GLM-5.2 против Claude Fable 5: лимит вывода, reasoning_tokens и коэффициент discount 0.8

GLM-5.2 против Claude Fable 5: лимит вывода, reasoning_tokens и коэффициент discount 0.8#

Это не универсальный рейтинг моделей. В этом тесте GLM-5.2 справлялась с задачами на рассуждение после увеличения бюджета вывода, но при низком max_tokens видимая часть ответа могла быть пустой. Claude Fable 5 чаще завершала ответ компактно и лучше справилась с длинным HTML-артефактом.

Почему этот тест важен#

В тесте использовался OpenAI-compatible API Crazyrouter, а не чат-интерфейс. Это важно, потому что результат оценивался не только по качеству текста. Каждый ответ проверялся по операционным метаданным:

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

Ключевыми полями были max_tokens, completion_tokens, reasoning_tokens, finish_reason, длина видимого содержимого, то, был ли сгенерированный HTML закрыт, и действительно ли анимация двигалась в браузере.

Что проверялось#

Бенчмарк намеренно смешивал три типа задач:

Первые две задачи измеряли качество рассуждения. Третья задача проверяла, может ли модель создать полный артефакт, а не просто убедительный частичный блок кода.

Наблюдаемые результаты#

Самое важное наблюдение: GLM-5.2 не проваливала само рассуждение. В задачах по математике и физике она выдавала правильные ответы после увеличения бюджета вывода. Проблема была в видимости и завершенности: запрос мог вернуть HTTP 200, но пользовательское содержимое оказывалось пустым или неполным.

Для длинной Canvas-анимации разница была заметнее. GLM-5.2 сгенерировала видимый HTML-фрагмент при max_tokens=8000, но остановилась внутри JavaScript и не закрыла файл. Claude Fable 5 завершила HTML при max_tokens=8000; браузерная валидация показала отсутствие ошибок в консоли, canvas 800x500, элементы управления, слайдер скорости и changedPixels=55090 через 700 ms.

Стоимость и практическая выгода#

На момент публикации pricing API Crazyrouter возвращает для glm-5.2 значение discount: 0.8. Поэтому модель выглядит очень конкурентной по цене, если в вашей интеграции есть контроль reasoning_tokens, finish_reason и достаточного max_tokens.

Практический компромисс выглядит так:

Не следует считать множитель 0.8 постоянной универсальной ценой. Это снимок pricing-данных Crazyrouter на момент публикации, и перед крупным внедрением его нужно проверить заново.

Интеграционные заметки#

Минимальный запрос:

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
  }'

Чтобы сравнить Claude Fable 5, оставьте тот же payload и измените только модель:

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

Для production-style оценок логируйте такую структуру для каждого запроса:

{
  "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"
}

API endpoints должны оставаться чистыми. Не добавляйте UTM-параметры к https://cn.crazyrouter.com/v1. Используйте трекинг только в ссылках статьи или регистрации, обращенных к людям.

Тот же OpenAI-compatible запрос можно запустить через Crazyrouter и проверить обе модели на своих задачах.

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-ru_20260706__bottom&utm_term=glm-5.2+claude+fable+5+benchmark

FAQ#

Провалила ли GLM-5.2 задачи на рассуждение?#

Нет. В этом прогоне GLM-5.2 решила математическую задачу после max_tokens=3200 и физическую задачу после max_tokens=8000. Проблема была в том, что при меньших бюджетах они в основном расходовались на reasoning tokens до появления видимого содержимого.

Почему не считать HTTP 200 успехом?#

Потому что HTTP 200 означает только то, что API-вызов вернулся. Ответ в бенчмарке все равно может быть непригодным, если finish_reason=length, видимое содержимое пустое или сгенерированный код неполный.

Почему была включена задача с анимацией?#

Длинная генерация кода выявляет другой режим отказа. Модель может написать убедительную первую половину файла и все равно не справиться, если HTML или JavaScript обрезаны.

Стоит ли все еще тестировать GLM-5.2?#

Да. Текущий множитель скидки 0.8 делает ее привлекательной для нагрузок, где можно выделить достаточный бюджет вывода и отслеживать метаданные ответа.

Что нужно фиксировать в будущих сравнениях?#

Как минимум: max_tokens, completion_tokens, reasoning_tokens, finish_reason, длину видимого вывода, полноту артефакта и runtime-валидацию.

Final verdict#

Практический вывод: GLM-5.2 интересна по стоимости и способна решать задачи, но требует внимательного контроля бюджета вывода. Claude Fable 5 оказалась стабильнее для коротких ответов и полного HTML-файла.