GLM-5.2 vs Claude Fable 5: orçamento de saída, reasoning_tokens e discount 0.8

GLM-5.2 vs Claude Fable 5: orçamento de saída, reasoning_tokens e discount 0.8#

Este texto não é um ranking genérico de modelos. No teste real via API, o GLM-5.2 resolveu as tarefas de raciocínio depois que aumentamos o orçamento de saída, mas, com limites baixos, podia retornar HTTP 200 sem conteúdo visível. O Claude Fable 5 foi mais estável em orçamentos menores e melhor na entrega de um HTML longo e executável.

Por que este teste importa#

O teste usou a API compatível com OpenAI da Crazyrouter, e não uma interface de chat. Isso importa porque o resultado não foi avaliado apenas pela qualidade do texto. Cada resposta foi verificada com metadados operacionais:

Base URL: https://cn.crazyrouter.com/v1
Endpoint: POST /v1/chat/completions
Models: glm-5.2, claude-fable-5
temperature: 0.2
Test date: 2026-07-06

Os campos importantes foram max_tokens, completion_tokens, reasoning_tokens, finish_reason, tamanho do conteúdo visível, se o HTML gerado foi fechado e se a animação realmente se movia no navegador.

Como o teste foi desenhado#

O benchmark combinou deliberadamente três tipos de tarefa:

As duas primeiras tarefas mediram raciocínio. A terceira mediu se um modelo consegue produzir um artefato completo, não apenas um bloco de código parcial convincente.

Resultados observados#

A observação mais importante é que o GLM-5.2 não estava falhando no raciocínio em si. Nas tarefas de matemática e física, ele produziu respostas corretas depois de um orçamento de saída maior. O problema era visibilidade e conclusão: uma requisição podia retornar HTTP 200 enquanto o conteúdo voltado ao usuário estava vazio ou incompleto.

Para a animação longa em Canvas, a diferença foi mais clara. O GLM-5.2 produziu um fragmento HTML visível com max_tokens=8000, mas parou dentro do JavaScript e não fechou o arquivo. O Claude Fable 5 completou o HTML com max_tokens=8000; a validação no navegador não mostrou erros no console, exibiu um canvas 800x500, controles, um controle deslizante de velocidade e changedPixels=55090 após 700 ms.

Leitura de custo-benefício#

No momento da publicação, a pricing API da Crazyrouter retorna discount: 0.8 para glm-5.2. Isso torna o modelo bem competitivo em custo quando sua aplicação consegue monitorar reasoning_tokens, finish_reason e ajustar max_tokens corretamente.

Este é o trade-off prático:

Não trate o multiplicador 0.8 como um preço universal permanente. Ele é um snapshot dos dados de preço da Crazyrouter no momento da publicação e deve ser verificado novamente antes de uma implantação grande.

Notas de integração#

Requisição mínima:

curl https://cn.crazyrouter.com/v1/chat/completions \
  -H "Authorization: Bearer $CRAZYROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.2",
    "messages": [
      {
        "role": "user",
        "content": "Solve the HH expected-flips problem with state equations."
      }
    ],
    "temperature": 0.2,
    "max_tokens": 3200
  }'

Para comparar com Claude Fable 5, mantenha o mesmo payload e altere apenas o modelo:

{
  "model": "claude-fable-5"
}

Para avaliações em estilo de produção, registre este formato para cada requisição:

{
  "model": "glm-5.2",
  "max_tokens": 3200,
  "finish_reason": "length",
  "completion_tokens": 3200,
  "reasoning_tokens": 3178,
  "visible_content_chars": 0,
  "html_closed": false,
  "browser_validation": "not_run_incomplete_html"
}

Os endpoints de API devem permanecer limpos. Não adicione parâmetros UTM a https://cn.crazyrouter.com/v1. Use rastreamento apenas em links de artigo ou cadastro voltados a pessoas.

Você pode rodar a mesma chamada compatível com OpenAI na Crazyrouter e comparar os modelos nos seus próprios prompts.

https://crazyrouter.com/register?utm_source=crazyrouter_blog&utm_medium=article&utm_campaign=glm52_fable5_budget_cost_20260706&utm_content=crazyrouter_blog_glm-52-vs-claude-fable-5-output-budget-cost-pt_20260706__bottom&utm_term=glm-5.2+claude+fable+5+benchmark

FAQ#

O GLM-5.2 falhou nas tarefas de raciocínio?#

Não. Nesta execução, o GLM-5.2 resolveu a tarefa de matemática após max_tokens=3200 e a tarefa de física após max_tokens=8000. O problema foi que orçamentos menores eram consumidos principalmente por tokens de raciocínio antes que o conteúdo visível aparecesse.

Por que não considerar HTTP 200 como sucesso?#

Porque HTTP 200 significa apenas que a chamada de API retornou. Uma resposta de benchmark ainda pode ser inutilizável se finish_reason=length, se o conteúdo visível estiver vazio ou se o código gerado estiver incompleto.

Por que a tarefa de animação foi incluída?#

A geração de código longo expõe um modo de falha diferente. Um modelo pode escrever uma primeira metade convincente de um arquivo e ainda assim falhar se o HTML ou o JavaScript for interrompido.

Ainda vale a pena testar o GLM-5.2?#

Sim. O multiplicador de desconto atual 0.8 o torna atraente para cargas de trabalho em que você consegue alocar orçamento de saída suficiente e monitorar os metadados da resposta.

O que deve ser registrado em comparações futuras?#

No mínimo: max_tokens, completion_tokens, reasoning_tokens, finish_reason, tamanho da saída visível, completude do artefato e validação em tempo de execução.

Veredito final#

Conclusão prática: GLM-5.2 é atraente em custo e pode raciocinar bem, mas exige controle de orçamento de saída. Claude Fable 5 foi mais previsível para respostas curtas e para gerar um HTML completo.