Put Claude Fable 5.1 and Gemini 3.8 Flash on the same team

Puntos clave

1. El caso fundador es un ROI pobre, no una caída del servicio. una pregunta de bajo riesgo, un agente rastreando chats y documentos, la respuesta correcta, 38 $. La tarea no requería una planificación costosa. Es el valor marginal del token, abordado en [[gupta-token-budget-wars-marginal-token-utility-2026-05-28]].
2. Dos formas de modelo, una única superficie de API. Fable 5.1 para la planificación autónoma de clase Mythos, la ventana de un millón de tokens y la diligencia en varios pasos; Gemini 3.8 Flash para la velocidad a 0,75 $ / 3,75 $ por millón de tokens de entrada/salida, con un nivel de pensamiento ajustable. Enrutar todo hacia uno u otro se señala como el error a evitar en ambos sentidos: pagar tarifas de frontera para leer diffs, o lanzar un modelo rápido en una migración irreversible sin plan.
3. Activar Fable en Google Cloud es un recorrido de varios pasos. habilitar la API, habilitar el modelo, completar un formulario de uso y luego aceptar el Advanced AI Safety Addendum llamando a setPublisherModelConfig con dataSharingEnabledProvider: ANTHROPIC a nivel de proyecto. Un 409 significa que ya está hecho; un 403 explícito señala el paso faltante. El nombre del modelo en la URL usa guiones, claude-fable-5-1. Se recomienda un endpoint global, con variantes multirregionales y regionales.
4. El benchmark interno cabe en dos archivos. opencode configurado con ambos proveedores de Vertex, promptfoo lanzando opencode run --auto con cada modelo sobre los mismos prompts, tiempo de espera de 60 segundos. La regla: no modificar los archivos de tareas entre pasadas.
5. Los dos resultados se cruzan. en un estado de rama de PR, Fable recorre turnos de meta-razonamiento reinspeccionando hashes de árbol sin cambios (casi 6 s, 23 veces el coste); Flash activa las herramientas git y responde en 1,1 s. En la migración de Postgres a Spanner, Flash renderiza una secuencia lineal limpia en 3 s; Fable, en 12 s, un DAG completo con riesgos de desviación de reloj en escrituras duales, claves de idempotencia y una puerta de rollback reversible.
6. Patrón adoptado, coordinación asimétrica. velocidad económica en primera línea, profundidad deliberada en los puntos de control de arquitectura. En un harness de codificación, subagents con nombre asignados a modelos distintos (worker en Flash, deep-thinker en Fable); el planificador identifica la causa y descompone el trabajo, los workers ejecutan e informan, el planificador verifica y confirma o reasigna. Dos familias de modelos verificándose entre sí, un posible paralelismo con [[willison-fable-judgement-delegation-subagents-2026-07-03]].
7. Remodelar el harness para ajustarse al modelo. de 3 a 5 herramientas específicas con esquemas JSON estrictos para el modelo rápido, frente a un catálogo de 50 herramientas que genera confusión de parámetros y desperdicio de contexto; documentos de arquitectura, esquemas y directrices para Fable, pero sin acceso de escritura directo a los archivos.
8. Escalada 'Ask for Help'. toda solicitud comienza en el worker rápido, equipado con una herramienta ask_for_help(reason, failed_attempts, context); resuelve por sí solo del 85 al 90% de las solicitudes y solo escala ante ambigüedad, una acción irreversible o dos fallos consecutivos de herramienta.
9. Contra los routers 'inteligentes' automáticos. maduros en el ML predictivo (bandits, publicidad, fraude) porque las entradas están acotadas y la retroalimentación es inmediata; en agentes multi-turno, el primer turno carece de señal, el éxito no se traduce en características aprendibles, y las malas decisiones se repiten en la otra vía, erosionando el ahorro y añadiendo latencia. Veredicto: componer explícitamente, enrutar por frontera de tarea, dejar que las aserciones de código o la intención humana gobiernen los traspasos.
10. ⚠️ Las cifras comparativas se apoyan en dos tareas ejecutadas una sola vez cada una, sin varianza ni protocolo publicado; el propio autor lo reconoce y remite a cada uno a sus propias evaluaciones.
11. La ecuación de ROI. suma el tiempo humano ahorrado, las funcionalidades entregadas más rápido y los errores e interrupciones evitados, menos el coste de los tokens y la curva de aprendizaje del equipo. El autor señala que este cálculo se mueve más por hacer más trabajo, más rápido, que por ahorrar tokens. Una comparación por equipo que vale la pena leer junto con [[patel-block-buzz-teams-tokens-benchmarks-2026-08-06]].