Fable 5.1 introdujo el control de esfuerzo por turno en conversaciones activas con IA. Este artículo explica qué hace realmente ajustar el presupuesto de pensamiento a nivel de token, cuándo compensa subir o bajar el razonamiento, cómo Fable 5.1 gestiona el estado de la conversación durante los cambios y qué patrones reales ofrecen la mejor relación entre costo y calidad en sesiones de producción.
Algo ha cambiado discretamente en la forma de trabajar con los modelos de lenguaje durante una conversación. Antes de Fable 5.1, si empezabas una sesión pidiéndole al modelo que pensara a fondo y luego pasabas a una serie de preguntas factuales rápidas, tenías que pagar la misma sobrecarga cognitiva en cada respuesta. Fable 5.1 lo soluciona. Te permite ajustar cuánto esfuerzo de razonamiento aplica el modelo en cualquier momento de una conversación activa, sin reiniciar el contexto, sin empezar una sesión nueva y sin perder la comprensión acumulada que el modelo ya tiene de tu hilo. No es un simple indicador menor de la API. Es un cambio de fondo en la forma en que funcionan en la práctica los presupuestos de tokens.
En versiones anteriores del modelo, el esfuerzo era un compromiso a nivel de sesión. Definías un presupuesto de pensamiento antes del primer mensaje, y cada respuesta de esa sesión usaba la misma estrategia de asignación. Esto generaba un problema de costo real: si una conversación empezaba con una pregunta arquitectónica compleja que requería razonamiento profundo y luego derivaba hacia preguntas de seguimiento más sencillas, el modelo seguía calculando a la misma profundidad aunque esa profundidad fuera un desperdicio. Los equipos con sesiones de alto volumen lo notaban directamente en sus facturas de inferencia. La única forma de adaptarse era abrir una sesión nueva, lo que significaba perder todo lo que el modelo ya había construido sobre tu problema.
Fable 5.1 introdujo parámetros de esfuerzo por turno. En cualquier punto de la conversación puedes enviar un valor revisado de budget_tokens junto con tu siguiente mensaje, y el modelo cambia de inmediato su asignación de pensamiento. La ventana de contexto se mantiene intacta, el historial de la conversación se conserva y el modelo sigue con todo lo que ya ha entendido. Solo cambia la estrategia de cómputo. Esto permite llevar una única sesión larga con un perfil de esfuerzo dinámico, en lugar de elegir un nivel de esfuerzo y mantenerlo durante toda la conversación.
💡 Importante: Ajustar el esfuerzo no equivale a cambiar de modelo. Sigues hablando con Claude Fable 5. Lo que cambia es cuántos tokens de pensamiento asigna antes de generar su respuesta visible.
Entender qué son realmente los tokens de presupuesto es lo que más confunde a los desarrolladores. La terminología se solapa de forma confusa con los tokens de salida, y las implicaciones en la facturación son reales.
Cuando un modelo con soporte de pensamiento extendido responde a un mensaje, lo hace en dos etapas. Primero razona internamente, generando lo que a menudo se llaman "tokens de pensamiento" o "tokens de borrador". Son invisibles para el usuario, no aparecen en la salida, pero consumen cómputo y se reflejan en tu facturación. Después, el modelo genera la respuesta visible, que es lo que lees. Los tokens de pensamiento son el costo que pagas por una respuesta visible de mayor calidad y precisión. Subir el presupuesto significa más deliberación interna antes de que el modelo se comprometa con lo que dice.
El parámetro budget_tokens fija un tope de cuántos tokens de pensamiento puede usar el modelo antes de tener que empezar a generar su respuesta visible. Un presupuesto más alto le permite deliberar más tiempo, recorrer más rutas de razonamiento, detectar más contradicciones y llegar a una respuesta más meditada. Un presupuesto más bajo obliga al modelo a ser más directo, apoyándose en el reconocimiento de patrones en lugar de en un razonamiento paso a paso interno.
Esto es lo que ocurre en la práctica con los distintos niveles de presupuesto:
| Nivel de presupuesto | Tokens de pensamiento | Ideal para |
|---|---|---|
| Mínimo (menos de 1.000) | Casi cero | Consultas factuales, completados sencillos |
| Estándar (2.000 a 5.000) | Moderado | La mayoría de tareas cotidianas |
| Alto (8.000 a 20.000) | Sustancial | Lógica compleja, revisión de código, planificación |
| Máximo (más de 20.000) | Extenso | Demostraciones matemáticas, razonamiento de largo alcance |
El modelo no siempre usa todo su tope. Si la pregunta es sencilla, puede agotar su salida visible mucho antes de llegar al límite de tokens de pensamiento. El presupuesto es un techo, no una garantía.
Un esfuerzo mayor no siempre es mejor. Es más lento y cuesta más. Pero hay situaciones concretas en las que escatimar tokens de pensamiento te costará más en mensajes de seguimiento desperdiciados que el presupuesto más alto.
La pregunta admite varias interpretaciones válidas. Cuando hay una ambigüedad real sobre cómo debería ser la respuesta correcta, un modelo con más margen de pensamiento tiene muchas más probabilidades de identificar esa ambigüedad y abordarla explícitamente, en lugar de elegir un camino y seguirlo con seguridad.
Tu ventana de contexto es densa. Si trabajas con hilos de conversación largos o has pegado material de referencia extenso, el modelo necesita más tokens de pensamiento para sintetizar bien todo eso antes de responder. El modo de bajo esfuerzo con una ventana de contexto cargada produce respuestas superficiales que pasan por alto conexiones entre información que le diste antes en el hilo.
Estás depurando algo que falló. En Claude Fable 5, las sesiones de depuración se benefician mucho de presupuestos más altos. El modelo necesita espacio para seguir el estado de fallo, considerar causas alternativas y descartar falsas pistas antes de comprometerse con una explicación.
Existe un efecto techo. Subir los tokens de presupuesto más allá de cierto punto para un tipo de pregunta concreto devuelve resultados cada vez menores. En una consulta factual sencilla, un presupuesto de 30.000 tokens da una respuesta casi idéntica a una de 3.000, pero tarda claramente más y cuesta unas diez veces más en cómputo. La habilidad para usar Fable 5.1 de forma eficaz consiste en aprender dónde está ese techo para los distintos tipos de tarea en tu flujo de trabajo concreto.
💡 Regla práctica: Si las últimas tres respuestas de alto esfuerzo tienen menos de 200 palabras cada una, tu presupuesto probablemente es demasiado alto para esa fase de la conversación. Bájalo un 50 por ciento y compara.
Una gran parte de las preguntas de una sesión de trabajo típica no requieren razonamiento extendido. Saber cuándo bajar el presupuesto es tan importante como saber cuándo subirlo.
En flujos sensibles a la latencia, el modo de bajo esfuerzo es mucho más rápido. En aplicaciones interactivas en las que los usuarios esperan respuestas casi instantáneas, presupuestos de pensamiento altos generan un retraso inaceptable. La capacidad de Fable 5.1 para reducir el esfuerzo a mitad de sesión te permite diseñar sistemas en los que una fase inicial de planificación usa esfuerzo alto y las consultas de la fase de ejecución usan esfuerzo bajo, todo dentro de una única sesión de API continua y sin perder el contexto de la conversación. El usuario recibe respuestas rápidas durante la ejecución y sigue beneficiándose de la planificación de alta calidad que se hizo al principio.
Un presupuesto bajo no significa baja calidad para las tareas adecuadas. El formateo sencillo de cadenas, la extracción de entidades, la traducción de textos cortos y la recuperación factual directa funcionan casi igual con un presupuesto de 500 tokens que con uno de 5.000. El modelo no necesita "pensar" para devolver información conocida. Solo necesita tokens de pensamiento cuando la respuesta exige una síntesis real entre información, inferencias de varios pasos o razonamiento bajo incertidumbre.
Los mecanismos que hay detrás del ajuste de esfuerzo son más matizados que una simple asignación de un techo de tokens. El modelo no trata todos los mensajes por igual dentro de una sesión.
Cuando Claude Fable 5 inicia un nuevo turno de respuesta con un presupuesto revisado, no vuelve a leer toda la conversación desde cero con atención completa. Aplica una ponderación por recencia: los mensajes recientes reciben más peso de atención que los antiguos. Esto significa que, incluso con un presupuesto bajo, el modelo incorpora de forma fiable lo que se acaba de decir. Los presupuestos bajos perjudican sobre todo la capacidad del modelo para sintetizar el contexto antiguo junto con el reciente. Si una restricción clave se mencionó diez mensajes atrás y la pregunta actual requiere conocerla, un presupuesto bajo puede hacer que el modelo no establezca la conexión. Sabiendo esto, lo práctico es repetir brevemente las restricciones importantes anteriores cuando bajes el nivel de esfuerzo para una nueva fase.
Fable 5.1 incorpora compresión automática de contexto en los hilos que se acercan al límite de la ventana de contexto. Esta compresión es independiente del ajuste de esfuerzo, pero ambos interactúan. Cuando ha habido compresión, una respuesta de bajo esfuerzo puede no darse cuenta de que se perdió algún matiz de la conversación inicial durante la compresión. Si trabajas en un hilo largo con contexto temprano importante, mantener el esfuerzo al menos en nivel estándar es una medida de precaución práctica para que el modelo no pase por alto algo que quedó comprimido.
El patrón ideal para depurar con Claude Fable 5 es empezar con esfuerzo alto, dejar que el modelo clasifique el problema y pasar a esfuerzo medio en los pasos de implementación una vez que la causa raíz está clara. El razonamiento costoso ocurre una sola vez. La fase de ejecución sigue siendo rápida y asequible. Este patrón recorta de forma habitual el costo total de la sesión en un 40 por ciento o más frente a trabajar con esfuerzo máximo durante todo el hilo de depuración.
Para planificar un proyecto o dividir un objetivo complejo en subtareas, empieza con un turno de planificación de presupuesto alto. Después, a medida que avanzas por cada subtarea, puedes trabajar con esfuerzo estándar o incluso bajo. El modelo ya tiene el plan en su contexto reciente y no necesita reconstruirlo cada vez. El trabajo costoso de síntesis se hace una sola vez durante el turno de planificación, y los turnos siguientes ejecutan ese plan de forma eficiente.
Si estás creando una aplicación que gestiona consultas de alto volumen y solo se topa de vez en cuando con una pregunta realmente difícil, puedes implementar un sistema de dos pasadas: primero intenta una respuesta con esfuerzo bajo y, si la respuesta incluye lenguaje de duda o parece incompleta, vuelve a lanzar la misma consulta con esfuerzo alto. Así, tu costo medio de inferencia se mantiene cerca de la base de esfuerzo bajo y las preguntas difíciles se resuelven bien cuando aparecen.
Claude Fable 5 está disponible directamente en PicassoIA, en la colección de modelos de lenguaje grandes. Así puedes aprovechar el ajuste de esfuerzo en un flujo de trabajo real.
Cuando abras una sesión con Claude Fable 5 en PicassoIA, verás un control de esfuerzo en el panel de ajustes avanzados. El deslizador va de mínimo a máximo. En la mayoría de las sesiones, empezar en la posición central es lo más adecuado. Puedes cambiarlo en cualquier momento de la conversación antes de enviar el siguiente mensaje, y el nuevo presupuesto se aplica de inmediato a esa respuesta y a todas las siguientes hasta que lo vuelvas a cambiar. No hace falta abrir una sesión nueva.
Otros modelos que conviene conocer para distintas necesidades de razonamiento son Claude Sonnet 5 para tareas rápidas de complejidad media, Claude Opus 4.7 para las cargas de razonamiento más pesadas, DeepSeek R1 si quieres comparar estilos de traza de razonamiento, y Kimi K2 Thinking para razonamiento extendido paso a paso en problemas técnicos.
No todos los modelos del mercado permiten ajustar el esfuerzo a mitad de conversación. Así se comparan los modelos de la generación actual en esta capacidad concreta:
| Modelo | Ajuste de esfuerzo a mitad de sesión | Control del presupuesto de tokens | Notas |
|---|---|---|---|
| Claude Fable 5 | Sí | budget_tokens por turno | Control granular completo a mitad de sesión |
| Claude Opus 4.7 | Sí | budget_tokens por turno | Techo de razonamiento general más alto |
| GPT 5 Pro | Parcial | Solo a nivel de sesión | No se puede ajustar a mitad de conversación |
| DeepSeek R1 | No | Fijo por respuesta | Genera siempre la traza de razonamiento completa |
| Kimi K2 Thinking | Parcial | Controles limitados | El pensamiento siempre está en modo extendido |
| O4 Mini | No | Solo una pista de esfuerzo | Solo preajustes bajo, medio y alto |
La ventaja del enfoque de Fable 5.1 es la granularidad. Los preajustes y los controles a nivel de sesión son útiles, pero dejan ganancias de eficiencia sin aprovechar frente a poder cambiar el esfuerzo por turno con un techo de tokens concreto.
La realidad económica del ajuste de esfuerzo es sencilla: una sesión bien gestionada cuesta bastante menos que una sesión de esfuerzo alto constante que cubra el mismo terreno. En una sesión típica de depuración de 30 turnos, cambiar entre esfuerzo alto y bajo en los momentos adecuados puede reducir el consumo total de tokens de pensamiento entre un 40 y un 60 por ciento frente a trabajar con esfuerzo máximo durante todo el proceso.
Cuando usas Claude Fable 5 a través de la API, cada respuesta incluye metadatos de uso que separan los tokens de pensamiento de los tokens de salida. Registrar estos datos te permite ver exactamente cuánto razonamiento consumió cada turno, lo que hace posible ajustar tu estrategia de esfuerzo con datos en lugar de a ciegas.
💡 Consejo: Ejecuta las mismas 10 consultas representativas con tres niveles de presupuesto distintos y compara la calidad de la salida y los costos en tokens una al lado de otra. Los datos suelen revelar un punto óptimo claro para tu caso de uso en una tarde de pruebas.
Para equipos que gestionan cientos de sesiones al día, incluso una reducción del 30 por ciento en el consumo medio de tokens de pensamiento supone una diferencia de costo material a lo largo de un mes. El ajuste de esfuerzo en Fable 5.1 es tanto una herramienta de facturación como una herramienta de calidad, y los mejores profesionales lo tratan como ambas cosas.
Todo lo descrito aquí se puede probar ahora mismo. Claude Fable 5 está disponible en PicassoIA, y el control de esfuerzo está en los ajustes de la sesión. Empieza una conversación real, no una prueba sintética. Trae un problema concreto con el que llevas tiempo peleando. Fija un presupuesto de esfuerzo alto para los dos o tres primeros turnos mientras el modelo construye su comprensión del problema y, después, bájalo y observa cómo cambia el carácter de la respuesta.
Esa experiencia práctica te enseñará más sobre cuándo compensa ajustar el esfuerzo que cualquier cantidad de lectura. El catálogo más amplio de modelos de razonamiento en picassoia.com/en/all-models te ofrece Claude Sonnet 5, GPT 5, Gemini 3.1 Pro y muchos otros con los que compararlos. Cada uno enfoca de forma distinta la profundidad de razonamiento y el costo. Repite la misma sesión con dos o tres de ellos y comprueba qué comportamiento de esfuerzo encaja mejor con tu flujo de trabajo. Así encontrarás el modelo que de verdad tiene sitio en tu conjunto de herramientas de producción.
Elige tu idioma
