$ banco de capsul
Medido, incluido lo que costó el ahorro.
Cada cifra viene de una ejecución reproducible. Los intervalos van junto a las medianas, y las filas donde se perdió una comprobación de respuesta lo dicen en la fila, no en una nota al pie.
/benchmark · septiembre de 2026
Medido con Claude y Codex.
Lo que realmente sale por el cable, modelo a modelo.
Las mismas cinco preguntas breves, al mismo modelo, con y sin capsul. Las barras muestran la reducción de la entrada ponderada por la caché. Son campañas distintas; el ahorro varía según la tarea y la caché.
parte de la entrada que capsul no envía
ahorrados por capsulaún enviados= claude -p
Haiku 5.5
−60 %
- claude -p
- 270 145
- capsul
- 107 326
Haiku 4.5
−69 %
- claude -p
- 298 826
- capsul
- 93 693
Sonnet 5.5
−70 %
- claude -p
- 240 175
- capsul
- 71 726
Sonnet 5
−63 %
- claude -p
- 295 652
- capsul
- 110 166
Sonnet 4.6
−50 %
- claude -p
- 169 531
- capsul
- 85 171
Opus 4.6
−64 %
- claude -p
- 230 791
- capsul
- 82 199
Opus 4.7
−62 %
- claude -p
- 257 855
- capsul
- 96 722
Opus 4.8
−80 %
- claude -p
- 347 589
- capsul
- 71 236
Opus 5
−69 %
- claude -p
- 303 384
- capsul
- 95 151
Opus 5.5
−69 %
- claude -p
- 266 953
- capsul
- 82 584
Fable 5
−66 %
- claude -p
- 264 411
- capsul
- 89 855
Fable 5.1
−69 %
- claude -p
- 277 520
- capsul
- 86 622
Método
Dos brazos, con el mismo modelo impuesto a ambos. El brazo desnudo lanza la CLI del agente tal como la lanza cualquiera; el brazo capsul envía la misma pregunta a través de capsul al mismo modelo. Comparar dos modelos distintos sería comparar tarifas, no herramientas.
La unidad es la entrada ponderada por caché: token nuevo con peso completo, lectura de caché a una décima parte. En una suscripción el token bruto no es lo que se contabiliza, y un recuento bruto favorece al brazo que casualmente cachea mejor.
Se conserva cada celda. Nada se descarta por incómodo, y cada campaña indica cuántas celdas se ejecutaron y cuántas se descartaron. En la última campaña de Claude ese segundo número es cero: se midieron las 360 celdas.
Cada pregunta se hace tres veces por brazo y se promedian las tres ejecuciones. La primera ejecución escribe la caché de prompts y las dos siguientes la leen, así que tomar la mediana conservaría la ejecución en caliente dos de cada tres veces e inflaría cada ganancia. La media es la cifra más prudente, y es la que se publica.
Los intervalos se obtienen por bootstrap al 90 por ciento y se dibujan en el mismo eje que la ganancia, con la línea del uno visible debajo. Un intervalo que cruza esa línea significa que la medición no establece nada, y está hecho para verse.
Lo que estas cifras no dicen
- Una mediana no es una promesa. Las doce ganancias por modelo van de x1,99 a x4,88, con x3,06 en el centro, y dentro de un mismo modelo la ganancia cambia con la pregunta: en Opus 4.8 va de x2,44 en una tarea a x8,64 en otra.
- Ninguno de los doce modelos Claude pierde una comprobación de respuesta con capsul, y seis ganan al menos una: Haiku 4.5 gana dos; Haiku 5.5, Opus 4.6, Opus 4.8, Opus 5.5 y Fable 5.1 una cada uno. Un ahorro comprado con una respuesta incorrecta no es un ahorro, así que la cuenta se da aquí en lugar de omitirse.
- El protocolo son preguntas cortas de una línea, que es donde la ganancia es mayor. Una tanda anterior con prompts de diez líneas, del 4 de septiembre de 2026 con 126 celdas, dio de x1,09 a x3,34 con dos filas que no establecen nada. Si escribes prompts largos, es esa tanda la que te describe y no esta tabla. En una tarea publicada la ganancia es casi nula: x1,05 en Sonnet 4.6.
- Las campañas son distintas. Cifras de fechas diferentes se midieron sobre versiones diferentes del código: una fila se compara con su propia campaña, no necesariamente con otra.
- Estas cifras miden la entrada enviada a un modelo. No miden cuánta cuota de suscripción supone, que depende de ponderaciones que no controlamos.
Los datos en bruto
La campaña más reciente se publica en JSON, con su protocolo y sus cifras tarea por tarea. Quien no nos crea la tabla puede leer el archivo.