DEV Community: Roobia

¿Cómo usar la API de Muse Wonder?

Roobia — Fri, 16 Oct 2026 03:00:15 +0000

¿Cómo usar la API de Muse Wonder?

La API de Muse Wonder es la Model API de Meta que sirve muse-wonder-1.0 en https://api.meta.ai/v1, con tres formatos de solicitud: la API de Responses, Chat Completions y un endpoint de Messages compatible con Anthropic. Te autenticas con una clave Bearer [REDACTED] dev.meta.ai, pagas $4 por millón de tokens de entrada y $20 por millón de salida, y obtienes una ventana de contexto de 1M de tokens con esfuerzo de razonamiento de minimal a max. Cualquier SDK de OpenAI funciona una vez que cambias la URL base.

Prueba Apidog hoy

Esta guía te lleva desde la clave hasta un bucle agéntico funcional: la primera solicitud, cómo elegir un endpoint, controlar el razonamiento, el estado entre turnos, las herramientas, el streaming, las ejecuciones en segundo plano y los campos de uso que te dicen cuánto costó cada llamada. Cada solicitud también está configurada en Apidog para que tu equipo pueda probar el modelo sin pasar la clave de mano en mano. Para saber qué es el modelo y cómo puntúa, empieza por la explicación de Muse Wonder.

La API de Muse Wonder de un vistazo

	Valor
URL base	`https://api.meta.ai/v1`
ID del modelo	`muse-wonder-1.0`
Autenticación	`Authorization: Bearer $MODEL_API_KEY`
Endpoints	`POST /v1/responses`, `POST /v1/chat/completions`, `POST /v1/messages`
Precio por 1M de tokens	$4 de entrada, $20 de salida, $0.20 de entrada en caché
Ventana de contexto	1.048.576 tokens, sin recargo por contexto largo
Esfuerzo de razonamiento	`minimal`, `low`, `medium`, `high`, `xhigh`, `max`
Límites de velocidad	3.000 solicitudes y 4M de tokens por minuto, por equipo y por modelo
Herramienta de búsqueda web	$2.50 por cada 1.000 consultas, además de los tokens

Muse Wonder Full, el modelo mayor, no está en la API. Solo está disponible dentro de Muse Code, en los planes Power y Maximum. Poner el esfuerzo en max en Wonder no lo convierte en Full.

Paso 1: obtén una clave y haz la primera llamada

Crea una clave en el panel de la Model API, en la sección de claves de API, y guárdala como MODEL_API_KEY. Después:

curl https://api.meta.ai/v1/responses \
  -H "Authorization: Bearer $MODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "muse-wonder-1.0",
    "input": "List three risks in a lease clause that lets the landlord enter without notice.",
    "reasoning": {"effort": "medium"},
    "max_output_tokens": 2048
  }'

Con el SDK de OpenAI, cambia dos líneas:

from openai import OpenAI
import os

client = OpenAI(base_url="https://api.meta.ai/v1", [REDACTED CREDENTIAL]

resp = client.responses.create(
    model="muse-wonder-1.0",
    input="List three risks in a lease clause that lets the landlord enter without notice.",
    reasoning={"effort": "medium"},
    max_output_tokens=2048,
)
print(resp.output_text)
print(resp.usage)

La respuesta incluye el texto más un bloque usage. Revísalo en cada llamada: output_tokens_details.reasoning_tokens te dice cuánto del presupuesto de salida se fue en razonamiento, y input_tokens_details.cached_tokens te dice cuánta entrada se facturó a la tarifa de caché.

Paso 2: elige un endpoint

La guía de inicio rápido de Meta usa la API de Responses, y es la opción por defecto correcta para cualquier cosa de varios pasos. Conserva el razonamiento entre turnos y puede gestionar el historial de conversación por ti. Chat Completions existe para el código que ya tienes contra un SDK de OpenAI. El endpoint de Messages en https://api.meta.ai/v1/messages acepta solicitudes en formato Anthropic, que es como Claude Code funciona sobre Muse Wonder.

Necesidad	Usa
Agente nuevo, bucles de herramientas, sesiones largas	Responses
Código existente estilo OpenAI, turnos únicos	Chat Completions
Claude Code u otro harness en formato Anthropic	Messages
Resúmenes de razonamiento	Solo Responses

Los tres formatos difieren en los nombres de los parámetros. El esfuerzo de razonamiento es reasoning.effort en Responses y un reasoning_effort de nivel superior en Chat Completions. Los topes de salida son max_output_tokens y max_tokens respectivamente. La salida estructurada en Responses usa text.format, no response_format.

Paso 3: ajusta el esfuerzo de razonamiento

Muse Wonder siempre razona. none devuelve un HTTP 400. Los niveles aceptados son minimal, low, medium, high, xhigh y max, y si omites el parámetro, el modelo elige su propio nivel. El consejo de Meta es el de siempre: usa el nivel más bajo que dé resultados aceptables, porque los tokens de razonamiento se facturan a la tarifa de salida de $20 y cuentan para tu tope de salida.

De ahí se siguen dos reglas prácticas. Primera, establece max_output_tokens con holgura cuando el esfuerzo sea alto; en max, el razonamiento es una gran parte de la salida y un tope ajustado trunca la respuesta. Segunda, registra reasoning_tokens por tipo de solicitud para ver lo que cuesta cada nivel de esfuerzo en tu tráfico y no en un benchmark. Las ejecuciones de Artificial Analysis que puntúan al modelo con 52 usaron esfuerzo max y unos 54.000 tokens de salida por tarea.

En la API de Responses puedes pedir un resumen del razonamiento con reasoning.summary ajustado a auto, concise o detailed. Los resúmenes no están garantizados; el array puede volver vacío. El razonamiento en crudo nunca se devuelve.

Paso 4: traslada el estado entre turnos

La API de Responses ofrece dos modos, y no se pueden combinar.

Replay cifrado sin estado es la recomendación de Meta. Envía store: false y include: ["reasoning.encrypted_content"], conserva los elementos reasoning que devuelve la respuesta y pásalos de vuelta en el siguiente turno con su encrypted_content y un campo summary (un array vacío vale). El razonamiento del modelo sobrevive al turno sin que Meta almacene nada.

Historial gestionado por el servidor es más simple: pasa previous_response_id y envía solo la nueva entrada. Ten en cuenta que instructions no se traslada, así que reenvía tus instrucciones de sistema en cada solicitud.

first = client.responses.create(model="muse-wonder-1.0", input="Summarize this API's auth flow: ...", instructions="You are an API reviewer.")
second = client.responses.create(model="muse-wonder-1.0", previous_response_id=first.id, instructions="You are an API reviewer.", input="Now list the endpoints that need an OAuth scope.")

Paso 5: herramientas, salida estructurada y búsqueda web

Las function tools siguen el formato de OpenAI en Responses y Chat Completions. Muse Wonder llama a las herramientas en paralelo y está entrenado para recuperarse de llamadas fallidas, que es una de las cosas que la publicación de lanzamiento de Meta quiere decir con Active Focus. Define las herramientas con un esquema JSON, ejecuta los elementos function_call que devuelve el modelo y devuelve elementos function_call_output.

Para una respuesta que tu código pueda interpretar, ajusta text.format a un esquema JSON en Responses. Para información actual, añade la búsqueda alojada de Meta con tools=[{"type": "web_search"}]; factura $2.50 por cada 1.000 consultas además de los tokens. Si ya estás probando llamadas a herramientas para otros modelos, el harness de pruebas de tool calls para agentes de Apidog funciona aquí sin cambios: la forma de la solicitud es la misma que la de OpenAI.

Paso 6: transmite en streaming o ejecuta en segundo plano

Establece stream: true y consume el flujo de eventos: response.created, response.output_item.added, response.output_text.delta, response.function_call_arguments.delta y response.completed. Un fallo termina con response.failed. Los resúmenes de razonamiento llegan como response.reasoning_summary_text.delta cuando se solicitan.

Para trabajos largos, envía background: true. La API acusa recibo con "status": "queued", y puedes hacer polling o recibir el flujo de eventos del ciclo de vida desde GET /v1/responses/{id}?stream=true. Background no se puede combinar con stream: true en el POST, el cuerpo de la solicitud tiene un límite de 1 MiB, y hay un límite aparte de 600 envíos nuevos en segundo plano por minuto por equipo. Cancela con POST /v1/responses/{id}/cancel.

Paso 7: cachea lo que se repite

La entrada en caché cuesta $0.20 por millón, un 95% de descuento sobre la tarifa de $4, y Meta la reporta en usage.input_tokens_details.cached_tokens. El patrón que la consigue es el mismo que en otros proveedores: pon el material estable (instrucciones del sistema, definiciones de herramientas, documentos de referencia) primero y el contenido por solicitud al final. La guía de prompt caching cubre el diseño del prefijo. Vigila también el lado de escritura en caché: en la ejecución de Artificial Analysis, $1.92 de los $4.52 por tarea de Wonder fueron escrituras en caché, más que los $1.44 en aciertos de caché.

Prueba la API de Muse Wonder en Apidog

Un proyecto compartido de Apidog mantiene la clave fuera de los hilos de chat y da a todo el mundo las mismas solicitudes.

Crea un entorno llamado Meta Model API con un base_url de https://api.meta.ai/v1 y MODEL_API_KEY como variable secreta. Los valores secretos se enmascaran en la interfaz y nunca se exportan.
Añade tres solicitudes, una por endpoint, cada una con Authorization: Bearer {{MODEL_API_KEY}}. Duplica la solicitud de Responses con esfuerzo low, medium y max para comparar costes lado a lado.
Valida el uso. Añade aserciones JSONPath sobre $.usage.output_tokens_details.reasoning_tokens y $.usage.input_tokens_details.cached_tokens. Un valor de tokens en caché de cero en una solicitud donde esperabas que acertara la caché es un bug de prefijo, detectado antes de llegar a producción.
Simula el 429. La documentación de Meta dice que retrocedas exponencialmente con jitter desde unos 500 ms y que respetes Retry-After. Apunta tu cliente a un mock de Apidog que devuelva 429 con esa cabecera y demuestra la lógica de reintentos antes de compartir un límite de 3.000 solicitudes por minuto con el resto de tu equipo.
Ejecútalo en CI con la CLI de Apidog para que un cambio de modelo o de precios rompa un pipeline y no a un cliente.

Descarga Apidog e importa los tres endpoints de los ejemplos de solicitud de arriba.

Preguntas frecuentes

¿La API de Muse Wonder tiene un nivel gratuito? No. La facturación es por token sin mínimo, así que un puñado de llamadas de prueba cuesta céntimos, pero no hay créditos gratuitos. La guía de acceso gratuito cubre las rutas más baratas.

¿Se usan mis datos de la API para entrenar? No en el modo Standard de la API. Las suscripciones de Muse Code usan por defecto el modo Contributor, que sí usa tus datos; ese ajuste vive en Muse Code, no en la API.

¿Puedo usar Muse Wonder Full a través de la API? No. No tiene un ID de modelo invocable ni un precio por token. Solo los suscriptores de Muse Code Power y Maximum pueden seleccionarlo.

¿Cuáles son los límites de velocidad y puedo aumentarlos? 3.000 solicitudes y 4 millones de tokens por minuto por modelo, contados entre todas las claves de tu equipo. La página de precios de Meta no enumera niveles ni un proceso para aumentarlos. La publicación sobre los límites de velocidad explica cómo mantenerte por debajo.

Siguiente paso

Haz las tres llamadas de arriba con esfuerzo low, medium y max sobre una tarea real de tu producto, y compara reasoning_tokens antes de elegir un valor por defecto. Ese número, y no el titular de $4, es lo que seguirá tu factura.

¿Gemini 4 Argon es gratuito?

Roobia — Thu, 15 Oct 2026 09:54:50 +0000

¿Gemini 4 Argon es gratuito?

No. A 15 de octubre de 2026, Gemini 4 Argon no tiene nivel gratuito. La página de precios de la API de Gemini de Google lo dice claramente: “Gemini 4 Argon is not available on the Free tier or on the Google AI Pro plan.” Esa frase se refiere al acceso mediante API. Desde que Argon estuvo disponible de forma general el 13 de octubre, todas las rutas son de pago: el nivel de pago de la API de Gemini con un precio de 2/10 USD por millón de tokens hasta el 30 de noviembre (después, 4/20 USD), la app de Gemini y Search para suscriptores de Google AI Pro y Ultra, y Google Antigravity para suscriptores de Ultra.

Prueba Apidog hoy

Esta publicación cubre cada ruta y su costo, las afirmaciones de “Argon gratuito” que no se sostienen, la forma más barata de probarlo y el modelo gratuito de Gemini en el que puedes construir hasta que necesites Argon. Para conocer el contexto, consulta qué es Gemini 4 Argon; para el despliegue desde solo Fairwind hasta la disponibilidad general, consulta la fecha de lanzamiento de Gemini 4 Argon. Apidog permite construir la integración con un modelo gratuito y cambiar a Argon modificando una variable.

Todas las rutas y si te dan acceso a Argon

Ruta	Costo	¿Da acceso a Argon?	Notas
API de Gemini, nivel de pago	2/10 USD por millón de tokens hasta el 30 de noviembre; después, 4/20 USD	Sí	Model ID `gemini-4-argon`, estable
API de Gemini, nivel gratuito	0 USD	No	“not available on the Free tier”
App de Gemini, Google AI Pro	19,99 USD al mes	Sí	También en Search
App de Gemini, Google AI Ultra	99,99 o 199,99 USD al mes	Sí	También en Search y Antigravity
App de Gemini, plan gratuito	0 USD	No	Google solo nombró Pro y Ultra
Google AI Plus	4,99 USD al mes	No mencionado	Ausente en los anuncios de disponibilidad general de Google
Google Antigravity	Plan Ultra	Solo Ultra	Los planes Pro y gratuito no se mencionan
Cursor	2/10 USD por millón de tokens (listado de Cursor)	Sí	Añadido el 13 de octubre
OpenCode Go	“60 USD de uso por 10 USD hasta el 30 de noviembre”	Sí	Barato, no gratuito
Gemini CLI	Solo clave de API de pago	No confirmado	Sin cuentas de consumidor desde el 18 de junio de 2026
Fairwind Program	No indicado	Sí, desde el 30 de septiembre	Solo defensores cibernéticos verificados
Sitios de “API gratuita de Argon”	Varía	No verificado	Google no ofrece un nivel gratuito de Argon
`gemini-3.8-flash`, nivel gratuito	0 USD, con límites de uso	No	La API gratuita de Gemini que puedes usar

Las rutas de pago que dan acceso a Argon

La API de Gemini de pago

Argon aparece en la página de modelos de la API de Gemini como gemini-4-argon, un modelo estable sin sufijo -preview. Tu proyecto necesita un nivel de pago, que comienza en Tier 1: un proyecto con facturación vinculada. El contenido del nivel de pago no se usa para mejorar los productos de Google.

El pago por uso hace que una llamada de prueba sea barata. Un mensaje de 2.000 tokens y una respuesta de 1.000 tokens cuestan 0,002 M x 2 USD + 0,001 M x 10 USD = 0,014 USD con las tarifas vigentes hasta el 30 de noviembre. Pero barato no es gratis. Los tokens de razonamiento de Argon se facturan como salida, por lo que una respuesta real suele costar más de lo que sugiere su texto visible.

Google AI Pro y Ultra

El anuncio de la app de Gemini de Google dice: “Google AI Pro and Ultra subscribers can now access Gemini 4 Argon.” La publicación del día de lanzamiento de Sundar Pichai añade Search para ambos planes y Google Antigravity para Ultra.

En la página de planes de EE. UU. de Google (consultada el 1 de octubre), AI Pro cuesta 19,99 USD al mes y AI Ultra comienza en 99,99 USD (5 veces los límites de uso de Pro) o 199,99 USD (20 veces). Google no ha publicado límites de mensajes de Argon por plan, así que no asumas que Pro y Ultra reciben la misma cuota. Una suscripción es un plan de consumidor, no una clave de API, y la página de precios excluye el plan AI Pro del acceso a la API de Argon.

Cursor y OpenCode Go

Cursor añadió Argon el 13 de octubre y lo lista a 2 USD por millón de tokens de entrada y 10 USD por millón de salida, la misma tarifa actual que Google. OpenCode lo añadió a OpenCode Go el 14 de octubre con una promoción: “60 USD de uso por 10 USD hasta el 30 de noviembre.” Es una ruta de bajo costo y sigue siendo un plan de pago. Ninguna de las dos herramientas es una vía gratuita.

Las rutas que no te dan Argon gratis

El nivel gratuito de la API de Gemini

El nivel gratuito sigue sirviendo otros modelos, pero Argon no está en él. Una clave de un proyecto sin facturación no te dará Argon.

Fairwind Program

Argon se lanzó el 30 de septiembre a un grupo de socios del Fairwind Program. Fairwind es el programa de acceso limitado de Google para defensores cibernéticos verificados: gobiernos, operadores de infraestructura crítica y plataformas tecnológicas esenciales. Requiere verificaciones de antecedentes de la organización solicitante y MFA resistente a phishing, y Google no ha dicho si el acceso a Argon mediante este programa se factura. Nunca fue una ruta de consumidor y, desde la disponibilidad general, no lo necesitas para usar Argon.

Gemini CLI

Desde el 18 de junio de 2026, Gemini CLI ya no atiende a usuarios de Google AI Pro, Ultra o gratuitos; funciona solo con claves de pago de la API de Gemini o de Agent Platform. No hemos confirmado que Gemini CLI ofrezca Argon y, en cualquier caso, tampoco sería gratuito.

Sitios de “API gratuita de Gemini 4 Argon”

Google no ofrece acceso gratuito a la API de Argon, así que trata cualquier sitio que lo prometa como no verificado. Mantén tus claves, código y datos de clientes fuera de servicios que no puedas rastrear hasta Google o un proveedor de herramientas conocido.

Wiz Scan for Good

La publicación de lanzamiento de Google dice que Argon, usado mediante Wiz Scan for Good, encontró una vulnerabilidad crítica en software sanitario usado por hospitales. Google describe Scan for Good como un programa de Wiz “dedicado a proteger de forma gratuita infraestructura pública crítica”. Ese “gratis” describe lo que Wiz ofrece a los propietarios de la infraestructura. No es acceso a Argon para ti.

Cuánto cuesta Argon

Estas son las tarifas Standard de la página de precios, por millón de tokens, a 15 de octubre de 2026:

Elemento	Hasta el 30 de noviembre de 2026	Desde el 1 de diciembre de 2026
Entrada	2,00 USD	4,00 USD
Salida, incluido el razonamiento	10,00 USD	20,00 USD
Entrada en caché (implícita)	0,10 USD	0,20 USD
Entrada / salida Batch o Flex	1,00 / 5,00 USD	2,00 / 10,00 USD

El almacenamiento en caché es solo implícito: los mensajes de 4.096 tokens o más reciben un descuento del 95 % en los aciertos de caché, y el almacenamiento explícito no es compatible. El único elemento gratuito es la conexión a Search, que incluye 5.000 solicitudes gratuitas al mes compartidas entre Gemini 3 y modelos posteriores, y después cuesta 14 USD por 1.000. Eso es conexión gratuita en un modelo de pago, no tokens gratis. Nuestro análisis de precios de Gemini 4 Argon repasa los costos por llamada.

El Gemini gratuito que puedes usar hoy

Gemini 3.8 Flash en el nivel gratuito de la API

gemini-3.8-flash es el modelo Flash estable de Google y tiene un nivel gratuito en Google AI Studio y la API de Gemini. Acepta 1.048.576 tokens de entrada y devuelve hasta 65.536, con niveles de razonamiento low, medium (predeterminado) y high. Son los mismos nombres de nivel y el mismo valor predeterminado que Argon, lo que mantiene pequeño un cambio posterior.

El nivel gratuito tiene límites de uso y los límites por modelo aparecen en aistudio.google.com/rate-limit. Google dice que los datos del nivel gratuito se “used to improve our products”, así que mantén fuera el código confidencial y los datos de clientes. Cuando lo superes, el precio de pago es de 0,75/3,75 USD por millón de tokens hasta el 31 de diciembre de 2026, y después de 1,50/7,50 USD.

Nuestra guía para usar Gemini 3.8 Flash gratis recorre la configuración, y Gemini 4 Argon frente a Gemini 3.8 Flash muestra qué solicitudes enviar a cada modelo.

El plan gratuito de la app de Gemini

Para chat en lugar de código, la app gratuita no incluye Argon. Cuando consultamos la página de planes de EE. UU. de Google el 1 de octubre, el plan gratuito incluía Gemini 3.6 Flash con acceso variable a 3.1 Pro. Consulta cómo usar Gemini gratis para ver todas las superficies gratuitas de Gemini. Si valoras otros modelos de frontera, planteamos la misma pregunta en ¿Claude Opus 5.5 es gratuito?.

Construye gratis con Flash y cambia a Argon con una variable

Escribe tu integración contra gemini-3.8-flash con una clave del nivel gratuito y coloca el nombre del modelo en una variable. Cuando vincules la facturación, apunta la misma solicitud a gemini-4-argon:

MODEL="${GEMINI_MODEL:-gemini-3.8-flash}"   # GEMINI_MODEL=gemini-4-argon on a paid key

curl -s "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-[REDACTED CREDENTIAL] \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"$MODEL\",
    \"input\": \"List the breaking changes in this API changelog.\",
    \"generation_config\": {\"thinking_level\": \"medium\"}
  }"

La solicitud coincide con la forma del propio ejemplo REST de Argon de Google. Antes de cambiar, revisa tres puntos de la lista de verificación de migración de Google en la guía para desarrolladores de Argon:

Elimina el almacenamiento explícito en caché (cachedContents, caches.create, cached_content); Argon solo es compatible con el almacenamiento implícito.
Quita temperature, top_p y top_k; Argon los ignora.
Revisa max_output_tokens y aumenta los tiempos de espera del cliente, porque los mensajes difíciles de Argon pueden tardar minutos.

En Apidog, guarda GEMINI_API_KEY y GEMINI_MODEL como variables de entorno, guarda la solicitud con {{GEMINI_MODEL}} en el cuerpo y añade aserciones sobre el estado y los recuentos de tokens. Mantén un entorno en Flash y otro en Argon, ejecuta la misma solicitud guardada en ambos y tendrás una comparación de costo y calidad antes de mover tráfico.

Preguntas frecuentes

¿Gemini 4 Argon es gratuito? No. A 15 de octubre de 2026 no está en el nivel gratuito de la API de Gemini y las rutas de la app requieren Google AI Pro o Ultra.

¿Puedo usar Gemini 4 Argon en la app de Gemini gratis? No. Google solo nombra a suscriptores de AI Pro (19,99 USD al mes) y AI Ultra.

¿Google AI Pro incluye Argon? En la app de Gemini y Search, sí. Para la API, no: la página de precios dice que Argon no está disponible en el plan Google AI Pro. El acceso a Antigravity solo se nombra para Ultra.

¿Cuál es la forma más barata de probar Argon? El pago por uso en la API de pago, donde una llamada de prueba corta cuesta aproximadamente un centavo y medio. La promoción de OpenCode Go (60 USD de uso por 10 USD hasta el 30 de noviembre) es otra ruta de bajo costo.

¿Argon tendrá un nivel gratuito? Google no ha anunciado uno. Su modelo Pro superior anterior, Gemini 3.1 Pro Preview, tampoco tiene nivel gratuito en la API.

¿Fairwind sigue siendo la única vía de acceso? No. Los socios de Fairwind recibieron Argon primero el 30 de septiembre; desde el 13 de octubre, cualquier proyecto en un nivel de pago de la API puede llamarlo. Nuestra guía de fecha de lanzamiento cubre cada etapa.

Empieza gratis y mantén el cambio en una variable

Argon no se puede conseguir gratis, pero todo lo que lo rodea sí se puede construir gratis. Descarga Apidog, apunta una solicitud guardada a gemini-3.8-flash en el nivel gratuito y mantén el modelo en GEMINI_MODEL. Cuando vincules la facturación, ponlo en gemini-4-argon, elimina el almacenamiento en caché explícito y los parámetros de muestreo, y vuelve a ejecutar. El precio de Argon se duplica el 1 de diciembre, así que haz tu comparación antes de esa fecha si el costo decide el cambio.

Gemini 4 Argon ya está disponible

Roobia — Thu, 15 Oct 2026 09:26:17 +0000

Gemini 4 Argon ya está disponible

Gemini 4 Argon se lanzó a los desarrolladores el 13 de octubre de 2026. Ese día, Google hizo que gemini-4-argon estuviera disponible con carácter general en el nivel de pago de la API de Gemini, e implementó Argon para los suscriptores de Google AI Pro y Ultra en la app de Gemini y en la Búsqueda, y para los suscriptores Ultra en Google Antigravity. Google había anunciado Argon el 30 de septiembre de 2026 solo para un grupo de ciberdefensores del Fairwind Program. La siguiente fecha clave es el 1 de diciembre de 2026, cuando el precio de la API se duplica de 2/10 USD a 4/20 USD por cada 1 M de tokens.

Prueba Apidog hoy

A continuación: la cronología completa, quién tiene Argon por canal, cómo funcionó la fase de Fairwind, qué sigue sin decir Google y cómo confirmar que tu clave puede llamarlo. Para el modelo en sí, empieza con qué es Gemini 4 Argon. Si lo llamas desde código, guarda tus solicitudes en Apidog con el nombre del modelo en una variable de entorno.

La cronología de Gemini 4 Argon

Argon nació tras un verano de modelos Flash ajustados para ciberseguridad enviados a un pequeño grupo de defensores, y luego se amplió 13 días después de su anuncio.

Fecha	Evento	Fuente
2026-07-21	Gemini 3.5 Flash Cyber se lanza como un "piloto de acceso limitado" para gobiernos y socios de confianza	Blog de Google DeepMind
2026-09-02	El Fairwind Program se lanza con Gemini 3.8 Flash Cyber y CodeMender, con más de 650 socios	blog.google
2026-09-24	Kavukcuoglu dice que Gemini 4 está en posteriorro de cambios de la API de Gemini, Sundar Pichai
2026-10-13	Cursor añade Argon a 2/10 USD por cada 1 M de tokens	Cursor
2026-10-14	OpenCode añade Argon a OpenCode Go	OpenCode
2026-11-30	Último día de la tarifa de API de 2/10 USD	Página de precios de la API de Gemini
2026-12-01	El precio de la API sube a 4/20 USD por cada 1 M de tokens	Página de precios de la API de Gemini

Todos los modelos anteriores de esta línea llegaron primero a los defensores: Gemini 3.5 Flash Cyber nunca recibió una API pública, y Gemini 3.8 Flash Cyber informó de que Kavukcuoglu dijo en la cumbre AI Agenda Live de The Information que Google esperaba lanzarlo "mucho antes" de finales de 2026. Y así ocurrió.

Reuters informó de que Argon llegó "después de meses de retrasos", porque Sundar Pichai había dicho que Gemini 3.5 Pro se lanzaría en junio y Google luego lo canceló.

La entrada del registro de cambios de la API de Gemini fechada el 13 de octubre de 2026 indica que gemini-4-argon está "disponible con carácter general", y la página de modelos lo etiqueta como "New Stable". Hay una versión, sin sufijo -preview.

La disponibilidad general también completó las especificaciones que Google había reservado en el anuncio. Argon tiene una ventana de contexto unificada de 1.048.576 tokens compartida por entrada, razonamiento y salida. Una solicitud síncrona devuelve 65.536 tokens de salida por defecto, y la decodificación larga en modo en segundo plano en la API de Interactions llega hasta unos 1 M. Los niveles de razonamiento son low, medium (el predeterminado) y high. Si portas código de Gemini 3.x, elimina temperature, top_p y ` Antigravity, y para suscriptores Ultra y Pro en la app de Gemini y en la Búsqueda".

Canal	Quién	Estado al 15 de octubre de 2026
API de Gemini	Proyectos del nivel de pago	GA desde el 13 de octubre, modelo `gemini-4-argon`
Nivel gratuito de la API de Gemini	Todos los demás	No disponible
App de Gemini	Suscriptores de Google AI Pro y Ultra	Disponible desde el 13 de octubre
Búsqueda	Suscriptores de Google AI Pro y Ultra	Disponible desde el 13 de octubre
Google Antigravity	Suscriptores Ultra	Disponible desde el 13 de octubre
Empresas	"La plataforma Gemini"	Nombrada por Google; Vertex AI sin confirmar
Cursor, Opengon cuesta 2 USD por cada 1 M de tokens de entrada y 10 USD por cada 1 M de tokens de salida hasta el 30 de noviembre de 2026, y después 4 USD y 20 USD desde el 1 de diciembre. La guía de precios de Argon incluye los cálculos de coste.

El Fairwind Program: donde empezó Argon

Antes de la disponibilidad general, la única vía era el Fairwind Program, que ofrece a "defensores de alta prioridad (como gobiernos, proveedores de salud y servicios de telecomunicaciones) acceso temprano a modelos avanzados". Google dice que trabaja "con más de 650 socios a nivel mundial", y la página de Fairwind decía en el lanzamiento: "Un conjunto de socios del Fairwind Program obtiene acceso exclusivo a Gemini 4 Argon y puede usar este modelo en CodeMender". Ser miembro no equivalía a tener acceso a Argon.

Google explicó el orden en una línea: "Liberar de forma segura capacidades de frontera a este nivel requiere un enfoque por fases". En el anuncio dijo que los defensores de confianza y sus equipos internos recibirían Argon sin barreras de seguridad cibernética. Nuestro análisis de ciberdefensa de Argon explica qué significa eso para las API que ejecutas.

Quién puede solicitarlo

Las preguntas frecuentes de la página enumeran tres grupos, sin clasificar:

Gobiernos y autoridades nacionales de ciberseguridad
Infraestructuras críticas: energía y redes financieras
Plataformas tecnológicas centrales que protegen bases de software ampliamente utilizadas

Todos necesitan "un historial demostrado de operaciones e investigación éticas". Los laboratorios académicos "centrados en la evaluación comparativa defensiva" también pueden solicitarlo, y los estudiantes son dirigidos a CodeMender en la lista de espera de Google. Google realiza comprobaciones de antecedentes a las organizaciones solicitantes, y los socios aceptan condiciones operativas:

"Autenticación por usuario, MFA resistente a phishing y controles de acceso aplicables."
Acceso a Argon solo para "equipos internos de ciberseguridad, respuesta a incidentes o pruebas de penetración".
Las organizaciones "deben rastrear el acceso y el uso de los empleados".
Prohibido compartir, redistribuir o revender el acceso.

Cómo solicitarlo y cómo se entrega el acceso

Solicítalo mediante el formulario de interés de Fairwind. Google dice que "revisará y responderá a los socios elegibles que cumplan nuestros criterios tan pronto como podamos", sin tiempo de respuesta indicado. Los socios aprobados usan Argon en Gemini Enterprise: "Cuando se accede directamente como modelo gestionado en Gemini Enterprise, Gemini 4 Argon admite retención de datos cero".

Lo que Google no ha dicho

Al 15 de octubre de 2026, estos puntos siguen abiertos:

Vertex AI y Gemini Enterprise Agent Platform. Pichai nombró "la plataforma Gemini" para empresas, pero Google no ha confirmado una lista de Argon en Agent Platform, y un informe dice que sus notas de la versión aún no lo incluyen.
Límites de la app de Gemini. Google no ha publicado cuántos mensajes de Argon reciben los suscriptores Pro y Ultra.
Límites de velocidad por modelo. RPM, TPM y RPD no están en la documentación; AI Studio los muestra para tu proyecto.
Corte de conocimiento. No publicado.
Gemini CLI. No hemos visto que Google confirme Argon ahí.
Tiempo de revisión de Fairwind y cuántos socios tienen Argon.

Cómo confirmar que tu clave puede llamar a Argon

El día de lanzamiento ya pasó, pero las mismas comprobaciones ahora te indican si tu clave puede llamar a Argon y qué ofrece.

Consulta el registro de cambios y la página de modelos. Ambos incluyen gemini-4-argon desde el 13 de octubre.

Sondea models.list. La API de Gemini enumera todos los modelos que tu clave puede ver. El 1 de octubre de 2026, esta llamada devolvía 61 modelos y nada que coincidiera con "argon":

bash curl -s "https://generativelanguage.googleapis.com/v1beta/models?pageSize=1000" \ -H "x-goog-[REDACTED CREDENTIAL] \ | jq -r '.models[] | select(.name | test("argon"; "i")) | "\(.name) out=\(.outputTokenLimit)"'

Cada entrada incluye name, inputTokenLimit, outputTokenLimit, supportedGenerationMethods y thinking. Si la llamada no devuelve nada para Argon, comprueba primero que la clave pertenezca a un proyecto con facturación vinculada, porque Argon no está en el nivel gratuito.

Conviértelo en una comprobación. Guarda la misma solicitud GET en Apidog con GEMINI_API_KEY almacenada como variable de entorno, y añade un script de posprocesamiento que falle si falta Argon:

javascript const models = pm.response.json().models || []; const hits = models.filter(m => /argon/i.test(m.name)); pm.test("Argon is visible to this key", () => { pm.expect(hits.length).to.be.above(0); }); if (hits.length) console.log(hits.map(m =>${m.name} out=${m.outputTokenLimit}).join("\n"));

Pon la solicitud en un escenario de prueba, ejecútala con las tareas programadas de Apidog o desde CI con la CLI de Apidog, y añade una notificación. Así, una clave revocada o un problema de facturación aparecen como una ejecución fallida, no como un error en producción. Guarda GEMINI_MODEL=gemini-4-argon junto a la clave y asigna a tus solicitudes guardadas los precios de diciembre para que el cambio se detecte en las pruebas antes que en una factura. La guía de la API de Argon cubre las formas de solicitud.

Preguntas frecuentes

¿Cuál es la fecha de lanzamiento de Gemini 4 Argon? El 13 de octubre de 2026, para desarrolladores en la API de Gemini de pago y para suscriptores Pro y Ultra en la app de Gemini. Google lo anunció el 30 de septiembre de 2026 solo para socios de Fairwind.

¿Puedo usar Gemini 4 Argon ahora? Sí, con una clave de la API de Gemini del nivel de pago, una suscripción a Google AI Pro o Ultra (app de Gemini y Búsqueda), o Ultra para Antigravity. Cursor y OpenCode Go también lo ofrecen. No hay nivel gratuito de API; para un modelo con uno, la guía de la API de 3.8 Flash te lleva a la primera llamada.

¿Cuándo cambia el precio de Gemini 4 Argon? El 30 de noviembre de 2026 es el último día de 2/10 USD por cada 1 M de tokens. Desde el 1 de diciembre, la tarifa de la API es de 4/20 USD.

¿Los suscriptores de Google AI Pro reciben Argon? Sí, en la app de Gemini y en la Búsqueda. No a través de la API, y Google solo nombró a los suscriptores Ultra para Antigravity.

¿Cuál es el ID del modelo Gemini 4 Argon? gemini-4-argon. Es la versión estable, sin sufijo -preview.

Qué hacer antes del 1 de diciembre

Si desarrollas sobre la API de Gemini, mueve una carga de pruebas a gemini-4-argon mientras dura la tarifa de 2/10 USD, mide los recuentos reales de tokens y valorálos a 4/20 USD para que la factura de diciembre no tenga sorpresas. Si gestionas seguridad en una organización que reúne los requisitos, Fairwind sigue siendo la ruta hacia Argon en Gemini Enterprise con retención de datos cero. Descarga Apidog para mantener la comprobación de acceso, las solicitudes de regresión y las aserciones de coste en un solo espacio de trabajo.

Límites de velocidad de Muse Wonder: 3.000 RPM y 4M TPM, compartidos por todo el equipo

Roobia — Thu, 15 Oct 2026 08:29:59 +0000

Límites de velocidad de Muse Wonder: 3.000 RPM y 4M TPM, compartidos por todo el equipo

Los límites de velocidad de Muse Wonder en la API Meta Model son 3.000 solicitudes por minuto y 4.000.000 de tokens por minuto. Ambos se aplican por modelo y por equipo, no por clave API: cada clave creada en tu organización consume el mismo grupo compartido. Las respuestas en segundo plano reciben una asignación separada de 600 nuevos envíos por minuto. No hay niveles de uso publicados ni un proceso documentado para solicitar más capacidad. Cuando superas un límite recibes HTTP 429; la guía de Meta recomienda retroceso exponencial con fluctuación aleatoria desde aproximadamente 500 ms y respetar Retry-After cuando esté presente.

Prueba Apidog hoy

Estos hechos definen la arquitectura de cualquier sistema que llame a muse-wonder-1.0 a escala. Esta guía explica qué significan los límites en la práctica, cómo un contexto de 1M de tokens consume un presupuesto de 4M TPM, cómo interpretar los encabezados, cómo construir la ruta de reintento y qué hacer cuando 3.000 RPM no son suficientes. Para lo esencial de la API, comienza con la guía de la API de Muse Wonder.

Los límites

Límite	Valor	Alcance
Solicitudes por minuto	3.000	Por equipo, por modelo
Tokens por minuto	4.000.000	Por equipo, por modelo
Envíos en segundo plano	600 por minuto	Por equipo, además de los límites anteriores
Ventana de contexto	1.048.576 tokens	Por solicitud
Niveles de uso	Ninguno publicado
Aumentos de límite	No hay proceso documentado

Las mismas cifras de 3.000 RPM y 4M TPM se aplican a Muse Spark 1.3. La variante Contributor de Spark tiene un límite inferior de 150 RPM y 3M TPM. Cada modelo tiene su propio grupo, por lo que el tráfico intenso de Wonder no agota el carril de Spark, y viceversa. El contexto de dirección inyectado por Meta no cuenta contra TPM ni aparece en usage.

Los tokens se agotan antes que las solicitudes

Con 4M tokens por minuto, el límite de solicitudes rara vez es el factor restrictivo para un agente. Estas son cuatro cargas representativas:

Carga de trabajo	Tokens por solicitud	Solicitudes por minuto antes de alcanzar el TPM
Turnos de chat cortos	3.000	1.333
Revisión de documentos	50.000	80
Turno largo de agente con contexto de 400K	400.000	10
Solicitud con ventana completa	1.000.000	4

Un equipo que ejecuta unos pocos agentes con contextos grandes puede alcanzar 4M TPM con apenas una docena de solicitudes concurrentes. La entrada almacenada en caché sigue contando para TPM: el descuento de caché reduce la factura, no el límite de velocidad. Los tokens de razonamiento cuentan contra max_output_tokens y la factura, mientras que los tokens de salida también consumen TPM.

La consecuencia práctica es que debes presupuestar TPM según el tamaño del contexto, no según el número de solicitudes. Un agente que reenvía una conversación de 300K tokens en cada turno consume 300K tokens en cada llamada. Diez agentes que avanzan una vez por minuto ya usan tres cuartas partes del margen del equipo.

Planificar la concurrencia a partir de los números

El cálculo de capacidad cabe en una línea:

agentes concurrentes × tokens por turno × turnos por minuto < 4.000.000

Haz el cálculo para tu carril más pesado antes de implementar.

Agentes	Tokens por turno	Turnos por minuto cada uno	TPM necesario	Margen
4	150.000	2	1.200.000	70%
8	250.000	1	2.000.000	50%
12	300.000	1	3.600.000	10%
20	300.000	1	6.000.000	Sobre el límite

Deja al menos un 40% de margen. Los turnos de los agentes son irregulares, una tormenta de reintentos después de un error transitorio puede duplicar la demanda durante un minuto, y cualquier otra persona del equipo consume del mismo grupo. La tercera fila parece viable en papel, pero falla en cuanto dos agentes reintentan al mismo tiempo.

Dos palancas reducen la demanda. La compactación evita que los tokens por turno crezcan sin control: resume o descarta resultados de herramientas antiguos cuando una ejecución supera un umbral, como describe la publicación sobre la ventana de contexto. La reproducción cifrada sin estado en la API de Responses también permite controlar exactamente lo que reenvías, mientras que el historial administrado por el servidor con previous_response_id reenvía todo.

Un único grupo para todas las claves

Meta define los límites por equipo. Una clave para staging, una clave para producción y la clave en la computadora portátil de un compañero consumen todas el mismo grupo de 3.000 RPM y 4M TPM. Esto tiene dos consecuencias.

Primero, una prueba de carga de un desarrollador puede limitar producción. Aísla los experimentos en el tiempo o, si tu organización lo permite, usa un equipo separado. Segundo, la supervisión por clave no muestra el panorama completo. Agrega los encabezados x-ratelimit-* en cada emisor; de lo contrario, verás errores 429 en una clave que parece estar muy por debajo de su límite individual.

Leer los encabezados

Las respuestas basadas en tokens incluyen encabezados x-ratelimit-*. Regístralos en cada llamada. El patrón importante es que la capacidad restante tiende a cero en todos los emisores durante un minuto; esa es la señal para reducir la velocidad antes de que llegue el 429. Las respuestas de transcripción no incluyen estos encabezados, pero las de Wonder sí.

Cuando llega un 429, la documentación de Meta es específica: aplica retroceso exponencial con fluctuación aleatoria desde alrededor de 500 ms y, si Retry-After está presente, espera al menos ese tiempo. Un bucle de reintento que ignora Retry-After o usa intervalos fijos prolonga la interrupción para todo el equipo.

Construir la ruta de reintento

import os
import random
import time

from openai import OpenAI, RateLimitError

client = OpenAI(
    base_url="https://api.meta.ai/v1",
    [REDACTED CREDENTIAL],
)

def call(input_text, attempts=6):
    delay = 0.5

    for _ in range(attempts):
        try:
            return client.responses.create(
                model="muse-wonder-1.0",
                input=input_text,
                reasoning={"effort": "medium"},
                max_output_tokens=4096,
            )
        except RateLimitError as error:
            retry_after = error.response.headers.get("retry-after")
            wait = (
                float(retry_after)
                if retry_after
                else delay + random.uniform(0, delay)
            )

            time.sleep(wait)
            delay = min(delay * 2, 30)

    raise RuntimeError("rate limited after retries")

Tres decisiones de diseño importan aquí:

Limita el retroceso para que una interrupción larga no se convierta en una suspensión de 20 minutos.
Mantén los reintentos idempotentes. Una llamada de Responses que no crea nada de tu lado es segura de repetir, pero si las herramientas del agente tienen efectos secundarios, reintenta la llamada al modelo, no la herramienta.
Registra los reintentos en tus trazas para distinguir un modelo lento de uno limitado. La guía de trazado de llamadas de herramientas indica qué información conviene guardar.

Usar respuestas en segundo plano para la cola larga

Los trabajos largos no necesitan mantener una conexión abierta. Con background: true, la respuesta se coloca en cola, la llamada devuelve "status": "queued" y puedes consultar GET /v1/responses/{id}?stream=true para recibir eventos del ciclo de vida.

Los envíos en segundo plano tienen su propia asignación de 600 por minuto, además de los límites principales. Mover trabajo por lotes a ese carril libera RPM para tráfico interactivo. Ten en cuenta las restricciones:

No uses stream: true en el POST.
El cuerpo tiene un límite de 1 MiB.
Cancela con POST /v1/responses/{id}/cancel.

Cuando 3.000 RPM no son suficientes

Meta no publica una escala de niveles ni un formulario para aumentar los límites. Tus opciones actuales son:

Reduce los tokens por solicitud. El almacenamiento en caché de prompts reduce la factura, pero no el TPM. Recortar el contexto reduce ambos. La publicación sobre la ventana de contexto explica cómo eliminar resultados de herramientas innecesarios.
Distribuye entre modelos. Spark 1.3 tiene su propio grupo de 3.000 RPM y 4M TPM, a un tercio del precio. Enruta allí el trabajo que no necesita la calidad de Wonder.
Usa una puerta de enlace. Vercel AI Gateway y Cloudflare Workers AI sirven meta/muse-wonder-1.0. Si eso te da una asignación separada depende de cómo esté aprovisionada la puerta de enlace; verifícalorir errores en tu lógica de reintento. En Apidog:

Construye la solicitud de Responses usando MODEL_API_KEY como variable secreta. Agrega un posprocesador que lea los encabezados x-ratelimit-* y los guarde en variables de entorno, para que el escenario pueda afirmar que la capacidad restante nunca baja de un umbral.
Crea una simulación de /v1/responses con una expectativa que devuelva 429 y un encabezado Retry-After: 2 cuando la solicitud incluya algo como X-Test-Scenario: throttle. Ap multiplica ese valor por la concurrencia esperada y compáralo con 4.000.000. Si el resultado está cerca del límite, implementa el limitador y la prueba simulada esta semana, antes de que el equipo comparta el grupo con producción.

Muse Wonder frente a Claude Opus 5.5: mismo precio, distintos trabajos

Roobia — Thu, 15 Oct 2026 07:52:33 +0000

Muse Wonder frente a Claude Opus 5.5: mismo precio, distintos trabajos

Muse Wonder y Claude Opus 5.5 tienen exactamente el mismo precio en sus API de primera parte: 4 USD por millón de tokens de entrada, 20 USD por millón de tokens de salida, 0,20 USD por millón de tokens de entrada en caché y una ventana de contexto de 1 millón de tokens. Esa igualdad elimina el precio como variable y deja una pregunta más útil: ¿qué modelo hace mejor cada trabajo? En el índice independiente de Artificial Analysis, Opus 5.5 obtiene 58 frente a 52 para Wonder. En los benchmarks agénticos publicados por Meta, el hermano mayor de Wonder lidera en ejecuciones largas de programación y tareas legales, mientras que el Wonder disponible por API supera a Opus en SWE-Marathon. Por tarea, Wonder resultó más barato: 4,52 USD frente a 5,98 USD.

Prueba Apidog hoy

Esta comparación cubre especificaciones, benchmarks, coste por tarea, herramientas, condiciones de datos y recomendaciones prácticas. Para un análisis detallado del modelo de Meta, consulta el explicador de Muse Wonder.

Especificaciones

	Muse Wonder	Claude Opus 5.5
ID del modelo	`muse-wonder-1.0`	`claude-opus-5-5`
Entrada / salida / caché por 1M	4 / 20 / 0,20 USD	4 / 20 / 0,20 USD por lectura de caché
Contexto	1 millón de tokens	1 millón de tokens
Entradas	Texto, imagen, vídeo, audio	Texto, imagen, PDF
Formatos de API	Responses, Chat Completions, Messages	Messages, más endpoint compatible con OpenAI
Control de razonamiento	`effort` de `minimal` a `max`; siempre razona	Niveles de `effort`; pensamiento extendido
Límites de velocidad en primera parte	3.000 RPM, 4M TPM por equipo	Por niveles según gasto
Hermano mayor	Muse Wonder Full, solo en Muse Code	Ninguno
Pesos	Cerrados	Cerrados

Dos diferencias importan antes de mirar cualquier benchmark. Wonder acepta vídeo y audio de forma nativa; Opus 5.5 no. Además, Opus 5.5 es el modelo más alto de su línea, mientras que Meta posiciona Wonder como el menor de dos modelos. Si un gráfico de Meta muestra a Wonder superando a Opus, comprueba si la barra corresponde a Wonder o a Wonder Full.

Benchmarks: la tabla de Meta

Estos resultados provienen de la ficha del modelo de Meta, con esfuerzo máximo y comparando el Wonder disponible por API con Opus 5.5:

Benchmark	Muse Wonder	Claude Opus 5.5	Ganador
Artificial Analysis Intelligence Index	52	58	Opus 5.5
Harvey LAB-AA, legal	10.0	4.2	Wonder
AutomationBench-AA	39.1	41.2	Opus 5.5
JobBench	70.5	75.4	Opus 5.5
DeepSWE 1.1	78.8	74.2	Wonder
SWE-Marathon	53.1	46.3	Wonder
Terminal-Bench 4.0-AA	52.0	59.6	Opus 5.5
HealthBench Pro	60.5	65.6	Opus 5.5

Opus gana cinco de ocho filas incluso en la tabla publicada por Meta. Wonder gana las dos pruebas de ingeniería de software y la prueba legal. Su margen más claro es SWE-Marathon, con 6,8 puntos: tareas largas de programación en las que el agente tiene que seguir avanzando después de muchos pasos.

Benchmarks: la visión independiente

Artificial Analysis evaluó ambos modelos con esfuerzo máximo:

Métrica	Muse Wonder	Claude Opus 5.5
Intelligence Index v4.3	52	58
AA-Omniscience, conocimiento	25	46
Tasa de alucinación	27%	No está en la misma tabla
GDPval-AA, Elo	n/d; Wonder Full: 1857	1866
Coding Agents Index	63	66 con Claude Code
Tokens de salida por tarea del índice	~54.000	No indicado
Coste por tarea del índice	4,52 USD	5,98 USD

La mayor diferencia individual es la de conocimiento: con esta métrica, Opus conoce casi el doble de hechos que Wonder. Para productos que dependen de recuperación de información, Wonder necesita fundamentación externa más a menudo; Opus a veces puede omitirla sin perder tantos hechos. En agentes de programación, Claude Code con Opus 5.5 supera a Wonder por 66 contra 63. Solo Wonder Full alcanza 68.

Coste por tarea, no por token

Las tarifas son idénticas, pero las facturas no. Artificial Analysis midió 4,52 USD por tarea para Wonder y 5,98 USD para Opus. La diferencia proviene del volumen de salida: Wonder gastó 1,08 USD de sus 4,52 USD en tokens de salida y 3,43 USD en entrada, sobre todo escrituras y lecturas de caché. El coste de Opus se inclina hacia la salida.

El patrón más barato depende del tráfico:

Un bucle agéntico largo que reenvía un prefijo estable favorece el perfil intensivo en caché de Wonder, con 0,20 USD por millón de tokens cacheados.
Una tarea que genera respuestas largas desde prompts cortos reduce la ventaja porque el precio de salida domina.

Puedes estimar el coste de cada respuesta con la misma tarifa base:

coste =
  (tokens de entrada / 1.000.000 × 4)
+ (tokens de salida / 1.000.000 × 20)
+ (tokens de entrada en caché / 1.000.000 × 0,20)

El cálculo de caché de Opus 5.5 y el artículo de precios de Muse Wonder desarrollan ejemplos con más detalle. La regla práctica es la misma para ambos: lee usage en cada respuesta y calcula el coste con tu propio tráfico.

Herramientas y ecosistema

Claude Opus 5.5 tiene el ecosistema más maduro: Claude Code, Agent SDK, Managed Agents, disponibilidad en Bedrock, Google Cloud y Microsoft Foundry, además de un año de integraciones de terceros. Sus tareas de 18 horas marcan el referente actual para agentes de largo horizonte expuestos mediante API.

Muse Wonder se lanzó el 12 de octubre de 2026, por lo que su ecosistema todavía tiene días. Ofrece la API de Meta con tres formatos de solicitud, Muse Code, Vercel AI Gateway y Cloudflare Workers AI. La documentación de Meta muestra cómo ejecutar Claude Code y Codex apuntándolos a api.meta.ai, una jugada directa por los usuarios de los ecosistemas de Anthropic y OpenAI. Todavía no hay equivalente a Managed Agents, y la retención de datos cero de Meta desactiva estado en el servidor, solicitudes en segundo plano, subidas de archivos y búsqueda web.

La semana de lanzamiento también incluyó un error que agotaba cuotas en Muse Code, corregido el mismo día. Es razonable esperar asperezas durante aproximadamente un mes.

Seguridad y datos

Ambos proveedores recomiendan confirmación humana antes de acciones agénticas importantes.

Meta entrenó Wonder para pedir confirmación antes de acciones importantes y evitar compartir información privada sin permiso. Su informe completo de seguridad sigue pendiente, y Meta no pudo descartar capacidad química y biológica de alto riesgo sin salvaguardas.

Anthropic publica fichas de sistema en el lanzamiento. Su cifra del 85% en resistencia a inyección de prompts se analiza en el artículo sobre inyección de prompts en Opus 5.5.

En datos, el modo Standard de la API de Meta no entrena con tu tráfico. Las suscripciones de Muse Code usan por defecto el modo Contributor, que sí entrena. Anthropic tampoco entrena con el tráfico de la API por defecto.

Qué trabajo corresponde a cada uno

Trabajo	Elección	Motivo
Agente de programación de larga ejecución, con muchos pasos y obstáculos esperados	Probar Wonder	SWE-Marathon: 53.1 frente a 46.3; perfil de coste intensivo en caché
Agentes sobre documentos legales	Probar Wonder	Harvey LAB: 10.0 frente a 4.2
Preguntas y respuestas factuales, asistentes de investigación	Opus 5.5	Omniscience: 46 frente a 25
Agentes de terminal y DevOps	Opus 5.5	Terminal-Bench: 59.6 frente a 52.0
Salud y asesoramiento profesional	Opus 5.5	HealthBench: 65.6 frente a 60.5
Entrada de vídeo o audio	Wonder	Opus 5.5 no las acepta
Despliegues en Bedrock, Google Cloud o Foundry	Opus 5.5	Wonder solo está en primera parte, Vercel y Cloudflare
Programación interactiva con el modelo más fuerte disponible	Opus 5.5 por API, o Wonder Full mediante Muse Code	Wonder Full solo está disponible por suscripción

El resumen honesto es directo: Opus 5.5 es el modelo general más inteligente y la opción predeterminada más segura. Wonder merece una prueba cuando tu carga se parece a los benchmarks de Meta: ejecuciones agénticas largas con herramientas, tareas legales o entradas de vídeo y audio.

Ejecuta la comparación en Apidog

Como ambos modelos aceptan solicitudes estilo OpenAI y estilo Anthropic, un proyecto de Apidog puede mantener la misma prueba contra ambos.

Crea un entorno Meta con base_url igual a https://api.meta.ai/v1.
Crea un entorno Anthropic con su URL base.
Guarda cada clave como variable secreta.
Construye una solicitud Responses para Wonder y una solicitud Messages para Opus.
Usa el mismo prompt de sistema, las mismas herramientas y la misma tarea.
Valida la salida estructurada que necesites.
Añade un posprocesador que registre usage y el coste calculado en dólares por ejecución.
Ejecuta cada modelo con el nivel de effort que usarías en producción, no con el máximo por defecto.

Diez tareas propias te dirán más que cualquier tabla de proveedor. Descarga Apidog y mantén ambos modelos lado a lado.

Preguntas frecuentes

¿Es Muse Wonder mejor que Claude Opus 5.5?

En conjunto, no. Opus 5.5 lidera el índice independiente por 58 contra 52 y gana cinco de ocho filas en la tabla de Meta. Wonder lidera en ingeniería de software y benchmarks legales, además de tener un coste menor por tarea.

¿Cuestan lo mismo?

Sí, en tarifa de lista: 4 USD por entrada, 20 USD por salida y 0,20 USD por entrada en caché por millón de tokens. Por tarea, Artificial Analysis midió Wonder en 4,52 USD y Opus en 5,98 USD.

¿Cuál es mejor para Claude Code?

Claude Code se creó para Claude. Puede ejecutarse sobre Wonder mediante el endpoint Messages de Meta, pero el Coding Agents Index sitúa Claude Code con Opus en 66 frente a Wonder con 63. La brecha solo se cierra con Wonder Full, que no tiene API.

¿Cambia la respuesta Muse Wonder Full?

En benchmarks, sí: Wonder Full obtiene 56 en el índice y lidera la mayoría de filas agénticas. En la práctica, no, salvo que trabajes dentro de Muse Code, porque Full no puede desplegarse por API.

Siguiente paso

Toma tu tarea agéntica más larga, ejecútala en ambos modelos con el nivel de effort que usarías en producción y compara intervenciones humanas, calidad de salida y usage. Aquí el precio no es el desempate: deja que decida el trabajo.

Benchmarks de Muse Wonder

Roobia — Thu, 15 Oct 2026 07:42:14 +0000

Benchmarks de Muse Wonder

Muse Wonder Full obtiene 56 en el Artificial Analysis Intelligence Index, mientras que Muse Wonder alcanza 52. Eso los coloca detrás de Claude Opus 5.5, con 58, y de Claude Sonnet 5.5, con 56, pero por delante de GPT-6 Astra, Gemini 4 Argon y Claude Fable 5.1, todos con 53. La ficha oficial de Meta cuenta una historia diferente: Wonder Full lidera en programación prolongada, trabajo legal, automatización empresarial y memoria. Ambas lecturas pueden ser correctas porque miden cosas distintas, y entender esa diferencia es más útil que elegir un único número ganador.

Prueba Apidog hoy

Este análisis reúne las cifras publicadas por Meta y por evaluadores independientes, explica qué mide cada benchmark, identifica dónde lidera Wonder, dónde se queda atrás y cuáles resultados no pueden reproducirse fuera de Meta. Para una visión general del modelo, consulta el artículo explicativo de Muse Wonder.

La tabla de la ficha de modelo de Meta

Meta comparó Muse Wonder Full, Muse Wonder, GPT-6 Astra y Claude Opus 5.5 usando el máximo nivel de esfuerzo de razonamiento. Según el informe de VentureBeat sobre la ficha oficial, estos fueron los resultados:

Benchmark	Qué mide	Wonder Full	Wonder	GPT-6 Astra	Claude Opus 5.5
Artificial Analysis Intelligence Index	Compuesto de diez evaluaciones	56	52	53	58
Harvey LAB-AA	Tareas de agente legal	13.1	10.0	8.6	4.2
AutomationBench-AA	Automatización de procesos empresariales	45.4	39.1	41.6	41.2
JobBench	Trabajo profesional	75.3	70.5	66.1	75.4
DeepSWE 1.1	Ingeniería de software	79.0	78.8	74.1	74.2
SWE-Marathon	Ejecuciones prolongadas de código	57.5	53.1	42.5	46.3
Terminal-Bench 4.0-AA	Tareas de agente en terminal	57.1	52.0	59.1	59.6
HealthBench Pro	Preguntas de salud	62.3	60.5	65.3	65.6

El patrón es claro cuando se lee la tabla por filas. Wonder Full domina las tareas largas y agénticas: gana SWE-Marathon por 11 puntos sobre Opus 5.5, DeepSWE por casi cinco puntos y Harvey LAB por un factor de tres. En cambio, queda detrás en tareas de terminal, salud y en el índice compuesto. Incluso dentro de la tabla de Meta, Opus 5.5 sigue siendo el modelo más fuerte en conjunto; Wonder Full es el más persistente en trabajos extensos.

Meta incluye dos advertencias importantes. Primero, los modelos de la competencia se ejecutaron con el mejor esfuerzo posible, pero con configuraciones que podrían no haber sido óptimas para ellos. Segundo, algunas comparaciones de código usaron herramientas distintas, por lo que esas filas son menos controladas que el resto de la tabla.

Los benchmarks internos de Meta: memoria y enfoque

Tres cifras del material de lanzamiento provienen de pruebas que solo Meta puede ejecutar.

Benchmark	Wonder Full	Wonder	GPT-6 Astra	Claude Opus 5.5	Claude Fable 5.1
MemoryBench	85.5	85.6	81.4	81.5	79.0
FocusBench	54.2	44.9	47.7	45.8	36.6

MemoryBench oculta hechos dentro de conversaciones de entre 64K y 100K tokens, añade distractores y modifica algunos hechos a mitad de la conversación. El modelo debe recordar la versión vigente. Meta presenta esta prueba como evidencia de Active Memory.

FocusBench evalúa si un modelo continúa persiguiendo su objetivo despite los obstáculos, lo que corresponde a Active Focus. Es importante notar que el Wonder más pequeño queda por debajo de Astra y Opus en FocusBench; solo Wonder Full lidera.

La tercera cifra interna, el Personal Superintelligence Index, no tiene comparación pública con modelos competidores.

Estas pruebas describen comportamientos plausibles y relevantes, pero también son exactamente los comportamientos para los que Meta entrenó el modelo. Hasta que un tercero pueda ejecutarlas, es más riguroso tratarlas como una descripción del objetivo de entrenamiento que como evidencia independiente.

Las puntuaciones independientes: Artificial Analysis

Artificial Analysis evaluó ambos modelos con su Intelligence Index v4.3 en modo de esfuerzo máximo. Estos son el índice compuesto y sus componentes:

Evaluación	Wonder Full	Wonder	Muse Spark 1.3	Comparación destacada
Intelligence Index	56	52	48	Opus 5.5: 58; Sonnet 5.5: 56; Astra / Argon / Fable 5.1: 53; Grok 4.6: 44
Terminal-Bench 4.0	57%	52%	33%	Gemini 4 Argon: 57%
GDPval-AA, Elo	1857, #2	n/a	1681	Opus 5.5: 1866; Sonnet 5.5: 1838
AA-Briefcase, Elo	1729, #3	n/a	1581	—
CritPt	33%, #1	n/a	n/a	Rivales más cercanos: 31% a 32%
GDP.pdf	33%, #1	n/a	n/a	Rivales más cercanos: 31% a 32%
SciCode	63%, #3	n/a	n/a	—
AA-Omniscience, conocimiento	30	25	25	Opus 5.5: 46; Astra: 43; Argon: 42; Sonnet 5.5: 32
Tasa de alucinación	23%	27%	33%	Gemini 4 Argon: 15%
Coding Agents Index	68	63	54	Claude Code con Sonnet 5.5: 68; Opus 5.5: 66

Tres conclusiones destacan.

El salto desde Muse Spark es real

Wonder Full gana ocho puntos en el índice compuesto respecto a Muse Spark 1.3 en seis semanas, y su resultado en Terminal-Bench casi se duplica. Artificial Analysis lo describe como un salto material en inteligencia respecto a modelos anteriores de Meta.

El conocimiento es el punto débil

Un resultado de 30 en AA-Omniscience, frente a 46 para Opus 5.5, indica que Wonder Full conoce menos hechos. Su menor tasa de alucinación sugiere, sin embargo, que es menos propenso a inventarlos. Para productos que dependen de recuperación factual, esto favorece usar búsqueda o documentos propios en lugar de confiar en la memoria paramétrica del modelo.

Varias ventajas son estrechas

CritPt y GDP.pdf superan a los rivales más cercanos por apenas uno o dos puntos. La ventaja de GDPval sobre Sonnet 5.5 está dentro de los intervalos de confianza. El empate en Coding Agents Index con Claude Code usando Sonnet 5.5 es especialmente relevante para quien elige un runtime de agentes, pero ese resultado pertenece a Wonder Full, no al modelo disponible por API.

La fila donde Meta y Artificial Analysis discrepan

La ficha de Meta muestra 59.0 para Wonder Full en una fila identificada como Artificial Analysis Intelligence Index. Artificial Analysis publica 56. La diferencia puede deberse a una versión distinta del índice, fechas de ejecución diferentes o al propio arnés de evaluación de Meta, pero ninguna de las dos partes ha explicado públicamente la causa.

La regla práctica es simple: si ves 59, es la cifra de Meta; si ves 56, es la independiente.

La misma ambigüedad aparece en AutomationBench. Meta reporta 45.4 para Wonder Full y 39.1 para Wonder, mientras que Artificial Analysis reporta 71% y 68% en lo que parece ser una versión diferente de la prueba. Por eso, cita siempre la fuente junto con el número.

Tokens y coste detrás de las puntuaciones

El esfuerzo máximo tiene un coste medible en tokens. Artificial Analysis registró aproximadamente 54,000 tokens de salida por tarea para ambos modelos Wonder, frente a 62,000 para Gemini 4 Argon, 78,000 para Claude Fable 5.1 y 27,000 para GPT-6 Astra.

En tokens de entrada, Wonder usó 7.69 millones en el índice y Wonder Full usó 6.44 millones, entre dos y siete veces más que los modelos de OpenAI y Google incluidos en la comparación.

El resultado es un coste por tarea de 4.52 dólares para Wonder: menor que los 5.98 dólares de Opus 5.5, pero mayor que los 3.26 dólares de Astra, a pesar de que Astra tiene un precio de lista 2.5 veces más alto. La publicación sobre precios analiza el impacto en cargas reales.

Qué probar por tu cuenta

Los benchmarks sirven para decidir dónde mirar, no qué enviar directamente a producción. Si quieres validar las fortalezas agénticas afirmadas por Meta, usa una tarea larga propia:

Una refactorización de 30 pasos.
Una revisión multidocumento.
Un flujo con varias herramientas y fallos deliberados.
Un caso real con salida estructurada obligatoria.

En Apidog, configura los mismos prompts y definiciones de herramientas para Muse Wonder, Claude Opus 5.5 y tu modelo actual. Valida la salida estructurada y compara el campo usage en cada respuesta para medir calidad, tokens y coste en las mismas condiciones.

El arnés de pruebas para llamadas a herramientas y la guía de pruebas de agentes no deterministas cubren la configuración paso a paso. También puedes descargar Apidog y ejecutar las pruebas en paralelo.

Recuerda que la API sirve Muse Wonder, no Muse Wonder Full. Muchos titulares sobre el modelo frontera de Meta pueden referirse al modelo que no está disponible por API.

Preguntas frecuentes

¿Es Muse Wonder el mejor modelo disponible?

No según el índice compuesto independiente. Claude Opus 5.5 obtiene 58, frente a 56 para Wonder Full y 52 para Wonder. Wonder Full lidera benchmarks agénticos específicos como SWE-Marathon, DeepSWE, Harvey LAB y FocusBench.

¿Qué benchmarks puedo creer?

Las ejecuciones de Artificial Analysis son independientes y reproducibles. La tabla cruzada de Meta fue ejecutada por Meta, con configuraciones de mejor esfuerzo para la competencia. MemoryBench, FocusBench y el Personal Superintelligence Index solo pueden ejecutarse dentro de Meta.

¿Cómo se compara con Gemini 4 Argon?

Argon obtiene 53 en el índice, frente a 52 para Wonder, a la mitad del precio. Empata con Wonder Full en Terminal-Bench con 57% y tiene una tasa de alucinación menor: 15% frente a 27% para Wonder. La publicación de benchmarks de Gemini 4 Argon incluye su tabla completa.

¿El esfuerzo máximo convierte Muse Wonder en Muse Wonder Full?

No. El parámetro de esfuerzo controla cuánto razona el modelo; no transforma muse-wonder-1.0 en Muse Wonder Full.

Siguiente paso

Elige el benchmark más cercano a tu carga real: SWE-Marathon para tareas largas de código, AA-Omniscience para recuperación de hechos o Coding Agents Index para runtimes de agentes. Después, traduce ese benchmark en una prueba propia con tus prompts, herramientas y datos. El número compuesto puede orientar la comparación inicial, pero no debería tomar la decisión de producción por ti.

Precio de Muse Wonder: $4/$20 por millón de tokens, caché, planes de Muse Code y coste real de una tarea

Roobia — Thu, 15 Oct 2026 07:39:37 +0000

Muse Wonder cuesta $4 por millón de tokens de entrada, $20 por millón de tokens de salida y $0.20 por millón de tokens de entrada en caché en la Meta Model API. Los tokens de razonamiento se facturan como salida. No hay recargo por contexto largo en toda la ventana de 1M de tokens, nivel por lotes ni créditos gratuitos. La búsqueda web añade $2.50 por 1.000 consultas. Muse Wonder Full no tiene precio de API; se incluye con las suscripciones de Muse Code de $50 o $200 al mes.

Prueba Apidog hoy

Estos números son precios de lista. Este artículo muestra qué significan en solicitudes reales, dónde se acumula el coste, cómo se compara Wonder con modelos de precio cercano y qué incluyen las suscripciones de Muse Code y de la app Muse. Para el modelo en sí, lee el explicador de Muse Wonder; para hacer las llamadas, sigue la guía de API.

Tabla de precios de la API de Muse Wonder

Elemento	Precio
Entrada	$4.00 por 1M de tokens
Entrada en caché	$0.20 por 1M de tokens, un 95% de descuento
Salida, incluidos los tokens de razonamiento	$20.00 por 1M de tokens
Herramienta de búsqueda web	$2.50 por 1.000 consultas, más tokens
Recargo por contexto largo	Ninguno; misma tarifa hasta 1.048.576 tokens
Descuento por lotes	Ninguno indicado
Retención de datos cero	Mismo precio que Standard, requiere aprobación
Nivel gratuito o créditos	Ninguno

El contexto de dirección propio de Meta no se factura y no aparece en usage. Los tokens en caché se devuelven en input_tokens_details.cached_tokens; los tokens de razonamiento, en output_tokens_details.reasoning_tokens. Como ambos campos están en cada respuesta, puedes auditar la factura directamente desde el resultado de la API.

Como referencia, Muse Spark 1.3, el modelo anterior de Meta, cuesta $1.25 / $4.25 / $0.15. Wonder cuesta 3.2 veces más por entrada y 4.7 veces más por salida, a cambio de una mejora de cuatro puntos en el índice de Artificial Analysis: de 48 a 52.

Ejemplos calculados

Estos tres escenarios usan el precio de lista y no aplican caché:

Solicitud	Tokens de entrada	Tokens de salida	Coste
Respuesta corta, esfuerzo `low`	2.000	800, incluidos 300 de razonamiento	$0.024
Revisión de documento, esfuerzo `medium`, contrato de alquiler de 60 páginas	45.000	6.000, incluidos 3.500 de razonamiento	$0.30
Ejecución de agente, esfuerzo `high`, 40 llamadas a herramientas	400.000 acumulados	30.000, incluidos 18.000 de razonamiento	$2.20

La tercera fila es donde Wonder encaja mejor y donde la factura crece. Un bucle agéntico reenvía la conversación creciente en cada turno, por lo que una ejecución de 40 pasos puede consumir 400.000 tokens de entrada aunque ningún prompt individual sea grande. Si el prefijo es estable, la cachéanalysis.ai/articles/muse-wonder) ejecutó su Intelligence Index en todos los modelos de frontera con el máximo esfuerzo de razonamiento y publicó el coste por tarea del índice:

Modelo	Precio de lista, entrada / salida	Coste por tarea del índice
GPT-6.1 Sol	$2 / $10	$0.72
Gemini 4 Argon	$2 / $10	$1.99
GPT-6 Astra	$10 / $50	$3.26
Muse Wonder	$4 / $20	$4.52
Claude Sonnet 5.5	$2 / $10	$5.46
Claude Opus 5.5	$4 / $20	$5.98
Claude Fable 5.1	$10 / $50	$7.63

Wonder es más barato por tarea que ambos modelos de Claude, pero más caro que GPT-6 Astra, cuyo precio de lista es 2.5 veces mayor. La explicación está en el volumen de tokens. Wonder consumió 7,69 millones de tokens de entrada en todo el índice, entre dos y siete veces más que los modelos de OpenAI y Google, además de unos 54.000 tokens de salida por tarea. Sus $4.52 se dividían en $3.43 de entrada —$1.92 en escrituras de caché, $1.44 en aciertos de caché y $0.07 sin caché— y $1.08 de salida.

Hay dos lecciones prácticas. Primero, Wonder depende intensamente de la caché, así que una carga de trabajo que anule el almacenamiento en caché puede costar bastante más de $4.52 por una tarea comparable. Segundo, la tarifa de entrada de $10 de Astra compra menos tokens y más concisos; los tokens baratos y las tareas baratas no son equivalentes. Mide tus propias tareas antes de cambiar de modelo.

El esfuerzo de razonamiento es un dial de precio

Cada nivel de esfuerzo por encima de minimal añade tokens de razonamiento facturados a $20 por millón. Meta recomienda usar el nivel más bajo que produzca resultados aceptables; none se rechaza con un error 400.

En el ejemplo del contrato de alquiler, pasar de medium a max podría triplicar de forma plausible la proporción de razonamiento y aumentar la solicitud de $0.30 a alrededor de $0.60 sin cambiar la entrada. Registra reasoning_tokens por tipo de solicitud durante una semana y obtendrás tus tarifas reales por nivel de esfuerzo.

Planes de Muse Code: dónde vive Muse Wonder Full

Muse Code es el agente de programación de Meta para terminal. Puede facturarse por token, pero la mayoría de usuarios elige una suscripción:

Plan	Precio	Uso frente a Everyday	Modelos
Everyday Usage	$5 / mes	1x, entre 10 y 50 prompts cada 5 horas	Muse Spark, Muse Wonder, Muse Image
High Usage	$15 / mes	5x	Los mismos
Power Usage	$50 / mes	20x	Añade Muse Wonder Full, funciones tempranas y subidas mayores
Maximum Usage	$200 / mes	80x	Igual que Power

Antes de suscribirte, ten en cuenta dos puntos. Las suscripciones usan por defecto el modo Contributor, que permite a Meta usar tus prompts, código y salidas para entrenar modelos futuros a cambio de más uso; puedes desactivarlo y el contenido futuro deja de usarse. Además, el plan de $5 es la forma más barata de probar Muse Wonder con un coste mensual fijo, porque la API no tiene nivel gratuito. Muse Wonder Full no tiene precio por token publicado; el plan Power de $50 es su punto de acceso más bajo.

App Muse de consumo

La app del agente personal Muse es gratuita de usar, pero Muse Wonder se está lanzando primero a suscriptores de los niveles mensuales de $20 y $100. Meta no ha indicado cuándo o si los usuarios gratuitos lo recibirán. Si solo quieres probar el modelo, la API, con un coste de pocos céntimos por llamada, es más barata que cualquiera de las dos suscripciones.

Cómo se compara Muse Wonder en precio

Modelo	Entrada	Salida	Entrada en caché	Contexto
Muse Wonder	$4	$20	$0.20	1M
Claude Opus 5.5	$4	$20	$0.20 cache read	1M
Claude Sonnet 51.25	$4.25	$0.15	1M

Wonder coincide exactamente con la tarifa de Claude Opus 5.5, es 60% más barato que GPT-6 Astra y Claude Fable 5.1, y cuesta el doble que Claude Sonnet 5.5 y Gemini 4 Argon. En el índice independienteog.com/es/blog/muse-wonder-vs-claude-opus-5-5?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) analiza la comparación al mismo precio.

Controla el coste por solicitud en Apidog

Las páginas de precios indican tarifas; tus bloques usage indican costes reales. En [A", cost.toFixed(5));
pm.test("cache is working", () => pm.expect(cached).to.be.above(0));




Ejecuta el mismo prompt con esfuerzo `low`, `medium` y `max` como tres solicitudes distintas. La variable de entorno te dará el coste por esfuerzo en tu propia tarea. Después, coloca el escenario en CI con el CLI de Apidog: si Meta cambia un precio, verás una aserción fallida en lugar de una factura sorpresa. [Descarga Apidog](https://apidog.com/download?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) para configurarlo.

## Preguntas frecuentes

**¿Hay desc Full?**  
No se ha publicado ningún precio. Se incluye con Muse Code Power, de $50 al mes, y Maximum, de $200 al mes, y no se vende por la API.

**¿Es Muse Wonder más barato que Claude Opus 5.5?**  
El precio.52 frente a $5.98 de Opus 5.5 porque usó menos tokens de salida, que son los más caros.

## Siguiente paso

Mide una tarea real de tres formas: tu modelo actual, Muse Wonder con esfuerzo `medium` y Muse Wonder con esfuerzo `max`. Usa el script anterior para que los números vengan de `usage`, no de una tabla de tarifas.

¿Qué es REA (Reverse Engineer Anything)? El servidor MCP que alcanzó 115.000 estrellas en GitHub en una semana

Roobia — Tue, 13 Oct 2026 03:03:04 +0000

¿Qué es REA (Reverse Engineer Anything)? El servidor MCP que alcanzó 115.000 estrellas en GitHub en una semana

REA, abreviatura de Reverse Engineer Anything, es un servidor MCP y una CLI de código abierto que proporcionan a un agente de programación las herramientas para desmontar software sin su código fuente. Apunta a Claude Code, Codex, Cursor u otro agente hacia un binario nativo, una aplicación Electron, un ensamblado .NET, un APK de Android, un sitio web o una captura de red guardada, pregunta cómo funciona una función y REA devuelve pseudocódigo, gráficos de módulos, registros de solicitudes y la evidencia detrás de cada afirmación. Después, el agente explica el comportamiento o lo reconstruye.

Prueba Apidog hoy

El repositorio morluto/rea se creó en abril de 2026 y permaneció casi inadvertido hasta la primera semana de octubre. El 12 de octubre ya había superado las 115.000 estrellas y los 25.000 forks, una de las subidas más rápidas que GitHub ha visto. Esta guía cubre qué hace REA, cómo instalarlo, dónde es fuerte, dónde el bombo supera la realidad y la parte que la mayoría de la cobertura omite: REA lee capturas HAR y mitmproxy, lo que lo convierte en un front end para la ingeniería inversa de APIs que puedes terminar en Apidog.

Los números detrás del bombo

El seguimiento diario de Trendshift muestra la forma del pico. REA apareció por primera vez en la lista de tendencias el 4 de octubre con unas 1.400 estrellas nuevas en un día. Después creció de forma compuesta durante una semana.

Fecha	Nuevas estrellas ese día
4 oct.	1.373
7 oct.	5.602
9 oct.	19.375
10 oct.	26.572
11 oct.	31.255

El repositorio mantuvo el primer puesto en GitHub Trending durante cinco de los siete días del 6 al 12 de octubre. Las versiones siguieron el mismo ritmo: la 3.2 llegó el 3 de octubre, la 4.0 el 5, la 5.0 el 7, la 6.0 el 8 y de la 6.1 a la 6.4 entre el 9 y el 11 de octubre. Ese ritmo importa para quien lo adopta, y volveremos a ello.

Ningún tuit ni publicación de lanzamiento explica el salto por sí solo. El argumento hizo el trabajo: “Ve una función que te gusta. Entiende cómo funciona, hasta el nivel del binario”. Los vídeos de agentes reconstruyendo aplicaciones de escritorio desde sus binarios se difundieron rápido, junto con las afirmaciones habituales de que el software está acabado. La lectura más útil es más estrecha. REA es un conector bien empaquetado entre agentes y herramientas de ingeniería inversa que ya existían.

Qué hace REA

REA se ejecuta como un servidor MCP local. Tu agente llama a sus herramientas, REA inspecciona el objetivo con el motor adecuado y el agente recibe hallazgos estructurados junto con sus limitaciones e incógnitas. Los mismos flujos de trabajo están disponibles como comandos CLI, así puedes automatizarlos sin ningún agente.

Lo que analiza, según la tabla de objetivos del README:

Objetivo	Qué devuelve REA	Necesita
Binarios nativos	Pseudocódigo, ensamblador, cadenas, símbolos, referencias cruzadas	Hopper, Ghidra o IDA
Binarios Go	Versión del compilador, módulos, ajustes de compilación	Nada adicional
Aplicaciones JavaScript y Electron	Módulos, importaciones, source maps, rutas, límites IPC	Solo Node.js
Sitios web	Estructura de la página, scripts, observaciones de red, capturas de pantalla	Un navegador de la familia Chrome
Capturas de red guardadas	Solicitudes, respuestas, payloads, ubicaciones de origen	HAR; mitmdump en Linux para mitmproxy
Ensamblados .NET	Metadatos, CIL, dependencias nativas	Nada adicional
APKs y dispositivos Android	Manifiesto, métodos descompilados, registros, capturas de pantalla	JADX más un JDK; adb
Firmware	Regiones, resultados de extracción	Binwalk o Unblob en Linux
Bytecode WASM y EVM	Secciones, importaciones y exportaciones, selectores de dispatch	WABT; Linux x64

La decisión de diseño que distingue a REA de un envoltorio delgado es el modelo de evidencia. Cada resultado lleva su procedencia: resúmenes de archivos, rangos de bytes, punteros JSON hacia la captura y una lista explícita de lo que el análisis no pudo establecer. El proyecto lo repite en su documentación. El análisis se ejecuta en tu máquina, pero el FAQ del README es directo: el proveedor del modelo del agente sigue recibiendo los resultados de las herramientas según su propia política de datos.

Cómo instalar REA

Necesitas Node.js 22.19 o posterior (23 y 25 no son compatibles) y npm. Un comando registra el servidor MCP e instala las instrucciones de skill correspondientes para tu agente:

npx rea-agents setup

La configuración muestra un plan, hace una copia de seguridad de la configuración existente y solo escribe después de tu aprobación. Según la guía de instalación, es compatible con Claude Code, Claude Desktop, Codex, Cursor, Gemini CLI, Windsurf, Devin, OpenCode, Antigravity, GitHub Copilot CLI, VS Code, Grok Build, Hermes y más, seleccionables con un marcador --client. Reinicia el agente después y pregúntale algo como:

Understand how search works in the Notes app, show me the evidence,
and build a similar feature for my project.

Para una CLI global:

npm install --global rea-agents
rea doctor --json

El análisis de JavaScript estático, .NET, sitios web y capturas funciona sin ningún motor adicional. El análisis nativo profundo necesita Hopper, Ghidra 12.1 con JDK 21 o superior, o IDA. La configuración puede instalar Hopper con tu aprobación, pero Hopper es un software comercial independiente con su propia licencia. Ghidra en Windows está marcado como experimental.

En qué es bueno, según los ejemplos destacados

Los casos de estudio del propio proyecto son el punto de referencia más honesto. En el estudio de DX-Boll, el agente siguió una llamada de sonido hasta su helper de posición a panorámica, convirtió pseudocódigo incompleto en C y la reconstrucción superó los 3.205 casos de prueba x86 originales mientras reproducía los 63 bytes de la función compilada. En el estudio de Notion, rastreó la API del portapapeles desde el renderer, a través de preload e IPC, hasta el proceso principal de Electron. Un tercero recuperó un cálculo de ángulo de anillo de balas a partir de instrucciones de 16 bits de un juego para PC-98 de los años noventa.

Observa el patrón. Son preguntas con un alcance estrecho sobre una función o una ruta de datos, con una forma de verificar la respuesta. Ahí funciona hoy la ingeniería inversa dirigida por agentes. Las demostraciones de “reconstruye esta aplicación completa” lucen bien en vídeo y producen algo parecido al objetivo, pero una reseña temprana que comparó REA con un agente básico en una aplicación Mac sencilla encontró una diferencia pequeña y una ejecución más lenta con REA. El valor aparece cuando la pregunta es específica y el objetivo es complejo.

REA para trabajo con APIs: de la captura a una especificación probada

Aquí está la parte relevante para cualquiera que construya contra APIs. La herramienta inspect_web_network_capture de REA lee un archivo HAR (o una captura nativa de mitmproxy en Linux) sin conexión. Nunca vuelve a solicitar las URLs grabadas. Valida cada entrada, conserva los cuerpos de solicitud y respuesta con sus resúmenes criptográficos y excluye estructuralmente de la evidencia los encabezados de autorización, las cookies y las credenciales de la URL.

Luego hace algo que un equipo de APIs reconocerá de inmediato. Pasa la evidencia retenida a inspect_analysis_view con la vista api-surface y REA agrupa cada solicitud por método, origen y plantilla de ruta inferida. Los IDs numéricos se convierten en {numeric}, los UUID en {uuid}, las cadenas hexadecimales largas en {hex} y las fechas en {iso-date}. Cada grupo cita los registros de los que proviene y marca estados o tipos de contenido mixtos. La guía de capturas tiene cuidado al decir que la vista no hace afirmaciones sobre esquemas ni manejadores. Es un inventario inferido, no una especificación.

Ese inventario es exactamente el punto de partida del flujo de nuestra guía de ingeniería inversa de APIs, y Apidog lo termina:

Captura una vez. En Chrome DevTools, reproduce el flujo y guarda todas las solicitudes como un HAR con contenido. Registra con una cuenta de prueba; un HAR incluye tokens activos.
Deja que el agente lo mapee. Pide a tu agente que ejecute REA sobre el HAR y resuma la superficie de la API. Obtienes la lista de endpoints, los patrones de ID y qué llamadas devolvieron errores, con punteros de vuelta a los registros originales.
Importa el mismo HAR en Apidog. Apidog convierte las solicitudes capturadas en endpoints, con una opción para generar un caso de prueba predeterminado por endpoint y descartar recursos estáticos al importar. Nuestra guía de importación de HAR cubre la limpieza.
Promueve las plantillas inferidas a parámetros de ruta reales. Los marcadores {numeric} y {uuid} de REA te indican qué segmentos parametrizar en las definiciones de endpoints de Apidog.
Simula y prueba. Activa el smart mock de Apidog para que tu código cliente pueda ejecutarse contra la API reconstruida antes de tocar la real; luego escribe aserciones sobre las formas de respuesta capturadas y ejecútalas desde la CLI de Apidog en CI.

La división es limpia. REA es bueno leyendo evidencia y explicándola. Apidog es donde los endpoints se convierten en un contrato documentado, simulado y probado que tu equipo puede compartir. Ninguno hace el trabajo del otro.

Advertencias antes de adoptarlo

La velocidad de versiones corta en ambos sentidos. Siete versiones menores se publicaron en nueve días, y la política always-bump-minor del proyecto significa que un aumento menor puede ser disruptivo. La guía de migración a 6.2 cambió la forma de cada resultado MCP. Si escribes scripts contra la salida JSON de REA, fija una versión y lee el changelog antes de actualizar.

Es un conector, no un sandbox. La política de seguridad del proyecto afirma que su puente local de proveedores no es un sandbox y que abrir un binario no confiable ejecuta su análisis con tus permisos de usuario. Analiza objetivos no confiables en un entorno aislado, igual que aislarías las llamadas de herramientas de cualquier agente.

Las limitaciones de plataforma son específicas. La decodificación nativa de mitmproxy necesita exactamente mitmdump 12.2.3, en Linux y suministrado por ti. Las rutas de extracción de firmware, EVM y WASM son para Linux x64. Hopper no tiene versión para Windows.

La responsabilidad legal sigue siendo tuya. El README limita REA a investigación, análisis y reconstrucción legales, y dice que tú eres responsable de la autorización. Copiar una función de la competencia sigue siendo la misma cuestión legal que antes de que existiera la herramienta. El proyecto también ha tenido que declarar que no ha emitido ningún token y que las monedas que usan su nombre no están afiliadas.

Está en una etapa temprana. Más de 100 colaboradores y más de 170 issues y pull requests abiertos al escribir esto. La documentación es exhaustiva, pero espera asperezas fuera de los caminos destacados.

Preguntas frecuentes

¿REA es gratis? Sí. El código tiene licencia MIT y el paquete npm es gratuito. Hopper es un producto de pago si lo eliges para análisis nativo; Ghidra es gratis.

¿REA sube mi aplicación o binario? No. El análisis se ejecuta localmente. Los resultados de las herramientas van al modelo que use tu agente, por lo que se aplica la política de datos de ese proveedor.

¿Necesito Ghidra o IDA para empezar? No para análisis de JavaScript, Electron, .NET, sitios web o capturas. Solo la descompilación de binarios nativos necesita un motor.

¿Puede REA producir una especificación OpenAPI a partir del tráfico? No. Su vista api-surface es un inventario inferido con plantillas de ruta. Importa el HAR en Apidog para obtener definiciones editables de endpoints y exporta OpenAPI desde allí. Descarga Apidog para probar la importación con una captura que ya tengas.

Dónde te deja esto

REA se ganó sus estrellas al empaquetar motores reales de ingeniería inversa detrás de un servidor MCP y documentar la evidencia que devuelve. Úsalo para preguntas con alcance definido: cómo funciona una función, qué canal IPC transporta un mensaje, qué aspecto tiene el tráfico de una aplicación. Trata las demostraciones de reconstruirlo todo como demostraciones.

Para los equipos de APIs, la ventaja práctica es la ruta de captura. Deja que el agente lea el HAR con REA, importa el mismo archivo en Apidog y convierte el inventario en endpoints que puedes simular, probar y documentar.

Evaluaciones comparativas de Claude Haiku 5.5

Roobia — Thu, 08 Oct 2026 04:19:13 +0000

Claude Haiku 5.5 obtiene un 72.4% en OSWorld 2.1, 1620 en GDPval-AA v2.1, 46.4% en FrontierCode 1.1 y 39.2% en Terminal-Bench 4.0. Haiku 4.5 obtuvo 15.7%, 735 y 0.0% en tres de esos benchmarks. Todos son resultados con esfuerzo máximo; con el valor predeterminado medium, GDPval-AA baja a 1277. Ningún laboratorio independiente ha publicado resultados de Haiku 5.5 todavía.

Prueba Apidog hoy

A continuación verás cada benchmark de Claude Haiku 5.5, quién lo ejecutó, cómo el esfuerzo modifica la puntuación y el costo, y cómo validar el modelo con tu propio tráfico en Apidog. Para especificaciones y precios, empieza por qué es Claude Haiku 5.5.

La tabla de lanzamiento

Cada resultado de Haiku 5.5 usa pensamiento adaptativo y esfuerzo máximo, normalmente promediado sobre cinco ejecuciones. Terminal-Bench utilizó diez ejecuciones por tarea. n/r significa que no se publicó ningún resultado.

Benchmark	Haiku 5.5	Haiku 4.5	GPT-6 Luna	Sonnet 5.5
GDPval-AA v2.1 (Elo)	1620	735	1437	1840
AA-Briefcase v1.1 (Elo)	1578	614	1336	1824
OSWorld 2.1, subconjunto offline	72.4%	15.7%	48.9%	83.9%
Humanity’s Last Exam, sin herramientas	45.9%	10.2%	n/r	56.9%
Humanity’s Last Exam, con herramientas	57.4%	18.7%	n/r	64.5%
Terminal-Bench 4.0	39.2%	0.0%	16.4%	70.6%
FrontierCode 1.1 (Principal)	46.4%	n/r	42.4%	52.1% (xhigh)
Chartography, sin herramientas	46.4%	6.4%	29.1%	61.6%

Quién ejecutó cada benchmark

Anthropic ejecutó la mayoría de las pruebas. Que dos modelos compartan el mismo benchmark no implica necesariamente que usaran el mismo arnés, configuración o nivel de esfuerzo.

Benchmark	Quién lo ejecutó	Condiciones
GDPval-AA v2.1, AA-Briefcase v1.1	Artificial Analysis, independientemente	GDPval-AA: 220 tareas, 44 ocupaciones, Elo anclado a DeepSeek V4.1 Flash (máximo) en 1600; Briefcase: proyectos de varias semanas
FrontierCode 1.1	Cognition	Claude en Claude Code, GPT en Codex; Principal = las 100 tareas más difíciles de 150
Chartography	Anthropic, en el benchmark de Surge AI	Evaluador Gemini 3.5 Flash; puntuación de Luna de Surge AI
Terminal-Bench 4.0	Anthropic	Claude Code `--bare`, 66 tareas, 10 pruebas por tarea, salvaguardas activas
OSWorld 2.1	Anthropic	82 de 108 tareas, 1080p, hasta 500 pasos
Humanity’s Last Exam	Anthropic	Presupuesto de 980K tokens por tarea, evaluador Opus 4.6

Dos resultados de GPT-6 Luna requieren contexto:

Anthropic ejecutó OSWorld de Luna mediante la API de OpenAI sobre las mismas 82 tareas.
El 16.4% de Terminal-Bench de Luna proviene de la tabla de clasificación pública con Codex CLI y esfuerzo máximo.
Las salvaguardas detuvieron el 1.8% de las ejecuciones de Haiku 5.5 en Terminal-Bench: 12 de 660. Cada una contó como fallo.

La trampa de FrontierCode

La tabla de lanzamiento compara Haiku 5.5 con esfuerzo máximo (46.4%) contra Sonnet 5.5 con xhigh (52.1%), que es la mejor puntuación de Sonnet. La tarjeta del sistema incluye una comparación equivalente:

FrontierCode 1.1	Principal	Extendido
Haiku 5.5, máximo	46.4%	58.4%
Haiku 5.5, xhigh	45.8%	n/r
Sonnet 5.5, máximo	46.2%	59.1%
Sonnet 5.5, xhigh	52.1%	64.4%

Con ambos modelos en esfuerzo máximo, Haiku 5.5 supera ligeramente a Sonnet 5.5 en Principal: 46.4% frente a 46.2%. Sin embargo, al comparar la mejor configuración de cada modelo, Sonnet lidera por 5.7 puntos.

Al citar FrontierCode, indica siempre el nivel de esfuerzo.

Extras de la tarjeta del sistema

La tarjeta del sistema añade resultados que no aparecieron en la publicación de lanzamiento. Todos usan esfuerzo máximo, salvo que se indique lo contrario.

Benchmark	Haiku 5.5	Haiku 4.5	Sonnet 5.5
SWE-Bench Pro	64.8	n/r	81.3
SWE-bench Multilingual	83.7	67.4	90.3
SWE-bench Multimodal	30.7	19.8	54.3
OSWorld 2.1, tasa de aprobación estricta	37.1%	n/r	48.8%
Chartography, con herramientas	86.2%	8.8%	90.2%
OfficeQA / OfficeQA Pro	73.5% / 60.3%	63.0% / 47.1%	76.9% / 65.6%
HealthBench Professional, ajustado por longitud	64.8%	32.2%	69.2%

El 72.4% de OSWorld representa crédito parcial: solo el 37.1% de las tareas pasa de forma estricta.

Chartography casi duplica su puntuación al habilitar herramientas, de 46.4% a 86.2%. Si tu caso de uso incluye gráficos, proporciona herramientas a Haiku 5.5.

El esfuerzo predeterminado puntúa más bajo

Haiku 5.5 usa medium por defecto en la API de Claude y en Claude Code. La tarjeta del sistema publica estos resultados para el nivel predeterminado:

Benchmark	Medio, predeterminado	Máximo	Nota
GDPval-AA v2.1	1277	1620	Medio usó aproximadamente una décima parte de los tokens de salida del máximo
AA-Briefcase v1.1	1372	1578	Medio usó menos de un cuarto de los tokens de salida del máximo
HealthBench Professional	59.9%	64.8%	Bajo: 57.9%; alto: 61.3%

Si llamas a la API sin output_config.effort, espera los resultados de la columna medium. Los documentos de esfuerzo cubren los cinco niveles.

Puntuación y costo por esfuerzo

Los siguientes valores proceden de los gráficos de lanzamiento. El costo de OSWorld y Terminal-Bench es por intento; GDPval-AA es por tarea.

Modelo	Bajo	Medio	Alto	Xalto	Máximo
OSWorld 2.1
Haiku 5.5	42.0% ($0.07)	53.3% ($0.13)	61.3% ($0.18)	67.6% ($0.28)	72.4% ($0.61)
Sonnet 5.5	57.9% ($0.68)	66.0% ($0.93)	73.2% ($1.38)	81.1% ($2.22)	83.9% ($5.73)
GPT-6 Luna	19.2% ($0.04)	37.5% ($0.13)	42.3% ($0.14)	44.8% ($0.17)	48.9% ($0.21)
GDPval-AA v2.1
Haiku 5.5	1125 ($0.012)	1277 ($0.030)	1420 ($0.089)	1513 ($0.27)	1620 ($0.87)
Sonnet 5.5	1179 ($0.22)	1324 ($0.27)	1551 ($0.62)	1731 ($1.88)	1840 ($6.78)
GPT-6 Luna	1036 ($0.004)	1262 ($0.02)	1344 ($0.03)	1364 ($0.05)	1437 ($0.09)
Terminal-Bench 4.0
Haiku 5.5	12.7% ($0.42)	20.3% ($0.68)	24.8% ($1.04)	31.5% ($1.75)	39.2% ($2.64)
Sonnet 5.5	20.0% ($0.62)	28.8% ($0.68)	43.0% ($1.46)	61.5% ($4.34)	70.6% ($10.44)

Conclusiones prácticas:

El salto a máximo es caro. En GDPval-AA, máximo cuesta aproximadamente 28 veces más que medio para sumar 343 puntos Elo. En OSWorld, máximo cuesta más del doble que xhigh por 4.8 puntos adicionales.
Haiku 5.5 en medio supera a Luna en máximo en OSWorld: 53.3% por $0.13 frente a 48.9% por $0.21.
Haiku 5.5 en máximo supera a Sonnet 5.5 en medio en OSWorld: 72.4% por $0.61 frente a 66.0% por $0.93.
Terminal-Bench es la excepción: Sonnet 5.5 en alto logra 43.0% por $1.46, mejor que Haiku 5.5 en máximo con 39.2% por $2.64.

Luna es más barata en los demás niveles equivalentes. Consulta la comparación Haiku 5.5 vs GPT-6 Luna.

Los costos usan precios de lista: $0.10/$0.50 por millón de tokens para prompts de hasta 100K tokens, con precios más altos para contextos mayores. Consulta el desglose de precios.

Dónde Haiku 5.5 aún se queda atrás

Sonnet 5.5 lidera todas las filas de la tabla de lanzamiento. La única victoria directa de Haiku aparece en FrontierCode con ambos modelos en esfuerzo máximo.

Las diferencias más importantes son:

Terminal-Bench 4.0: 39.2% frente a 70.6%.
SWE-Bench Pro: 64.8 frente a 81.3.
SWE-bench Multimodal: 30.7 frente a 54.3.

Anthropic indica que Sonnet 5.5 y Opus 5.5 siguen siendo mejores opciones para tareas de codificación agéntica complejas.

Haiku 5.5 encaja mejor en tareas acotadas:

Compactación y resumen.
Clasificación.
Automatización de navegador.
Subagentes ejecutados bajo un modelo principal más capaz.

Para implementarlo como subagente, consulta Haiku 5.5 en Claude Code.

Resultados independientes: ninguno todavía

Hasta el 8 de octubre de 2026, ningún laboratorio independiente ha publicado resultados de Haiku 5.5.

La página de Haiku 5.5 en Artificial Analysis devuelve un error 404, y su tabla de clasificación solo enumera Claude 4.5 Haiku. Vals, LMArena, SWE-bench y Aider tampoco muestran resultados.

No existen cifras de velocidad de terceros. Anthropic describe Haiku 5.5 como su modelo más rápido hasta la fecha a velocidad estándar, aunque más lento que Opus en modo rápido.

El dato externo más cercano proviene de Cursor. Sus documentos del modelo indican:

48.4% en CursorBench con esfuerzo máximo.
30.9% con esfuerzo bajo.
Con pensamiento desactivado: entre 22.1% y 26.2%.
Con pensamiento activado: entre 30.9% y 42.3% en los mismos niveles de esfuerzo.

Lo que informan los clientes

Estos datos proceden de la publicación de lanzamiento de Anthropic y no fueron verificados de forma independiente:

HubSpot: 92.8% de promedio en tres ejecuciones de su suite de portal CRM simulada.
AlphaSense: 0.84 frente a 0.76 de Haiku 4.5 en 400 consultas de “Preguntar en Documento”.
Box: 11 puntos más que Haiku 4.5 y aproximadamente la mitad de latencia en pruebas iniciales.
Asana: más de un 30% menos de latencia para completar tareas frente a su modelo actual.
Cognition: Devin Fusion mantiene 66.2 en FrontierCode con Haiku 5.5 como compañero y Opus 5.5 como líder. Es un sistema de dos modelos, no Haiku por sí solo.

Ejecuta tu propia evaluación

Los benchmarks no representan necesariamente tu tráfico. La guía de prompting de Anthropic recomienda usar xhigh o max solo cuando tus propias evaluaciones demuestren una mejora.

Sigue este proceso en Apidog:

Guarda ANTHROPIC_API_KEY como variable de entorno.
Crea entre 20 y 50 solicitudes de Messages con prompts reales y representativos.
Añade aserciones para:
- Estado HTTP 200.
- stop_reason distinto de "max_tokens" y "refusal".
- Contenido esperado para considerar correcta una respuesta.
Ejecuta el conjunto con low, medium y high.
Registra la tasa de aprobación y los campos de usage.
Duplica la colección, cambia el modelo a claude-sonnet-5-5 y compara ambos en el mismo proyecto.

Cambiar el esfuerzo invalida la caché de prompts. Además, el nuevo tokenizador genera aproximadamente un 30% más tokens que Haiku 4.5 para el mismo texto.

Ejemplo de solicitud:

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-haiku-5-5",
    "max_tokens": 8000,
    "thinking": {"type": "adaptive"},
    "output_config": {"effort": "medium"},
    "messages": [
      {
        "role": "user",
        "content": "Clasifica este ticket de soporte como facturación, error o solicitud de función: ..."
      }
    ]
  }'

No envíes estos parámetros a Haiku 5.5:

temperature
top_p
top_k
Prefill de asistente

Cada uno devuelve un error 400.

Al procesar la respuesta, selecciona los bloques mediante su campo type, porque un bloque thinking puede aparecer antes que el bloque de contenido final.

Consulta la guía de la API y esta guía para probar aplicaciones LLM.

Preguntas frecuentes

¿Es Claude Haiku 5.5 mejor que Sonnet 5.5?

No según los resultados de Anthropic. Sonnet 5.5 lidera cada fila de la tabla de lanzamiento. Haiku solo lo supera ligeramente en FrontierCode cuando ambos usan esfuerzo máximo: 46.4% frente a 46.2%.

Consulta Haiku 5.5 vs Haiku 4.5 para evaluar la actualización.

¿Cuál es la puntuación de Haiku 5.5 en SWE-bench?

Con esfuerzo máximo:

64.8 en SWE-Bench Pro.
83.7 en SWE-bench Multilingual.
30.7 en SWE-bench Multimodal.

¿Con qué esfuerzo se ejecutaron los benchmarks?

Con esfuerzo máximo, normalmente promediado en cinco pruebas. La API usa medium por defecto, donde GDPval-AA obtiene 1277 en lugar de 1620.

¿Existen benchmarks independientes de Haiku 5.5?

Todavía no. Artificial Analysis ejecutó GDPval-AA y AA-Briefcase de forma independiente, pero Anthropic publicó esas puntuaciones. Artificial Analysis no tiene actualmente una página para Haiku 5.5.

¿Es GPT-6 Luna más barato?

Generalmente sí. Luna cuesta menos en todos los niveles de GDPval-AA y en todos los de OSWorld, excepto en medium, donde el costo es aproximadamente el mismo. Haiku 5.5 obtiene una puntuación más alta en ambos benchmarks.

Siguiente paso

Empieza con medium y aumenta el esfuerzo solo cuando la mejora en tu tasa de aprobación justifique el costo adicional.

Descarga Apidog, crea una colección de evaluación con tus casos reales y guarda los resultados en Apidog junto a la línea base de Sonnet 5.5 antes de mover tráfico de producción.

Claude Haiku 5.5 vs Haiku 4.5: Novedades y cambios incompatibles prioritarios a solucionar

Roobia — Thu, 08 Oct 2026 04:17:42 +0000

Claude Haiku 5.5 (claude-haiku-5-5, lanzado el 7 de octubre de 2026) cuesta un 90% menos que Haiku 4.5 para prompts de hasta 100K tokens ($0.10/$0.50 por millón de tokens de entrada/salida frente a $1/$5), tiene una ventana de contexto de 1M de tokens en lugar de 200K y obtiene puntuaciones mucho más altas en todos los benchmarks de lanzamiento que listan ambos. El inconveniente: cinco formas de solicitud que funcionaban en 4.5 ahora devuelven un 400, y varios cambios más alteran las respuestas y los costos sin error.

Prueba Apidog hoy

A continuación encontrarás una tabla comparativa, cada cambio disruptivo con JSON de antes/después, los cambios silenciosos y un plan de prueba para Apidog. Para la hoja de especificaciones completa, lee qué es Claude Haiku 5.5. Si aún ejecutas el modelo antiguo, consulta nuestra guía de la API de Claude Haiku 4.5.

Haiku 4.5 vs Haiku 5.5 de un vistazo

	Claude Haiku 4.5	Claude Haiku 5.5
ID de modelo (API de Claude)	`claude-haiku-4-5-20251001`	`claude-haiku-5-5`
Contexto / salida máxima	200K / 64K	1M / 128K
Entrada / salida por MTok	$1 / $5	$0.10 / $0.50 para prompts de hasta 100K tokens; $0.50 / $2.50 por encima
Lectura de caché / escritura de 5m por MTok	$0.10 / $1.25	$0.01 / $0.125 hasta 100K; $0.05 / $0.625 por encima
Entrada / salida por lotes por MTok	$0.50 / $2.50	$0.05 / $0.25 hasta 100K; $0.25 / $1.25 por encima
Pensamiento	`budget_tokens` manual	Solo adaptativo, activado por defecto
Niveles de esfuerzo	Ninguno	bajo, medio (por defecto), alto, xalto, máximo
Prompt mínimo cacheable	4,096 tokens	512 tokens
Tokenizador	Antiguo	Aproximadamente un 30% más de tokens para el mismo texto
Parámetros de muestreo no predeterminados, prellenado	Aceptados	Error 400
Nivel de prioridad	Soportado	No soportado
Estado	Activo, retiro no antes del 15 de octubre de 2026	Activo, retiro no antes del 7 de octubre de 2027

Haiku 4.5 no está obsoleto. La página de modelos obsoletos lo lista como Activo sin fecha de obsolescencia, por lo que puedes migrar según tu propio cronograma. Los límites de tasa son los mismos en ambos.

Los cinco cambios disruptivos

Cada uno devuelve un 400 en Haiku 5.5 para un cuerpo que funciona en 4.5. La guía de migración de Haiku 5.5 los lista todos.

1. Pensamiento manual con `budget_tokens`

Haiku 5.5 solo ejecuta pensamiento adaptativo. Un presupuesto fijo es rechazado.

// Antes (Haiku 4.5)
{
  "model": "claude-haiku-4-5-20251001",
  "max_tokens": 16000,
  "thinking": { "type": "enabled", "budget_tokens": 8000 },
  "messages": [{ "role": "user", "content": "Classify this ticket." }]
}

// Después (Haiku 5.5)
{
  "model": "claude-haiku-5-5",
  "max_tokens": 16000,
  "thinking": { "type": "adaptive" },
  "output_config": { "effort": "medium" },
  "messages": [{ "role": "user", "content": "Classify this ticket." }]
}

El esfuerzo es ahora la palanca: donde 4.5 usaba un presupuesto pequeño, elige un esfuerzo menor. Aún puedes enviar thinking: {"type": "disabled"}, pero solo con un esfuerzo high o inferior; con xhigh o max también obtendrás un 400.

2. Parámetros de muestreo

Elimina temperature, top_p y top_k. Los únicos valores aceptados son temperature: 1 y top_p: 0.99. Cualquier otro valor devuelve un 400, incluyendo top_p: 1, cualquier top_k, y enviar temperature y top_p juntos.

// Antes (Haiku 4.5)
{
  "model": "claude-haiku-4-5-20251001",
  "max_tokens": 1024,
  "temperature": 0.2,
  "top_k": 40,
  "messages": [{ "role": "user", "content": "Extract the order ID." }]
}

// Después (Haiku 5.5)
{
  "model": "claude-haiku-5-5",
  "max_tokens": 1024,
  "messages": [{ "role": "user", "content": "Extract the order ID." }]
}

Si utilizabas una temperatura baja para obtener una salida consistente, traslada esa intención al prompt. Por ejemplo, especifica el formato, los campos permitidos y que no debe incluir texto adicional.

3. Relleno previo del asistente

Un turno final del asistente para que el modelo continúe es rechazado, incluso con el pensamiento desactivado. Termina messages con un turno de usuario.

// Antes (Haiku 4.5)
{
  "model": "claude-haiku-4-5-20251001",
  "max_tokens": 1024,
  "messages": [
    { "role": "user", "content": "Return the sentiment as JSON." },
    { "role": "assistant", "content": "{\"sentiment\": \"" }
  ]
}

// Después (Haiku 5.5)
{
  "model": "claude-haiku-5-5",
  "max_tokens": 1024,
  "system": "Reply with only a JSON object. No preamble.",
  "messages": [
    { "role": "user", "content": "Return the sentiment as JSON." }
  ]
}

Para formatos estrictos, la guía de migración apunta a salidas estructuradas o a una herramienta con campos enumerados para clasificación.

4. Uso del equipo: `computer_20250124` a `computer_toolset_20260801`

En la API de Claude y Google Cloud, Haiku 5.5 soporta el uso del equipo solo a través del nuevo conjunto de herramientas.

Elimina la cabecera beta computer-use-2025-01-24.
Sustituye computer_20250124 por computer_toolset_20260801.
Elimina fine-grained-tool-streaming-2025-05-14 si la envías: combinada con un conjunto de herramientas devuelve un 400.

// Antes (Haiku 4.5, cabecera anthropic-beta: computer-use-2025-01-24)
{
  "model": "claude-haiku-4-5-20251001",
  "max_tokens": 4096,
  "tools": [
    {
      "type": "computer_20250124",
      "name": "computer",
      "display_width_px": 1280,
      "display_height_px": 800
    }
  ],
  "messages": [{ "role": "user", "content": "Open the settings page." }]
}

// Después (Haiku 5.5, sin cabecera beta)
{
  "model": "claude-haiku-5-5",
  "max_tokens": 4096,
  "tools": [{ "type": "computer_toolset_20260801" }],
  "messages": [{ "role": "user", "content": "Open the settings page." }]
}

Tu bucle de agente también cambia: despacha usando name y toolset_name de cada bloque tool_use en vez de input.action, y repite toolset_name en los resultados.

Haiku 5.5 también obtiene la herramienta de uso del navegador (browser_toolset_20260801), que Haiku 4.5 no soporta. Consulta uso del ordenador en Claude Code para una visión más amplia.

5. Editar turnos anteriores antes de un bloque de pensamiento

Un bloque de pensamiento de Haiku 5.5 solo permanece válido mientras todo lo enviado antes de él no cambie. Si cambias system, tools o un mensaje anterior y reenvías el bloque, obtendrás un 400. Haiku 4.5 nunca ejecutó esta comprobación.

En este ejemplo, el turno 1 envió "system": "You are a billing agent." y el turno 2 lo edita.

// Antes: sistema editado + bloque de pensamiento reproducido = 400
{
  "model": "claude-haiku-5-5",
  "max_tokens": 4096,
  "system": "You are a billing agent. Be brief.",
  "messages": [
    { "role": "user", "content": "Why was I charged twice?" },
    {
      "role": "assistant",
      "content": [
        {
          "type": "thinking",
          "thinking": "",
          "signature": "<from turn 1>"
        },
        { "type": "text", "text": "Checking." }
      ]
    },
    { "role": "user", "content": "Order 4412." }
  ]
}

// Después: turnos anteriores sin cambios, nueva instrucción añadida
{
  "model": "claude-haiku-5-5",
  "max_tokens": 4096,
  "system": "You are a billing agent.",
  "messages": [
    { "role": "user", "content": "Why was I charged twice?" },
    {
      "role": "assistant",
      "content": [
        {
          "type": "thinking",
          "thinking": "",
          "signature": "<from turn 1>"
        },
        { "type": "text", "text": "Checking." }
      ]
    },
    { "role": "user", "content": "Order 4412. Be brief." }
  ]
}

En cuentas creadas antes del 31 de agosto de 2026, 00:00 UTC, el error aparece solo en solicitudes que establecen thinking.block_binding.prefix_mismatch_behavior.

Cambios silenciosos que no generarán un error

Campo de pensamiento vacío por defecto. Cada bloque thinking regresa con un campo thinking vacío y solo una signature. Haiku 4.5 devolvía un pensamiento resumido. Configura thinking: {"type": "adaptive", "display": "summarized"} si lo registras o lo muestras.
Las respuestas pueden empezar con pensamiento. El pensamiento adaptativo está activado incluso cuando no lo configuras. Selecciona los bloques de contenido por type, no por índice.
Aproximadamente un 30% más de tokens. El nuevo tokenizador cuenta el mismo texto como aproximadamente un 30% más de tokens. Vuelve a contar tus prompts. Los tokens de pensamiento también cuentan para max_tokens, por lo que un límite pequeño puede terminar con stop_reason: "max_tokens" antes de generar texto.
tool_choice forzado omite el pensamiento. any o una herramienta con nombre sigue funcionando, pero la respuesta comienza con la llamada a la herramienta y sin bloque thinking. Usa tool_choice: {"type": "auto"} e indica al modelo cuándo debe llamar a la herramienta si quieres que razone primero.
Nuevas denegaciones, sin alternativa. Haiku 5.5 ejecuta clasificadores de seguridad (cyber, frontier_llm, bio, general_harms) que pueden devolver stop_reason: "refusal". No hay alternativa del lado del servidor, y un reintento suele denegar de nuevo.
El Nivel de Prioridad ha desaparecido. Si tienes un compromiso de Nivel de Prioridad en Haiku 4.5, planifica la capacidad por separado.
Los bloques de pensamiento están ligados a la cuenta. Funcionan solo en la cuenta que los produjo o en una vinculada. Reproducir conversaciones almacenadas desde otra cuenta pierde ese razonamiento.
El almacenamiento en caché más económico comienza antes. El prompt mínimo cacheable se reduce de 4,096 a 512 tokens, por lo que los prompts de sistema cortos que nunca se almacenaron en caché en 4.5 ahora sí lo hacen.

Lo que mejoró

Estos son números reportados por Anthropic con Haiku 5.5 a máximo esfuerzo; Artificial Analysis ejecutó GDPval-AA y AA-Briefcase de forma independiente.

Benchmark	Haiku 4.5	Haiku 5.5
GDPval-AA v2.1 (Elo)	735	1620
AA-Briefcase v1.1 (Elo)	614	1578
OSWorld 2.1, subconjunto offline	15.7%	72.4%
Examen Final de la Humanidad, con herramientas	18.7%	57.4%
Terminal-Bench 4.0	0.0%	39.2%
SWE-bench Multilingüe	67.4%	83.7%
Cartografía, sin herramientas	6.4%	46.4%

La ejecución de Terminal-Bench de Haiku 4.5 utilizó un presupuesto de pensamiento fijo de 63,999 tokens. Con el esfuerzo medium predeterminado, Haiku 5.5 obtuvo 1277 en GDPval-AA, aún muy por encima de 4.5.

Box reportó puntuaciones 11 puntos más altas que Haiku 4.5 con aproximadamente la mitad de latencia. Las tablas completas están en benchmarks de Claude Haiku 5.5.

Anthropic todavía posiciona a Sonnet 5.5 y Opus 5.5 como mejores opciones para codificación agéntica compleja. Haiku 5.5 se enfoca en clasificación, extracción, resumen, compactación, subagentes y uso del navegador.

En cuanto al costo, Anthropic dice que Haiku 5.5 cuesta alrededor de un 75% menos en promedio. Esa cifra combina precios un 90% más bajos hasta 100K tokens y un 50% más bajos por encima, y ya compensa los tokens adicionales del nuevo tokenizador.

El prompt del sistema de uso de herramientas también se redujo, de 496 a 286 tokens con la opción de herramienta auto. Consulta ejemplos en precios de Claude Haiku 5.5.

Prueba la migración en Apidog

En Apidog, crea un proyecto con tres solicitudes guardadas a https://api.anthropic.com/v1/messages:

Línea de base: usa tu cuerpo actual de Haiku 4.5 y valida el estado 200.
Cuerpo antiguo, modelo nuevo: cambia solo model a claude-haiku-5-5 y valida el estado 400. Mantén una copia por cada cambio disruptivo que encuentres.
Migrado: usa el cuerpo corregido y valida:
- Estado 200.
- Una stop_reason distinta de refusal o max_tokens.
- Un bloque de texto encontrado por type.

Almacena ANTHROPIC_API_KEY como variable de entorno y referénciala como {{ANTHROPIC_API_KEY}} en el encabezado x-api-key. Incluye también:

anthropic-version: 2023-06-01

Compara usage.input_tokens entre las solicitudes de línea de base y migrada para medir el cambio del tokenizador con tus propios prompts.

Guarda el conjunto como un escenario de prueba. Así, si un compañero reintroduce temperature, la ejecución fallará antes de llegar a producción. Los conceptos básicos de las solicitudes están en cómo usar la API de Claude Haiku 5.5.

Si trabajas en Claude Code, ejecuta:

/claude-api migrate this project to claude-haiku-5-5

El comando aplica el intercambio de ID de modelo y las correcciones de parámetros, y después muestra una lista de verificación. Ten en cuenta que el alias haiku se resuelve a Haiku 5.5 solo en la API de Anthropic. Consulta Claude Haiku 5.5 en Claude Code.

Preguntas frecuentes

¿Está obsoleto Claude Haiku 4.5?

No. Está listado como Activo sin fecha de obsolescencia, y su retiro no será antes del 15 de octubre de 2026.

¿Por qué mi solicitud de Haiku 4.5 devuelve un 400 en Haiku 5.5?

Verifica si contiene budget_tokens, temperature/top_p/top_k, un prellenado de asistente, computer_20250124 o ediciones a turnos anteriores antes de un bloque de pensamiento. Esos son los cinco cambios disruptivos.

¿Es Haiku 5.5 más barato que Haiku 4.5 para prompts largos?

Sí. Por encima de 100K tokens cuesta $0.50/$2.50 por millón, la mitad de los $1/$5 de Haiku 4.5. Haiku 4.5 no puede procesar prompts de más de 200K en absoluto.

¿Debería cambiar todo a Haiku 5.5?

Para trabajos de clasificación, extracción y subagentes, pruébalo primero y luego migra. Compáralo con su rival más cercano en Haiku 5.5 vs GPT-6 Luna.

Siguiente paso

Guarda tu solicitud de Haiku 4.5 junto a su gemela de Haiku 5.5, confirma el 400, corrígelo y mueve el tráfico una vez que la solicitud migrada pase. Descarga Apidog para construir ese par de pruebas.

Claude Haiku 5.5 Precios

Roobia — Thu, 08 Oct 2026 04:15:20 +0000

Claude Haiku 5.5 cuesta $0.10 por millón de tokens de entrada y $0.50 por millón de tokens de salida para prompts de hasta 100K tokens. Si un prompt supera los 100,000 tokens, las tarifas suben a $0.50 de entrada y $2.50 de salida por MTok. Las lecturas de caché empiezan en $0.01, la API Batch reduce cada tarifa a la mitad y Anthropic indica que el modelo cuesta “alrededor de un 75% menos de ejecutar” que Haiku 4.5 en promedio.

Prueba Apidog hoy

Esta guía desglosa cada tarifa, explica la estimación del 75%, muestra ejemplos de cálculo —incluido uno que supera 100K tokens— y compara Haiku 5.5 con Haiku 4.5, GPT-6 Luna y Sonnet 5.5. Si aún no conoces el modelo, empieza por qué es Claude Haiku 5.5. Para validar estas cifras con tu tráfico real, envía solicitudes desde Apidog y registra el objeto usage de cada respuesta.

Tabla de precios de la API de Claude Haiku 5.5

Precios por millón de tokens (MTok), según los documentos de precios de Anthropic:

Concepto	Prompts de hasta 100K tokens	Prompts de más de 100K tokens
Entrada	$0.10	$0.50
Salida	$0.50	$2.50
Escritura en caché de 5 minutos	$0.125	$0.625
Escritura en caché de 1 hora	$0.20	$1.00
Lectura de caché (aciertos y actualizaciones)	$0.01	$0.05
Entrada por lotes	$0.05	$0.25
Salida por lotes	$0.25	$1.25

La regla clave es simple: un prompt de más de 100,000 tokens paga las tarifas altas para toda la solicitud. Otros modelos de Claude desde la versión 4.6 aplican una tarifa única en su ventana de 1M; Haiku 5.5 es la excepción.

Ten en cuenta estos detalles antes de estimar costos:

Inferencia solo en EE. UU.: el enrutamiento mediante inference_geo cuesta 1.1x en cada categoría de tokens en la API de Claude y Claude Platform en AWS. Por debajo de 100K, equivale a $0.11 de entrada y $0.55 de salida por MTok.
Nuevo tokenizador: el mismo texto genera aproximadamente un 30% más de tokens que en Haiku 4.5.
Menor sobrecarga de herramientas: el prompt del sistema para uso de herramientas ocupa 286 tokens con auto o none, frente a 496 tokens en Haiku 4.5.
Sin nivel de prioridad ni modo rápido.

De dónde viene “alrededor de un 75% menos”

Haiku 5.5 tiene un precio un 90% inferior al de Haiku 4.5 hasta 100K tokens y un 50% inferior por encima de ese límite. Anthropic indica que el 90% de las solicitudes de Haiku 4.5 estaban por debajo de 100K, pero el nuevo tokenizador incrementa el conteo de tokens.

Una reconstrucción aproximada:

Pondera el ahorro por número de solicitudes:

   0.9 × 90% + 0.1 × 50% = 86% menos

Ajusta por aproximadamente un 30% más de tokens:

   14% de costo restante × 1.3 = 18.2% de costo restante

El ahorro estimado pasa a ser aproximadamente:

   100% - 18.2% = 81.8% menos

La cifra de Anthropic es menor porque no publica la ponderación exacta. Las solicitudes largas probablemente representan una parte mayor del gasto que del número total de solicitudes. Usa el 75% como referencia y calcula tu resultado real con los datos de usage.

Costo por intento en cada nivel de esfuerzo

Haiku 5.5 es el primer modelo Haiku con niveles de esfuerzo, desde low hasta max. El valor predeterminado de la API es medium.

El nivel de esfuerzo puede afectar más a tu factura que la tarifa por token. Estas cifras provienen de los gráficos de esfuerzo de la publicación de lanzamiento: Anthropic ejecutó OSWorld y Terminal-Bench, mientras Artificial Analysis ejecutó GDPval-AA.

Esfuerzo	OSWorld 2.1 (puntuación, $/intento)	GDPval-AA v2.1 (Elo, $/tarea)	Terminal-Bench 4.0 (puntuación, $/intento)
bajo	42.0%, $0.0695	1125, $0.0117	12.7%, $0.424
medio	53.3%, $0.1257	1277, $0.0304	20.3%, $0.6798
alto	61.3%, $0.1827	1420, $0.0894	24.8%, $1.0372
muy alto	67.6%, $0.2792	1513, $0.2673	31.5%, $1.7545
máximo	72.4%, $0.6111	1620, $0.8659	39.2%, $2.6433

Puntos prácticos:

max cuesta 4.9 veces más que medium en OSWorld:

  $0.6111 ÷ $0.1257 ≈ 4.9

max cuesta 28.5 veces más que medium en GDPval-AA:

  $0.86593 ÷ $0.03042 ≈ 28.5

Las puntuaciones destacadas en la publicación de lanzamiento corresponden a max. Con el valor predeterminado medium, el resultado de GDPval-AA es 1277, no 1620.
Para tareas complejas de programación con agentes, compara también Sonnet. En Terminal-Bench, Sonnet 5.5 con low y lecturas de caché de $0.10 alcanzó un 20% por $0.6205. Haiku 5.5 con medium obtuvo un 20.3% por $0.6798.

Anthropic indica que Sonnet y Opus siguen siendo mejores opciones para tareas de programación complejas basadas en agentes. Consulta el desglose de benchmarks para ver todas las filas.

Cómo se compara Haiku 5.5 en precio

Modelo	Entrada / salida por MTok	Lectura de caché	Escritura en caché de 5 min	Regla de prompt largo
Claude Haiku 5.5	$0.10 / $0.50 hasta 100K	$0.01	$0.125	Más de 100K: $0.50 / $2.50
GPT-6 Luna	$0.10 / $0.50	$0.01	$0.125	Más de 272K de entrada: 2x entrada y caché, 1.5x salida ($0.20 / $0.75)
Claude Haiku 4.5	$1 / $5	$0.10	$1.25	Una tarifa, contexto de 200K
Claude Sonnet 5.5	$2 / $10	$0.10	$2.50	Una tarifa en 1M

GPT-6 Luna

GPT-6 Luna iguala el precio base de Haiku 5.5 hasta 100K tokens, pero aplica su recargo en otro umbral. Según la página del modelo de OpenAI, el recargo comienza por encima de 272K tokens de entrada y se aplica a la solicitud completa.

Por ejemplo, para una llamada con 150,000 tokens de entrada y 2,000 de salida:

(150,000 × $0.10 + 2,000 × $0.50) ÷ 1,000,000 = $0.016

En Luna, esa solicitud permanece en la tarifa base. En Haiku 5.5, al superar 100K, costaría $0.08.

Los tokenizadores también difieren. Un comentarista de Hacker News estimó que 100K tokens de Claude equivalen aproximadamente a 60–65K tokens de GPT. En el gráfico OSWorld de Anthropic, Haiku 5.5 con medium obtuvo 53.3% por $0.1257, superando a Luna con max, que obtuvo 48.9% por $0.205.

Consulta Claude Haiku 5.5 vs GPT-6 Luna para un análisis más detallado.

Sonnet 5.5

Sonnet 5.5 redujo sus lecturas de caché de $0.20 a $0.10 el mismo día. Según Anthropic, esto lo hace aproximadamente un 20% más barato en la mayoría de los trabajos con agentes.

La guía de precios de Sonnet 5.5 es anterior a ese recorte.

Haiku 4.5

Haiku 4.5 no está obsoleto. Revisa Haiku 5.5 vs Haiku 4.5 para identificar los cambios importantes antes de migrar.

Créditos de API y planes para consumidores

Créditos de API Max y Team

Los créditos disponibles son:

Max 5x: $100 mensuales en créditos de Claude Platform.
Max 20x: $200 mensuales.
Team: $20 por puesto Estándar y $100 por puesto Premium.
Límite acumulado: $500.
Free, Pro y Enterprise no son elegibles.

Según los documentos de créditos de API, estos créditos cubren la API de Claude, no Claude Code ni proveedores cloud, y no se acumulan.

A $0.10 por MTok, $100 compran mil millones de tokens de entrada. También equivalen aproximadamente a 220,000 solicitudes del siguiente tamaño:

$100 ÷ $0.000455 ≈ 220,000 solicitudes

Planes para consumidores

Los usuarios de Free, Pro, Max, Team y Enterprise pueden seleccionar Haiku 5.5 en Claude.ai desde la web, iOS y Android.

Free: $0.
Pro: $17/mes con facturación anual o $20/mes.
Max: desde $100/mes.

Free no incluye Claude Code. Además, un plan de chat no ejecuta directamente un script ni un trabajo de CI. Consulta cómo usar Claude Haiku 5.5 gratis para conocer las opciones disponibles.

Nubes

Bedrock, Google Cloud y Foundry facturan Haiku 5.5 según sus propias páginas de precios.

Rastrea el costo por solicitud en Apidog

Cada respuesta de Messages devuelve un objeto usage. Puedes usarlo para calcular el costo de una llamada en Apidog.

1. Guarda tu clave como variable de entorno

ANTHROPIC_API_KEY=tu_clave

2. Crea una solicitud por cada nivel de esfuerzo

Guarda la misma solicitud con low, medium y high para comparar la salida y el costo bajo el mismo prompt.

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-haiku-5-5",
    "max_tokens": 4000,
    "thinking": {"type": "adaptive"},
    "output_config": {"effort": "medium"},
    "messages": [
      {
        "role": "user",
        "content": "Classify this support ticket: ..."
      }
    ]
  }'

3. Calcula el costo en un post-procesador

Este script toma input_tokens como la longitud del prompt sin caché y selecciona la tarifa correcta según el umbral de 100K:

const body = pm.response.json();
const u = body.usage;

const long = u.input_tokens > 100000;
const rateIn = long ? 0.50 : 0.10;
const rateOut = long ? 2.50 : 0.50;

const cost = (
  u.input_tokens * rateIn +
  u.output_tokens * rateOut
) / 1e6;

pm.environment.set("haiku_call_usd", cost.toFixed(6));

pm.test("not a refusal", () => {
  pm.expect(body.stop_reason).to.not.eql("refusal");
});

4. Compara resultados

Ejecuta las tres variantes y registra, como mínimo:

Esfuerzo	Tokens de entrada	Tokens de salida	Costo estimado
`low`	`usage.input_tokens`	`usage.output_tokens`	`haiku_call_usd`
`medium`	`usage.input_tokens`	`usage.output_tokens`	`haiku_call_usd`
`high`	`usage.input_tokens`	`usage.output_tokens`	`haiku_call_usd`

La comprobación de rechazo es importante porque los clasificadores de seguridad de Haiku 5.5 no tienen un respaldo del lado del servidor. El tutorial completo está en cómo usar la API de Claude Haiku 5.5.

Preguntas frecuentes

¿Cuánto cuesta Claude Haiku 5.5 por millón de tokens?

Cuesta $0.10 de entrada y $0.50 de salida para prompts de hasta 100K tokens. Por encima de 100K, cuesta $0.50 de entrada y $2.50 de salida.

¿Es Haiku 5.5 más barato que Haiku 4.5?

Sí. Es un 90% más barato por token hasta 100K, un 50% más barato por encima de ese umbral y, según Anthropic, alrededor de un 75% más barato en promedio.

¿Haiku 5.5 tiene el mismo precio que GPT-6 Luna?

Hasta 100K tokens, sí. Por encima de ese límite, Haiku 5.5 sube 5 veces de tarifa, mientras Luna mantiene el precio base hasta 272K tokens de entrada. Consulta la descripción general de GPT-6 Luna para más detalles.

¿Los créditos del plan Max funcionan en Claude Code?

No. Los créditos cubren la API de Claude Platform, no Claude Code. Consulta Claude Haiku 5.5 en Claude Code para conocer el acceso mediante planes.

Siguiente paso: calcula el precio de tu propia carga de trabajo

Toma tus tres patrones de solicitud más frecuentes y sigue este proceso:

Mide cuántos prompts superan los 100K tokens.
Ejecuta cada patrón con low y medium.
Guarda input_tokens y output_tokens de cada respuesta.
Multiplica los tokens por las tarifas de la tabla.
Compara costo, calidad y tasa de éxito antes de fijar un nivel de esfuerzo predeterminado.

Descarga Apidog para guardar las solicitudes, las variables de entorno y el script de costos en un único proyecto.

¿Cómo usar la API de Claude Haiku 5.5?

Roobia — Thu, 08 Oct 2026 04:11:31 +0000

Para usar la API de Claude Haiku 5.5, envíe una solicitud POST a https://api.anthropic.com/v1/messages con "model": "claude-haiku-5-5", su clave en el encabezado x-api-key y anthropic-version: 2023-06-01. Cuesta $0.10/$0.50 por millón de tokens de entrada/salida para prompts de hasta 100K tokens ($0.50/$2.50 por encima de ese límite), admite hasta 1M de tokens de contexto, genera hasta 128K tokens y usa de forma predeterminada esfuerzo medium con pensamiento adaptativo.

Prueba Apidog hoy

Anthropic lanzó Haiku 5.5 el 7 de octubre de 2026. Es el primer Haiku con niveles de esfuerzo. La guía sobre qué es Claude Haiku 5.5 cubre sus especificaciones y posicionamiento. En este tutorial realizará una primera llamada con cURL, Python y TypeScript; después configurará esfuerzo, pensamiento, caché, lotes, rechazos y conjuntos de herramientas de agente. Puede guardar, ejecutar y validar cada solicitud en Apidog.

API de Claude Haiku 5.5 de un vistazo

Parámetro	Comportamiento de Haiku 5.5
ID del modelo	`claude-haiku-5-5` (Bedrock: `anthropic.claude-haiku-5-5`); no tiene un alias separado
Precio por MTok, prompts de hasta 100K tokens	$0.10 entrada, $0.50 salida, $0.01 lecturas de caché
Precio por MTok, prompts de más de 100K tokens	$0.50 entrada, $2.50 salida, $0.05 lecturas de caché
Contexto / salida máxima	1M / 128K; 300K en Batch con el encabezado beta `output-300k-2026-03-24`
`output_config.effort`	`low`, `medium` (predeterminado), `high`, `xhigh`, `max`
`thinking`	`adaptive` por defecto; `disabled` solo con esfuerzo `high` o inferior
`thinking.display`	El campo `thinking` está vacío por defecto; `summarized` devuelve texto legible
`temperature`, `top_p`, `top_k`	Los valores no predeterminados devuelven 400
Prefill del asistente	Devuelve 400, incluso con pensamiento desactivado
Prompt mínimo cacheable	512 tokens (4,096 en Haiku 4.5)

Fuentes: la página del modelo Haiku 5.5 y la documentación de precios de la API de Claude.

Su primera llamada a la API de Claude Haiku 5.5

Cree una clave en la Consola de Claude y expórtela como ANTHROPIC_API_KEY. La guía de claves de API de Anthropic explica el proceso. No pegue la clave directamente en el código ni la confirme en Git.

Ejecute esta solicitud:

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-haiku-5-5",
    "max_tokens": 4096,
    "output_config": {"effort": "medium"},
    "thinking": {"type": "adaptive", "display": "summarized"},
    "messages": [{
      "role": "user",
      "content": "Classify this ticket as billing, bug, or feature request: The export button times out on large projects."
    }]
  }'

Python

El SDK de Python lee ANTHROPIC_API_KEY desde el entorno:

import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-haiku-5-5",
    max_tokens=4096,
    output_config={"effort": "medium"},
    thinking={"type": "adaptive", "display": "summarized"},
    messages=[
        {
            "role": "user",
            "content": "Classify this ticket as billing, bug, or feature request: The export button times out on large projects.",
        }
    ],
)

for block in response.content:
    if block.type == "thinking":
        print("[thinking]", block.thinking)
    elif block.type == "text":
        print(block.text)

print(response.stop_reason, response.usage)

TypeScript

TypeScript sigue la misma estructura:

import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic();

const response = await client.messages.create({
  model: "claude-haiku-5-5",
  max_tokens: 4096,
  output_config: { effort: "medium" },
  thinking: { type: "adaptive", display: "summarized" },
  messages: [
    {
      role: "user",
      content:
        "Classify this ticket as billing, bug, or feature request: The export button times out on large projects.",
    },
  ],
});

for (const block of response.content) {
  if (block.type === "text") {
    console.log(block.text);
  }
}

console.log(response.stop_reason, response.usage);

Aplique estos tres hábitos en producción:

Procese los bloques por type. Una respuesta puede empezar con un bloque thinking; por eso, acceder a content[0].text puede fallar.
Deje margen en max_tokens. Los tokens de pensamiento cuentan dentro de este límite.
No envíe parámetros incompatibles. Evite temperature, top_p, top_k, budget_tokens y el prefill del asistente. En este modelo, cada uno produce un error 400.

Si está migrando desde código anterior, la guía Haiku 5.5 vs Haiku 4.5 enumera los cambios disruptivos con JSON de antes y después.

Elija un nivel de esfuerzo

Configure el esfuerzo con output_config.effort. Es el principal control de calidad, latencia y costo. La guía de prompts propone estos puntos de partida:

low: el nivel más barato y rápido; úselo para chat, tareas de herramientas cortas y solicitudes simples de alto volumen.
medium: el valor predeterminado; comience aquí para la mayoría de los casos, incluida la codificación agéntica.
high: adecuado para trabajo de conocimiento, tareas de agente largas y seguimiento estricto de instrucciones.
xhigh y max: úselos solo si sus evaluaciones muestran una mejora medible. Anthropic recomienda ejecutar las mismas evaluaciones en Claude Sonnet 5.5 y comparar.

La curva de costos puede aumentar rápidamente. Estas son ejecuciones de Anthropic en OSWorld 2.1 (subconjunto offline), con puntuación de crédito parcial y costo por intento:

Esfuerzo	Puntuación	Costo por intento
`low`	42.0%	$0.0695
`medium`	53.3%	$0.1257
`high`	61.3%	$0.1827
`xhigh`	67.6%	$0.2792
`max`	72.4%	$0.6111

Pasar de xhigh a max más que duplica el costo por menos de cinco puntos de puntuación. El desglose de benchmarks de Haiku 5.5 incluye otros gráficos por nivel de esfuerzo.

En chats con varias interacciones, xhigh puede escribir toda la respuesta en el pensamiento y terminar sin texto visible. Compruebe que exista texto antes de mostrar la respuesta al usuario.

Controlar el pensamiento

El pensamiento adaptativo está activado de forma predeterminada. Respecto a Haiku 4.5, tenga en cuenta estos cambios:

La visualización predeterminada oculta el texto de pensamiento. Cada bloque thinking devuelve un campo thinking vacío y una signature.
Configure "display": "summarized" para obtener resúmenes legibles en registros o interfaces.
Para reducir el pensamiento, baje el nivel de esfuerzo. Pedirle al modelo que responda directamente no lo detuvo en las pruebas de Anthropic.

Puede desactivar el pensamiento únicamente con un esfuerzo high o inferior:

{
  "model": "claude-haiku-5-5",
  "max_tokens": 1024,
  "thinking": {
    "type": "disabled"
  },
  "output_config": {
    "effort": "low"
  },
  "messages": [
    {
      "role": "user",
      "content": "Extract the invoice number from: INV-2291, due Nov 3."
    }
  ]
}

El mismo cuerpo con xhigh o max devuelve un error 400.

Se acepta una tool_choice forzada, ya sea any o una herramienta nombrada. Sin embargo, la respuesta empieza con la llamada de herramienta y no contiene un bloque de pensamiento.

Para flujos multiinteracción o de agentes:

Reenvíe cada bloque de pensamiento sin modificarlo.
Mantenga el historial como solo anexable.
No cambie system, tools ni mensajes previos antes de un bloque de pensamiento devuelto.

Modificar esos datos puede generar un 400. Además, los bloques de pensamiento solo funcionan en la cuenta que los generó o en una cuenta vinculada.

Caché de prompts y trabajos por lotes

El almacenamiento en caché reduce el costo de prompts repetitivos. Para prompts de hasta 100K tokens:

Una lectura de caché cuesta $0.01 por millón de tokens, frente a $0.10 de entrada nueva.
Una escritura de caché de 5 minutos cuesta $0.125 por millón de tokens.
Una escritura de caché de 1 hora cuesta $0.20 por millón de tokens.
El mínimo cacheable es de 512 tokens, frente a 4,096 en Haiku 4.5.

Esto permite cachear prompts de sistema cortos y listas de herramientas. Marque el prefijo estable con cache_control:

{
  "model": "claude-haiku-5-5",
  "max_tokens": 1024,
  "system": [
    {
      "type": "text",
      "text": "You are a support triage assistant. <long, stable policy text here>",
      "cache_control": {
        "type": "ephemeral"
      }
    }
  ],
  "messages": [
    {
      "role": "user",
      "content": "Ticket: refund not received after 10 days."
    }
  ]
}

Cambiar el effort de nivel superior entre solicitudes invalida la caché. El esfuerzo por mensaje, disponible mediante el encabezado beta mid-conversation-output-config-2026-07-01 en la API de Claude y Google Cloud, mantiene la caché.

Consulte la documentación de caché de prompts para los TTL y el explicador de caché de prompts para el concepto.

Para trabajos asíncronos, Message Batches reduce la entrada y la salida un 50%:

$0.05/$0.25 por MTok para prompts de hasta 100K tokens.
$0.25/$1.25 por MTok para prompts de más de 100K tokens.

Batch también es la única vía para generar 300K tokens de salida, usando el encabezado beta output-300k-2026-03-24.

Preste atención al límite de 100K: un prompt de más de 100,000 tokens paga los precios superiores. La guía de precios de Haiku 5.5 incluye ejemplos a ambos lados del umbral.

Manejar `stop_reason: "refusal"`

Haiku 5.5 ejecuta clasificadores de seguridad y puede rechazar una solicitud. No existe un fallback del lado del servidor.

Una solicitud rechazada devuelve stop_reason: "refusal". Las categorías posibles son:

cyber
frontier_llm
bio
general_harms

Si migra desde Haiku 4.5, estos rechazos son nuevos. No reintente ciegamente: enviar exactamente la misma solicitud suele producir otro rechazo.

def run(client, messages):
    response = client.messages.create(
        model="claude-haiku-5-5",
        max_tokens=4096,
        messages=messages,
    )

    if response.stop_reason == "refusal":
        details = getattr(response, "stop_details", None)
        category = getattr(details, "category", "unknown")

        log_refusal(category, messages)  # Su registro
        return {"status": "refused", "category": category}

    text = "".join(
        block.text
        for block in response.content
        if block.type == "text"
    )

    return {"status": "ok", "text": text}

Compruebe stop_reason antes de leer content. Dirija los rechazos a revisión humana o a otro modelo desde su propio código.

Los equipos que realizan trabajo legítimo de seguridad o ciencias de la vida bloqueado por los clasificadores cyber o bio pueden solicitar el Programa de Verificación Cibernética o el Programa de Verificación de Ciencias de la Vida de Anthropic.

Uso de computadora y uso de navegador

En la API de Claude y Google Cloud, Haiku 5.5 admite uso de computadora únicamente mediante el conjunto de herramientas computer_toolset_20260801. No requiere un encabezado beta.

Declarar computer_20250124 devuelve un 400.

El uso del navegador se realiza mediante browser_toolset_20260801, una capacidad no compatible con Haiku 4.5. Los SDK de Python y TypeScript añadieron clases beta para ambos conjuntos el día del lanzamiento.

Consulte la documentación de la herramienta de uso de computadora para ver las herramientas miembro.

Límites de velocidad

Haiku 5.5 tiene los mismos límites de velocidad que Haiku 4.5:

Nivel	Solicitudes por minuto	Tokens de entrada por minuto	Tokens de salida por minuto
Start	1,000	2M	400K
Scale	10,000	10M	2M

El nivel Priority no es compatible. Para manejar respuestas 429, consulte la guía de límite de velocidad excedido.

Pruebe la API de Claude Haiku 5.5 en Apidog

Guardar solicitudes hace repetibles las comparaciones de esfuerzo y la depuración de rechazos. Configure la solicitud en Apidog:

Cree un entorno y añada ANTHROPIC_API_KEY como variable secreta.
Use {{ANTHROPIC_API_KEY}} en el encabezado x-api-key.
Añada los encabezados anthropic-version: 2023-06-01 y content-type: application/json.
Cree una solicitud POST a https://api.anthropic.com/v1/messages.
Pegue el cuerpo de la primera llamada y guarde la solicitud.
Añada estas aserciones:
- El estado HTTP es 200.
- $.stop_reason es igual a end_turn.
- $.usage.output_tokens es mayor que 0.
- $.content[*].type contiene text.
Duplique la solicitud para low, high, xhigh y max, y ejecute la carpeta para comparar usage en su propio prompt.
Añada la variante con prompt de sistema cacheado y compruebe que $.usage.cache_read_input_tokens sea mayor que 0 en la segunda ejecución.

Así, un rechazo o una respuesta vacía de xhigh fallará la prueba en lugar de pasar desapercibido.

Para patrones más amplios, consulte pruebas de aplicaciones LLM.

Preguntas frecuentes

¿Cuál es el ID del modelo Claude Haiku 5.5?

claude-haiku-5-5, sin sufijo de fecha y sin alias separado, en la API de Claude, Google Cloud, Microsoft Foundry y Claude Platform en AWS. En Amazon Bedrock es anthropic.claude-haiku-5-5.

¿Existe una API gratuita de Claude Haiku 5.5?

No hay un nivel gratuito continuo, pero los nuevos usuarios de la API reciben una pequeña cantidad de crédito gratuito para probarla. Los usuarios gratuitos de Claude.ai pueden seleccionar Haiku 5.5 en el chat, pero eso no equivale a tener una clave de API.

Los planes Max y Team incluyen créditos API mensuales. La guía de acceso gratuito explica qué casos cuentan y cuáles no.

¿Por qué mi solicitud migrada a Haiku 5.5 devuelve 400?

Verifique si incluye alguno de estos elementos:

budget_tokens
temperature o top_p con valores no predeterminados
Cualquier top_k
Prefill del asistente
La herramienta antigua computer_20250124

Son las causas habituales.

¿Puedo usar Haiku 5.5 en Claude Code?

Sí, desde la versión v2.1.293. En la API de Anthropic, el alias haiku se resuelve a Haiku 5.5. Consulte Claude Haiku 5.5 en Claude Code.

¿Debo usar Haiku 5.5 o Sonnet 5.5 para codificación agéntica?

Anthropic indica que Sonnet 5.5 y Opus 5.5 siguen siendo mejores opciones para tareas complejas de codificación agéntica. Use Haiku 5.5 para trabajos de alcance limitado, como clasificación, resumen, compresión, subagentes y uso del navegador.

Próximo paso

Envíe su primera solicitud con medium. Después, vuelva a ejecutarla con low y high usando un prompt representativo de su carga de trabajo. Compare usage.output_tokens, latencia y calidad de respuesta.

Descargue Apidog para conservar las tres ejecuciones con aserciones y convertir el próximo lanzamiento del modelo en un cambio de un solo campo.