Claude Fable 5 ची किंमत आणि वापर कधी करावा

Claude Fable 5 ची किंमत किती आहे?

Claude API वर Claude Fable 5 ची किंमत प्रति दशलक्ष input tokens साठी $10 आणि प्रति दशलक्ष output tokens साठी $50 आहे. हे Anthropic ने प्रकाशित केलेले सूची दर आहेत. ते 3 August 2026 रोजी pricing page वरून घेतले आहेत. API model ID claude-fable-5 आहे. हे 9 June 2026 रोजी Claude API, Amazon Bedrock, AWS वरील Claude Platform, Google Cloud आणि Microsoft Foundry वर सर्वसाधारणपणे उपलब्ध झाले.

[
  {
    "label": "Claude Fable 5",
    "input": "10",
    "output": "50",
    "cache_read": "1",
    "batch_input": "5",
    "batch_output": "25"
  },
  {
    "label": "Claude Opus 5",
    "input": "5",
    "output": "25",
    "cache_read": "0.50",
    "batch_input": "2.50",
    "batch_output": "12.50"
  },
  {
    "label": "Claude Sonnet 5 (intro rate)",
    "input": "2",
    "output": "10",
    "cache_read": "0.20",
    "batch_input": "1",
    "batch_output": "5"
  },
  {
    "label": "Claude Sonnet 5 (from 1 Sep)",
    "input": "3",
    "output": "15",
    "cache_read": "0.30",
    "batch_input": "1.50",
    "batch_output": "7.50"
  },
  {
    "label": "Claude Haiku 4.5",
    "input": "1",
    "output": "5",
    "cache_read": "0.10",
    "batch_input": "0.50",
    "batch_output": "2.50"
  }
]

याकडे एका क्रमवारीप्रमाणे पाहा. Fable 5 ची सूचीबद्ध किंमत Claude Opus 5 च्या दुप्पट, सध्याच्या Claude Sonnet 5 दराच्या पाचपट आणि Claude Haiku 4.5 च्या दहापट आहे. बिलाच्या input आणि output या दोन्ही बाजूंवर हेच गुणोत्तर लागू होते, कारण त्या तक्त्यातील प्रत्येक model स्वतःच्या input दराच्या नेमक्या पाचपट output दर ठेवते. त्यामुळे एखाद्या कामासाठी input आणि output tokens चे प्रमाण माहीत असल्यास, गुणाकार करून एका किंमतीचे दुसऱ्या किंमतीत रूपांतर करता येते.

एक तारीख हे गणित बदलते. 31 August 2026 पर्यंत Sonnet 5 साठी प्रति दशलक्ष tokens अनुक्रमे $2 आणि $10 असे introductory pricing लागू आहे. 1 September 2026 पासून त्याची सूचीबद्ध किंमत अनुक्रमे $3 आणि $15 असेल. Fable 5 ची स्वतःची किंमत बदलत नाही. त्यामुळे त्या दिवशी दोन्ही किंमतींमधील फरक पाचपटवरून तीनपटाहून थोडा अधिक इतका कमी होईल. शरद ऋतूसाठी बजेट तयार करत असल्यास, Sonnet चे नंतरचे दर वापरा.

सवलती आणि बिल वाढवणारा एकमेव multiplier

Prompt caching हा सर्वात मोठा खर्च-कपातीचा घटक आहे. Cache read साठी base input price च्या एक-दशांश इतका खर्च येतो. Fable 5 वर हा खर्च प्रति million tokens $1 आहे. Cache मध्ये लिहिण्याचा खर्च सामान्य input token पेक्षा जास्त आहे: पाच मिनिटांच्या cache साठी base च्या 1.25 पट आणि एका तासाच्या cache साठी base च्या 2 पट. पाच मिनिटांचा cache एकदाच read केल्यानंतर स्वतःचा खर्च भरून काढतो. एका तासाचा cache दोन read नंतर खर्च भरून काढतो. त्यामुळे ते सर्वत्र सुरू करण्यापूर्वी prompt caching कुठे break-even होते हे मोजणे आवश्यक आहे.

Batch API input आणि output या दोन्हीवर 50% सवलत देते. त्यामुळे batched Fable 5 कामासाठी प्रति million tokens $5 input आणि $25 output खर्च येतो. Batch requests asynchronous असतात. त्यामुळे त्वरित उत्तर आवश्यक नसलेल्या कामासाठीच हा पर्याय उपयुक्त आहे. या दोन्ही सवलती एकत्र लागू होतात. त्यामुळे cached आणि batched job चा दोन्ही बाजूंवरील खर्च कमी होतो.

Claude 4.6 आणि त्यानंतरच्या models मध्ये 1M token context window standard rates मध्ये समाविष्ट आहे. Long context साठी कोणतेही अतिरिक्त शुल्क नाही. त्यामुळे 900k token request साठी प्रति token दर 9k token request इतकाच असतो.

बिल वाढवणारा multiplier म्हणजे data residency. Inference United States मध्येच ठेवण्यासाठी inference_geo: "us" सेट केल्यास प्रत्येक token category वर 1.1 पट multiplier लागू होतो. यामध्ये cache reads आणि cache writes देखील समाविष्ट आहेत. Contract मध्ये त्याची आवश्यकता नसल्यास default global routing वापरा.

या model साठी एक billing rule वेगळा आहे. Fable 5 मध्ये safety classifiers आहेत. हे classifiers एखादी request नाकारू शकतात. असे झाल्यास Messages API stop_reason: "refusal" परत करते आणि HTTP 200 successful response देते; error परत करत नाही. Output तयार होण्यापूर्वी request नाकारली गेल्यास तिचे billing केले जात नाही. त्याच prompt वर दुसऱ्या Claude model मध्ये retry केल्यास fallback credit मुळे model बदलताना झालेल्या prompt cache cost चा refund मिळतो. त्यामुळे तोच cache पुन्हा warm करण्यासाठी दुहेरी खर्च होत नाही.

कोणत्या plans मध्ये Claude Fable 5 समाविष्ट आहे?

3 August 2026 रोजी Anthropic च्या Claude Fable पृष्ठानुसार, हे model Pro, Max, Team आणि Enterprise users साठी उपलब्ध आहे. Free plan चा उल्लेख केलेला नाही. त्या यादीतील Pro हा सर्वात स्वस्त seat आहे. त्यामुळे Pro ची किंमत आणि त्याच्या usage limits कुठे थांबतात हे Fable साठी कोणत्याही subscription route ची किमान किंमत ठरवते. Developers साठी ते Claude API वर आणि वर नमूद केलेल्या cloud marketplaces द्वारे सामान्यतः उपलब्ध आहे. त्या route वर free tier नाही. त्यामुळे meter सुरू होण्यापूर्वी Anthropic signup वेळी देत असलेला लहान credit एवढाच लाभ मिळतो.

एखाद्या plan वर उपलब्ध असणे आणि कोणत्याही मर्यादेशिवाय समाविष्ट असणे या वेगळ्या गोष्टी आहेत. Anthropic च्या pricing page वरील plan comparison table काही seats साठी Fable ला weekly usage limits मधील वाट्याच्या आधारे, तर इतर seats साठी usage credits च्या आधारे नियंत्रित करते. ही रचना July 2026 मध्ये एकापेक्षा अधिक वेळा बदलली. Fable 5 पुन्हा deploy करण्याबाबत Anthropic च्या स्वतःच्या निवेदनात Pro, Max, Team आणि निवडक Enterprise plans साठी 7 July 2026 पर्यंत weekly usage limits च्या 50% पर्यंत model समाविष्ट असल्याचे सांगितले होते. त्यानंतर usage credits लागू होते. July च्या उर्वरित काळातील अहवालांमध्ये पुढील मुदतवाढी आणि seat types मधील फरकांचे वर्णन होते.

म्हणून हे पृष्ठ प्रत्येक plan साठी स्वतंत्र limit देणार नाही. त्या महिन्यात प्रकाशित झालेला कोणताही आकडा दोन आठवडेही कायम राहिला नाही. त्यामुळे येथे जुना आकडा ठेवण्यापेक्षा आकडा न देणे योग्य आहे. ज्या दिवशी तुम्ही निर्णय घ्याल, त्या दिवशी plan comparison table मधील Fable नावाची row उघडा. News article मधील कोणताही आकडा जुना आहे असे समजा. Fable access साठी seat घेतल्यानंतर table मधील अपेक्षेपेक्षा allowance कमी असल्याचे आढळल्यास, पुढील renewal पूर्वी पुन्हा कमी plan वर जाणे केल्याने आधीच भरलेला महिना अबाधित राहतो.

स्थिर असलेली गोष्ट म्हणजे API rate. कोणत्याही route वर included allowance संपल्यानंतर Fable 5 च्या पुढील वापरासाठी वरील chart मधील prices नुसार billing होते. Enterprise मध्ये ही रचना स्पष्ट दिसते. कारण Enterprise seat fee मुळे access मिळतो, पण tokens साठी त्यावर API rates नुसार स्वतंत्र meter सुरू राहतो. त्यामुळे दोन्ही बाबतीत plan करण्यासाठी price list हाच आधार ठरतो. इतर कोणत्याही Claude model साठी API billing ची subscription शी तुलना केल्यावरही हाच निष्कर्ष मिळतो. तुम्ही अद्याप tier निवडले नसेल, तर तुमच्या usage शी कोणता Claude plan जुळतो यापासून सुरुवात करा. तो seat Fable साठीच नव्हे तर तुमचा रोजचा assistant म्हणूनही वापरणार असाल, तर commit करण्यापूर्वी Claude plans ची किंमत ChatGPT च्या plans शी कशी तुलना होते हे तपासणे उपयुक्त ठरेल.

तुमच्या बिलाची रक्कम किंमत-गुणोत्तरावरून अपेक्षित रकमेपेक्षा जास्त का येते

दस्तऐवजीकरणात नमूद केलेल्या दोन यंत्रणांमुळे साधी किंमत तुलना दर्शवते त्यापेक्षा Fable 5 ची किंमत जास्त पडते.

पहिली यंत्रणा म्हणजे tokenizer. Fable 5 मध्ये Claude Opus 4.7 सोबत सादर केलेला tokenizer वापरला जातो. Opus 4.7 पूर्वी रिलीज झालेल्या models च्या तुलनेत, समान मजकुरामुळे सुमारे 30% अधिक tokens तयार होतात. अचूक वाढ मजकुरावर अवलंबून असते. Haiku 4.5 हा tokenizer येण्यापूर्वीचा model आहे. त्यामुळे price list मधील दहा पट फरक, दोन्ही models ना समान मजकूर दिल्यावर, प्रत्यक्षात तेराच्या जवळपास पट होतो. Sonnet 5 मध्ये नवीन tokenizer वापरला जातो. त्यामुळे Fable आणि Sonnet यांची प्रति-token तुलना योग्य आहे. Fable आणि Haiku यांची तुलना योग्य नाही.

दुसरी यंत्रणा म्हणजे thinking. Fable 5 साठी adaptive thinking नेहमी सुरू असते आणि thinking: {"type": "disabled"} समर्थित नाही. Thinking tokens ची आकारणी output tokens म्हणून, पूर्ण output rate ने केली जाते. या model मध्ये raw chain of thought कधीही परत पाठवली जात नाही. तसेच thinking.display चे default मूल्य "omitted" असते. त्यामुळे दिसणारे उत्तर लहान असले, तरी आकारणी केलेल्या output tokens ची संख्या मोठी असू शकते. Anthropic च्या दस्तऐवजीकरणात हे स्पष्टपणे नमूद केले आहे: आकारणी केलेल्या output tokens ची संख्या response मध्ये दिसणाऱ्या tokens च्या संख्येशी जुळत नाही.

अंदाज करण्याऐवजी breakdown तपासा. usage.output_tokens_details.thinking_tokens हे field reasoning साठी वापरलेल्या आकारणी केलेल्या output tokens ची संख्या दाखवते:

{
  "usage": {
    "input_tokens": 25,
    "output_tokens": 348,
    "output_tokens_details": {
      "thinking_tokens": 312
    }
  }
}

Anthropic च्या thinking documentation मधील या उदाहरणात, आकारणी केलेल्या 348 output tokens पैकी 312 tokens हे वापरकर्त्याला कधीही न दिसलेल्या reasoning साठी होते. तुम्ही stream वापरत असल्यास, हा breakdown केवळ अंतिम message_delta event वर येतो. त्यामुळे शेवटच्या text chunk नंतर वाचन थांबवणारा client हा breakdown कधीही नोंदवणार नाही.

नियंत्रणासाठी effort वापरले जाते. ते output_config.effort वर set केलेले असते आणि त्याचे levels low, medium, high (default), xhigh आणि max आहेत.

{
  "model": "claude-fable-5",
  "max_tokens": 32000,
  "output_config": { "effort": "medium" },
  "messages": [{ "role": "user", "content": "..." }]
}

या model साठी Anthropic च्या मार्गदर्शनानुसार सुरुवात high पासून करा. सर्वाधिक capability-sensitive कामासाठीच ते xhigh पर्यंत वाढवा. नियमित कामासाठी medium किंवा low पर्यंत कमी करा. याचे कारण असे की Fable 5 मध्ये कमी effort वापरणे अनेकदा जुन्या models मधील xhigh पेक्षा चांगले परिणाम देते. यासोबत दोन अडचणी येतात. Requests दरम्यान effort बदलल्यास prompt cache अवैध ठरतो, कारण resolved effort value prompt मध्ये render केली जाते. त्यामुळे प्रत्येक workload साठी एक level निवडा आणि तो स्थिर ठेवा. तसेच max_tokens ही thinking आणि response text यांसह एकूण output वर लागू होणारी hard cap आहे. त्यामुळे thinking नसलेल्या उत्तरासाठी ठरवलेली cap वापरल्यास उत्तर truncate होईल. stop_reason: "max_tokens" दिसल्यास cap वाढवा किंवा effort कमी करा.

पूर्ण झालेल्या कामामागील खर्च, token मागील खर्च नव्हे

[
  {
    "label": "Short answer (5k in, 1k out)",
    "fable_5": "0.10",
    "opus_5": "0.05",
    "sonnet_5": "0.02",
    "haiku_4_5": "0.01"
  },
  {
    "label": "Coding session (300k in, 40k out)",
    "fable_5": "5.00",
    "opus_5": "2.50",
    "sonnet_5": "1.00",
    "haiku_4_5": "0.50"
  },
  {
    "label": "Long agent run (2M in, 400k out)",
    "fable_5": "40.00",
    "opus_5": "20.00",
    "sonnet_5": "8.00",
    "haiku_4_5": "4.00"
  }
]

त्या 3 ओळी benchmark नाहीत; त्या केवळ अंकगणित आहेत. दर प्रकाशित केलेले आहेत. Token चे प्रमाण ही गृहीतके आहेत; ती तुमच्या स्वतःच्या वापराच्या आकडेवारीतील आकड्यांनी बदला. मधल्या ओळीप्रमाणे coding session केल्यास Fable 5 वर खर्च $5.00, तर Sonnet 5 वर $1.00 येतो. दीर्घ run साठी हा खर्च अनुक्रमे $40.00 आणि $8.00 आहे. शेवटच्या ओळीतील Haiku column केवळ अंकगणितासाठी आहे: Haiku 4.5 मध्ये 200k token context window आहे. त्यामुळे ते काम त्यात मावूच शकत नाही.

निर्णय घेण्यासाठी cost per token हे चुकीचे एकक आहे. पूर्ण झालेल्या कामामागील खर्च म्हणजे प्रत्येक प्रयत्नाचा खर्च गुणिले केलेल्या प्रयत्नांची संख्या. आजच्या दरांनुसार Fable 5 च्या एका प्रयत्नाचा खर्च Sonnet 5 च्या पाच प्रयत्नांइतकाच आहे. त्यामुळे केवळ retry count मुळे upgrade करणे जवळजवळ कधीही योग्य ठरत नाही. Token च्या दृष्टीने स्वस्त पर्याय तोट्यात जाण्यासाठी Sonnet पाचपैकी चारपेक्षा अधिक वेळा अपयशी ठरले पाहिजे.

मात्र token bill मध्ये समाविष्ट नसलेल्या सर्व घटकांमुळे हा निर्णय योग्य ठरू शकतो. Chart मधील दोन दीर्घ runs मधील फरक बहुतेक markets मध्ये engineer च्या एका तासाच्या खर्चापेक्षा कमी आहे. महाग model review साठी एक तास वाचवत असेल किंवा नंतर दुरुस्त करावी लागणारी एक चुकीची migration टाळत असेल, तर saving bill मध्ये दिसत नसली तरी त्याचा खर्च वसूल झालेला असतो. तुलना accepted result मागील पैशांत करा आणि एकूण खर्चात तुमचा स्वतःचा वेळ समाविष्ट करा. एक दशलक्ष tokens प्रत्यक्षात काय मिळवून देतात हे जाणून घेतल्यास हा अंदाज खूपच कमी अमूर्त राहतो.

तीन कामे ज्यांसाठी Claude Fable 5 ची किंमत योग्य ठरते

चुकीचा निर्णय महागात पडतो अशा दीर्घकाळ चालणाऱ्या agent प्रक्रिया. Fable 5 तासांनी मोजल्या जाणाऱ्या कामांसाठी तयार केले आहे: 1M token context window, प्रत्येक request साठी 128k पर्यंत output tokens आणि तीस मिनिटांपेक्षा जास्त काळ चालणाऱ्या, लाखो tokens च्या budget असलेल्या कामांसाठी तयार केलेली xhigh effort level. एखाद्या agent ने step 40 वर चुकीचा मार्ग निवडला आणि तो step 300 पर्यंत कोणाच्याही लक्षात आला नाही, तर त्यानंतरच्या cleanup च्या खर्चाच्या तुलनेत ही प्रक्रिया चालवणे योग्य आहे का ते ठरवा.

मोठ्या codebase वर एकदाच चालवले जाणारे migration किंवा audit. एकदाच होणाऱ्या कामात volume द्वारे खर्चाची भरपाई करता येत नाही. त्यामुळे प्रति token अतिरिक्त किंमत एकाच invoice वर येते आणि संपूर्ण काम एका context window मध्ये बसू शकते. हे काम asynchronous पद्धतीने चालवता येत असल्यास, Batch API हा खर्च निम्मा करून प्रति million output tokens $25 इतका करते.

स्वस्त model दोनदा अयशस्वी ठरलेले काम. दोन अयशस्वी प्रयत्न आणि तुमचा debugging वेळ यांचा खर्च वरील chart मधील volumes वर एका Fable प्रयत्नापेक्षा जास्त असतो. त्यामुळे पुढील tier कडे जाणे हा स्वस्त पर्याय ठरतो; model ladder याच कारणासाठी असते. तुम्ही अजूनही सामान्यतः tiers मधून निवड करत असाल, तर Claude model tiers मधील capability comparison या पानावरील प्रश्नापेक्षा वेगळ्या प्रश्नाचे उत्तर देते.

Sonnet 5 किंवा Haiku 4.5 हेच योग्य उत्तर ठरणारी तीन कामे

मोठ्या प्रमाणातील वर्गीकरण आणि माहिती काढणे. या कामांचे मूल्यांकन throughput आणि प्रत्येक unit च्या खर्चावर केले जाते. तसेच गुणवत्ता मर्यादा इतकी कमी असते की स्वस्त model ती सहज गाठतो. Haiku 4.5 एखादे काम योग्यरीत्या पूर्ण करत असेल, तर त्याच कामासाठी दहापट किंमत देऊन Fable 5 वापरल्याने मोजता येईल असा कोणताही अतिरिक्त फायदा मिळत नाही.

Latency हेच उत्पादन असलेले interactive काम. Anthropic च्या model table मध्ये Fable 5 ची तुलनात्मक latency अधिक असल्याचे नमूद आहे. तसेच thinking बंद करता येत नाही. अधिक सक्षम model वापरल्यावर chat box किंवा editor completion चा अनुभव खराब वाटतो, कारण वापरकर्त्यांना गुणवत्ता जाणवण्यापूर्वी प्रतीक्षा जाणवते.

January 2026 नंतर घडलेल्या घटनांवर अवलंबून असलेले कोणतेही काम. Fable 5 ची विश्वसनीय knowledge cutoff January 2026 आहे. Opus 5 ची cutoff May 2026 आहे. अधिक महाग model कमी अद्ययावत आहे. त्यामुळे अलीकडील माहितीविषयक प्रश्नांसाठी search किंवा fetch tools दिले नाहीत, तर जुन्या knowledge साठी तुम्ही दुप्पट पैसे देता.

एक मर्यादा खर्चाशी पूर्णपणे संबंधित नाही. Fable 5 मध्ये 30 day data retention आहे आणि ते zero data retention अंतर्गत उपलब्ध नाही, कारण त्याला Covered Model म्हणून designated केले आहे. तुमच्या करारानुसार zero retention आवश्यक असल्यास, कोणत्याही किंमतीत Fable 5 हा पर्याय नाही. कोणतीही discount ही बाब बदलू शकत नाही.

fable-method repos काय दर्शवतात आणि काय दर्शवत नाहीत

Practitionersनी अशी repos प्रकाशित केली आहेत ज्या Fable 5 च्या काम करण्याच्या पद्धतींचे संक्षिप्त रूप skills मध्ये देतात, जे कमी खर्चाचे model अनुसरू शकते. fable-method repo मध्ये thinking skill, orchestration loop आणि adversarial verifier यांचे वर्णन आहे. हा verifier agentच्या स्वतःच्या reportवर अवलंबून न राहता दावा केलेली प्रत्येक तपासणी पुन्हा चालवतो. त्याच्या READMEमध्ये हे स्पष्टपणे लिहिले आहे: "This is a community distillation, not an Anthropic artifact."

त्याकडे नेमके याच स्वरूपात पाहा. लोक modelला कशा पद्धतीने निर्देश देत आहेत, याचा तो पुरावा आहे. मात्र model प्रत्यक्षात कसे कार्य करते, याचे documentation नाही. त्यातील कोणतीही बाब Anthropicने validate केलेली नाही. तसेच वेगवेगळ्या wordingसह जवळपास एकसारख्या अनेक forks उपलब्ध आहेत. हे specपेक्षा folkloreकडून अपेक्षित असलेल्या स्वरूपाशी जुळते.

Cost decisionसाठी महत्त्वाचा signal असा आहे की लोकांना copy करण्यास उपयुक्त वाटलेले भाग procedural आहेत. Taskचे classification करा, ते पूर्ण झाल्याचे सिद्ध करणारी check निश्चित करा, निर्णय घेण्यापूर्वी evidence गोळा करा आणि summary वाचण्याऐवजी observationद्वारे verify करा. कमी खर्चाच्या modelला स्पष्ट checklist आणि verification step दिल्यास हा फरक काही प्रमाणात कमी होतो. त्यामुळे महाग model standardize करण्यापूर्वी स्वतःच्या evaluation setवर हा experiment चालवा. परिणाम तुमच्या tasksवर अवलंबून असतो. म्हणून इतर कोणाचाही number तुमच्यासाठी फारसा उपयुक्त ठरत नाही.

कमिट करण्यापूर्वी स्वतःचे आकडे तपासा

• प्रत्येक प्रतिसादातील usage वाचा आणि दृश्यमान आउटपुटपासून output_tokens_details.thinking_tokens स्वतंत्रपणे नोंदवा. तुम्हाला दिसत नसलेले reasoning हेच अनेकदा अनपेक्षित खर्चाचे कारण ठरते.
• डीफॉल्ट स्वीकारण्याऐवजी effort स्पष्टपणे सेट करा आणि prompt caching वर अवलंबून असलेल्या कोणत्याही संभाषणात ते स्थिर ठेवा.
• आधी तुमचा स्थिर prefix cache breakpoint च्या मागे ठेवा. base input price च्या one tenth इतक्या किमतीत होणारा cache read बहुतेक model downgrades पेक्षा अधिक बचत करतो.
• ज्यासाठी तात्काळ उत्तर आवश्यक नाही, ते सर्व Batch API कडे हलवा.
• पर्यायाची किंमत वास्तववादी पद्धतीने ठरवा. तुमच्या स्वतःच्या workload वर Claude आणि ChatGPT API pricing ची तुलना करण्यासाठी दीर्घकालीन commitment करण्यापूर्वी एक दुपार देणे उपयुक्त ठरते.

जर workload तुमच्या स्वतःच्या server वर चालणारा agent असेल, तर सर्वाधिक महत्त्वाची controls model choice च्या बाहेर असतात. VPS वर agent costs नियंत्रणात ठेवणे यात runaway session थांबवणाऱ्या loop limits आणि spend caps चे वर्णन आहे, तर Claude Code प्रत्यक्षात tokens कुठे खर्च करते तुमच्या usage dashboard मध्ये दिसणारे आकडे स्पष्ट करते.

FAQ

Claude Fable 5 ची प्रति दशलक्ष tokens किंमत किती आहे?

Anthropic च्या pricing page वर 3 August 2026 रोजी तपासलेल्या माहितीनुसार, Claude API वर Claude Fable 5 ची किंमत प्रति दशलक्ष input tokens $10 आणि प्रति दशलक्ष output tokens $50 आहे. Cache read साठी प्रति दशलक्ष tokens $1 आकारले जातात. हा मूळ input दराच्या एक दशांश आहे. Batch API दोन्ही प्रकारच्या tokens वर 50% सवलत देते. त्यामुळे asynchronous कामासाठी प्रति दशलक्ष tokens चे दर अनुक्रमे $5 आणि $25 आहेत. inference_geo parameter वापरून inference United States मध्येच ठेवले, तर प्रत्येक श्रेणीवर 1.1 पट multiplier लागू होतो.

Claude Fable 5 Claude Pro subscription मध्ये समाविष्ट आहे का?

Anthropic च्या Claude Fable page वर हे model Pro, Max, Team आणि Enterprise users साठी उपलब्ध असल्याचे नमूद आहे. Free plan चा उल्लेख त्यात नाही. समाविष्ट access अमर्यादित नाही. काही seats मध्ये Fable चा वापर weekly usage limits मधील वाटा म्हणून उपलब्ध होतो. इतर seats मध्ये तो usage credits द्वारे उपलब्ध होतो. July 2026 मध्ये ही व्यवस्था एकापेक्षा जास्त वेळा बदलली. तुम्ही निर्णय घेत असलेल्या दिवशी Anthropic च्या pricing page वरील plan comparison table मधील Fable असे label असलेली row वाचा. एखाद्या article मधील आकड्यावर अवलंबून राहू नका. समाविष्ट allowance संपल्यानंतरचा अतिरिक्त वापर API rate नुसार bill केला जातो.

दिसणाऱ्या output पेक्षा Claude Fable 5 चे bill जास्त का आहे?

Claude Fable 5 साठी adaptive thinking नेहमी सुरू असते. Thinking tokens चे billing output tokens प्रमाणे केले जाते. Raw chain of thought कधीही परत पाठवली जात नाही. thinking.display चे default मूल्य omitted असताना, तुम्हाला रिकामे thinking field दिसते; मात्र त्यामागील प्रत्येक reasoning token साठी शुल्क आकारले जाते. Response मधील usage.output_tokens_details.thinking_tokens वाचा, म्हणजे हा विभाजन तपासता येईल. Streaming वापरताना ते फक्त अंतिम message_delta event मध्ये येते. Reasoning आणि answer यांचे प्रमाण task साठी आवश्यकतेपेक्षा जास्त असल्यास effort level कमी करा.

मी Claude Fable 5 वापरावे की Claude Opus 5?

Claude Opus 5 ची प्रति token किंमत निम्मी आहे. तसेच त्याचा reliable knowledge cutoff अधिक अलीकडचा आहे: Opus 5 साठी May 2026, तर Fable 5 साठी January 2026. प्रथम Opus 5 वर काम सुरू करा. तेथे task अपयशी ठरल्यास किंवा चुकीच्या उत्तराची किंमत price difference पेक्षा जास्त असल्यास Fable 5 वर जा. दीर्घकालीन agent work साठी Claude Fable 5 योग्य पर्याय आहे, विशेषतः एका चुकीच्या branch मुळे तासन्‌तास cleanup करावे लागणार असेल तेव्हा. तसेच, ज्या one off jobs मध्ये premium प्रत्येक request वर कायम लागू होण्याऐवजी एकाच invoice मध्ये येतो, त्या कामांसाठीही तो योग्य आहे.