CLI es 49, con un coste medio de API de $2.94 por tarea.

Su ventaja en Terminal-Bench no se traduce en liderazgo en el índice completo.

Prueba Kimi K3.1 Pro primero para automatizaciones que dependen mucho del terminal, reparación de entornos, ejecución de comandos y operaciones de configuración.

Si tu trabajo consiste principalmente en modificar código de un repositorio, compáralo primero con Fable high. La mayor inversión en Fable puede justificarse cuando su ventaja en FrontierCode se reproduce en tus proyectos.

Consulta la guía de configuración de Kimi K3.1 Pro para preparar el modelo y su herramienta de agentes.

Cómo afectan los rechazos de seguridad y los modelos fallback

Coding Agent Index v2.1 mide configuraciones completas de agentes. Algunas pueden cambiar de modelo después de un rechazo por motivos de seguridad.

Este cambio se denomina fallback. Si el modelo principal se niega a continuar, el agente puede recurrir a otro modelo para terminar el intento.

El desglose de rechazos de Artificial Analysis recoge estos porcentajes:

Configuración evaluadaIntentos completados por un modelo fallback
Devin Fusion CLI: Opus 5.5 max + GPT-6 Luna high9%
Claude Code + Opus 5.5 max9%
Claude Code + Fable 5.2 xhigh6%
Claude Code + Sonnet 5.5 max5%

Artificial Analysis también informa de que Codex bloquea aproximadamente el 1% de los intentos con GPT-6.1 Sol max y GPT-6 Astra max.

Que un modelo fallback complete un intento no implica que lo resuelva correctamente. Solo significa que terminó la ejecución después del rechazo del modelo principal.

Según las reglas de evaluación publicadas, esos intentos reciben una puntuación normal según su resultado. Si el rechazo impide continuar definitivamente, el intento recibe cero.

Esto introduce dos precauciones al interpretar el índice.

Primero, los 58 puntos de Opus 5.5 no corresponden exclusivamente a respuestas aisladas de Opus en todas las tareas. Algunos intentos evaluados los completó otro modelo.

Segundo, el porcentaje de fallback no indica cuál habría sido la puntuación con esa función desactivada. La proporción de intentos completados por otro modelo tampoco mide cuántos fueron correctos.

Las tareas relacionadas con seguridad pueden provocar rechazos del proveedor o del propio modelo. En producción, tu política de seguridad, el enrutamiento y los modelos alternativos pueden funcionar de otra manera.

Cuando compares agentes, registra si hubo algún cambio de modelo. De lo contrario, podrías atribuir al modelo principal una diferencia de coste o calidad causada por el fallback.

Cómo configurar el esfuerzo en Claude Code y controlar el gasto

Para Fable 5.2, utiliza high como punto de partida. Cambia el nivel cuando detectes una categoría concreta de tareas que justifique hacerlo.

La documentación de Anthropic sobre esfuerzo confirma que Fable 5.2 admite low, medium, high, xhigh y max. El valor predeterminado de su API es high.

Opus 5.5 admite los mismos cinco niveles, pero su valor predeterminado de API es medium.

Esta diferencia afecta a la comparación. El resultado de Opus 5.5 max en el benchmark no representa una solicitud normal realizada con los valores predeterminados.

Establecer y verificar el esfuerzo en Claude Code

Necesitas tener Claude Code instalado y acceso a Fable 5.2 configurado.

Abre un terminal en tu repositorio.

En Bash, ejecuta:

claude --model claude-fable-5-2 --effort high

Una vez dentro de la sesión interactiva de Claude Code, ejecuta:

/model
/effort

Comprueba que están activos el modelo y el nivel de esfuerzo previstos.

El tutorial oficial de esfuerzo para Claude Code documenta estos comandos:

/effort medium
/effort high
/effort xhigh
/effort auto

Ejecuta el comando que necesites de forma individual. El último fija el nivel solicitado para la sesión.

/effort auto restablece el valor predeterminado del modelo seleccionado.

Para mantener una selección por modelo, utiliza /effort en una sesión interactiva local. Desde Claude Code v2.1.251, el programa guarda el nivel elegido en modelSettings, dentro del archivo de configuración de usuario ~/.claude/settings.json.

No confíes en un effortLevel situado en la raíz de ese archivo para configurar Fable 5.2. La referencia de configuración de Claude Code indica que Opus 5.5 y los modelos posteriores ignoran esa configuración antigua de usuario hasta que guardas un nivel específico para el modelo.

También puedes controlar el esfuerzo con la variable de entorno CLAUDE_CODE_EFFORT_LEVEL.

Según la referencia de variables de entorno, esta variable tiene prioridad sobre --effort, /effort, modelSettings y effortLevel.

Si parece que /effort o --effort no funcionan, comprueba primero si CLAUDE_CODE_EFFORT_LEVEL está definida. Elimina esa configuración si quieres que prevalezca la selección interactiva o la del comando de inicio.

Para pruebas habituales, prefiere /effort o --effort. La opción de inicio se aplica a una sesión, mientras que una selección interactiva guardada puede mantenerse en sesiones posteriores.

Claude Code mantiene max solo durante la sesión, salvo que lo establezcas explícitamente mediante la variable de entorno.

Los administradores de Enterprise también pueden limitar el nivel de esfuerzo disponible. Si solicitas uno superior al permitido, Claude Code puede utilizar el máximo autorizado.

Para comprobar otros detalles de conexión, consulta la guía de Claude Fable 5.2 para Claude Code y API.

Comparar los niveles de esfuerzo en tu repositorio

Selecciona una tarea representativa con criterios de aceptación claros.

Por ejemplo, pide al agente que investigue una prueba fallida de un analizador, aplique la corrección mínima correcta, ejecute las pruebas afectadas y enumere los archivos modificados.

Empieza con Fable 5.2 high. Registra el resultado de las pruebas, la aceptación o el rechazo del cambio, el tiempo, los cargos de API y los posibles tiempos límite o cambios de modelo.

Repite la tarea con medium y xhigh, restaurando siempre el repositorio al mismo estado inicial.

Mantén constantes los permisos de herramientas, comandos de prueba, revisión del repositorio y límites de tiempo.

Evalúa cuatro cuestiones:

  1. ¿Superó el cambio las pruebas y la revisión de código requeridas?
  2. ¿Evitó el esfuerzo adicional un rechazo o un nuevo intento?
  3. ¿Terminó el agente dentro del plazo operativo?
  4. ¿Justificó la mejora el mayor coste de API?

Si tu equipo ejecuta tareas recurrentes, utiliza varios ejemplos de cada categoría importante. Una sola ejecución no basta para elegir una configuración general.

Calcula el coste total por resultado aceptado. Incluye intentos fallidos y repeticiones. Registra por separado la revisión humana y la infraestructura frente al consumo de API.

Este indicador será más útil para tu presupuesto que dividir el coste de una tarea de benchmark por la puntuación global del índice.

¿Cambia la recomendación si utilizas otro proveedor de API?

Puedes probar la recomendación de empezar por high en otra ruta de API. Sin embargo, no debes trasladar directamente los costes publicados del benchmark.

A fecha de 2026-11-15, el catálogo de modelos de BetterToken incluye claude-fable-5-2, claude-opus-5-5, gpt-6.1-sol y kimi-k3.1-pro para acceso con pago por uso.

Su documentación de integración con Claude Code indica el Base URL compatible con Anthropic https://bettertoken.ai, sin /v1.

El acceso a la API mediante BetterToken es independiente de las suscripciones de Claude. El enrutamiento, la caché y las funciones admitidas pueden cambiar tanto la facturación como los resultados observados.

Comprueba cómo gestiona el esfuerzo tu endpoint y mide los cargos reales antes de aplicar a esa ruta los costes por tarea de Artificial Analysis.

Para un flujo recurrente de programación con pago por tokens, utiliza inicialmente Fable 5.2 high en los cambios difíciles. Reduce el esfuerzo cuando se mantenga la tasa de aceptación y reserva xhigh para mejoras comprobadas.

No establezcas max como valor global solo porque sea el nivel más alto. Para tu proyecto importa más cuántos cambios consigue terminar y aceptar el equipo dentro del tiempo y presupuesto disponibles.

¿Quieres optimizar tu flujo de trabajo con LLM?

Conecta modelos mediante una API, gestiona claves y controla el gasto en IA.

Empezar gratis