Fable ha dejado de estar disponible, pero no toca rendirse ── Aguantar con OpenRouter Fusion＋LLM chinos＋una capa de revisión

1. Fable ha muerto. Y ahora, ¿qué hacemos?

Se lo digo con franqueza: esto no se acerca ni de lejos a Fable.

En el momento de escribir este artículo, «Fable», el modelo estrella de Anthropic, ha dejado de estar disponible dentro del marco de las suscripciones de tarifa plana. Aquella precisión, aquella velocidad, aquella sensación de integración total… Por ahora no existe ninguna alternativa que la supere.

¿Qué era Fable? ── Repaso de los antecedentes

Para quienes no conozcan Fable, conviene repasar antes los antecedentes.

Fable es el nombre con el que se conoce a Claude Fable 5, el modelo insignia que Anthropic anunció el 9 de junio de 2026. Según el anuncio oficial, se posiciona de la siguiente manera.

El mismo anuncio también detalla las modalidades de disponibilidad. En la API de Claude y en los planes Enterprise de pago por uso, está disponible desde el mismo momento del anuncio; en cambio, en los planes de suscripción se incluye sin coste adicional hasta el 22 de junio de 2026, y a partir de esa fecha requiere usage credits hasta que se pueda garantizar capacidad suficiente.

Es decir, el modelo no ha desaparecido. Lo que ha ocurrido en realidad es que ya no se puede seguir usando como antes dentro del marco de una suscripción de tarifa plana. Este artículo busca una configuración alternativa únicamente bajo esa condición de «dentro del marco de tarifa plana». Si dispone de presupuesto para conectarse a la API con pago por uso, lo más rápido es sencillamente usar Fable.

Más que el modelo en sí, lo que se ha perdido es la experiencia de «lanzarle todo a un solo modelo y que funcione». Considere la configuración que se arma a continuación como un intento de aproximar esa experiencia mediante la deliberación de varios modelos y una capa de revisión.

Aun así, no podemos quedarnos de brazos cruzados. Al buscar alternativas, las opciones son más o menos estas:

• Claude Code / Claude Sonnet: inteligente, pero por sí solo no alcanza la precisión de Fable y además sale caro.
• GPT-5 / GPT-5.5: sorprendentemente flojo. Se queda sin aliento enseguida al trabajar con bases de código largas. Y encima es caro.
• Cursor / Windsurf: la experiencia es buena, pero depende del modelo que haya detrás. No permite una configuración libre.
• LLM locales (Ollama, etc.): dan velocidad, pero la precisión cae en picado al pasarles un repositorio real.

Para los fundamentos del uso de la IA en programación, puede consultar también este artículo. Guía completa de Claude Code: de la instalación al uso profesional, un repaso a fondo del nuevo estándar de la programación con IA

Después de probar varias cosas, a lo que he llegado es a generar código con la función Fusion de OpenRouter combinada con LLM chinos, y rematarlo pasándolo por una revisión de gpt-5.5-pro o una revisión de PR de Codex. No compite en absoluto con Fable, pero es mucho mejor que el gpt-5.5 a secas. Resulta razonablemente utilizable.

Ahora bien, al tratarse de LLM chinos, dar de comer código de trabajo da bastante miedo. La premisa es usarlo únicamente en el ámbito de proyectos personales o de afición. Qué es exactamente lo que da miedo se desglosa en el capítulo 3, en «Qué se le pasa a un LLM chino».

Cómo leer las valoraciones de este artículo

Aclaro esto por adelantado. Valoraciones como «flojo», «equivalente o superior» o «mucho mejor» que aparecen en este artículo son en su totalidad impresiones personales del autor tras usarlos en su propio trabajo. No se basan en puntuaciones de benchmarks estándar ni en experimentos comparativos con condiciones controladas. De aquí en adelante, entienda que toda valoración sin aclaración explícita es una impresión personal.

Lo único que se puede verificar de forma objetiva es el precio, y aun así varía con el tiempo. Puede consultar el precio actual de cada modelo en el listado de modelos de OpenRouter. Si se plantea adoptar esta configuración, compruebe usted mismo los precios sin falta.

Dicho de otro modo, si le basta con impresiones personales, esta configuración se puede probar desde hoy mismo. Le pido que lea el resto del artículo con ese planteamiento en mente.

2. Qué es OpenRouter Fusion

OpenRouter es una puerta de enlace de API que permite invocar de forma unificada a múltiples proveedores de LLM. Claude, GPT, Gemini, DeepSeek: todos se pueden usar a través de la misma interfaz.

OpenRouter cuenta con una función llamada «Fusion».

En pocas palabras, es un mecanismo que envía un mismo prompt a varios modelos, analiza sus respuestas y hace que un único modelo redacte la salida final. Podría llamarse un «sistema de deliberación colegiada entre modelos».

En concreto, funciona con el siguiente flujo:

1. El usuario introduce un prompt.
2. Los modelos especificados en analysis_models generan respuestas al mismo prompt de forma simultánea.
3. El modelo especificado en model compara y analiza esas respuestas, estructurando puntos de acuerdo, contradicciones, carencias y puntos ciegos (haciendo de judge).
4. A continuación, ese mismo modelo redacta la respuesta final a partir de dicho análisis.

Lo importante es que no es posible asignar roles o prompts distintos a cada modelo de análisis. Todos los modelos reciben el mismo prompt, responden de forma independiente, y el judge evalúa las diferencias entre esas respuestas: un mecanismo sencillo.

El agente de programación por línea de comandos opencode admite Fusion de forma nativa como plugin. Basta con escribir la configuración en opencode.json para contar con un agente en el que varios modelos colaboran para generar y revisar código.

3. La configuración real

Puesta en marcha ── Instalación de opencode y conexión con OpenRouter

Antes de entrar en el contenido del archivo de configuración, resumamos los pasos previos para llegar hasta ahí.

1. Instalar opencode

curl -fsSL https://opencode.ai/install | bash

También se puede instalar mediante un gestor de paquetes. En Windows, la documentación oficial recomienda usar WSL.

npm install -g opencode-ai            # Node.js
brew install anomalyco/tap/opencode   # macOS / Linux
scoop install opencode                # Windows

2. Registrar la clave de API de OpenRouter

Cree una clave desde Create API Key en el panel de OpenRouter. A continuación, inicie opencode en el directorio donde quiera trabajar, ejecute /connect, elija OpenRouter de la lista de proveedores y pegue la clave.

cd /path/to/project
opencode

/connect

La clave registrada se guarda en ~/.local/share/opencode/auth.json. No hace falta escribirla directamente en el archivo de configuración, y de hecho no debe hacerlo.

3. Colocar opencode.json

El archivo de configuración se puede colocar principalmente en dos ubicaciones.

Si existen ambos, se fusionan, y solo cuando una clave entra en conflicto tiene prioridad la del proyecto. La configuración de Fusion que se muestra a continuación funciona en cualquiera de los dos sitios. Yo la uso de forma habitual, así que la tengo en el archivo global. Además, si añade "$schema": "https://opencode.ai/config.json" al principio del archivo, el editor le ofrecerá autocompletado y validación.

4. Inicializar el proyecto

/init

opencode analiza el proyecto y genera AGENTS.md. Se recomienda incluir este archivo en el control de versiones con Git. Su contenido refleja la estructura del proyecto y las convenciones de codificación empleadas.

Configuración de Fusion

Lo siguiente es la parte central del opencode.json que uso actualmente.

{
  "model": "openrouter/openrouter/fusion",
  "provider": {
    "openrouter": {
      "models": {
        "openrouter/fusion": {
          "name": "OpenRouter Fusion (Custom DeepSeek V4 Pro)",
          "options": {
            "plugins": [
              {
                "id": "fusion",
                "analysis_models": [
                  "xiaomi/mimo-v2.5-pro",
                  "z-ai/glm-5.1",
                  "deepseek/deepseek-v4-pro",
                  "moonshotai/kimi-k2.7-code",
                  "minimax/minimax-m3"
                ],
                "model": "deepseek/deepseek-v4-pro",
                "max_tool_calls": 8
              }
            ]
          }
        }
      }
    }
  }
}

Se compone de cinco modelos de análisis y un modelo de ejecución.

Modelos de análisis (todos ven el mismo prompt y responden a la vez)

Modelo de ejecución (redacta la respuesta final a partir de los análisis)

• deepseek/deepseek-v4-pro: se encarga de la generación de código y la edición de archivos propiamente dichas, a partir de las respuestas de los modelos de análisis.

Por qué LLM chinos

Sencillamente porque su relación calidad-precio es arrolladora.

En 2026, los LLM procedentes de China tienen precios de API de entre 1/5 y 1/20 de los de Anthropic u OpenAI, con un rendimiento equivalente o superior. En particular, la capacidad de programación de DeepSeek V4 Pro a menudo da la sensación, en uso real, de igualar o incluso superar a Claude Sonnet y GPT-5.5.

Ahora bien, tanto ese «entre 1/5 y 1/20» como el «equivalente o superior» son, como se aclaró en el capítulo 1, impresiones basadas en el uso personal del autor. Los precios varían según el modelo y el proveedor y cambian con el tiempo, así que compruebe el precio real en el listado de modelos de OpenRouter antes de decidir. El rendimiento tampoco se ha verificado con benchmarks públicos.

Qué se le pasa a un LLM chino ── Criterios para el uso profesional

En el capítulo 1 se decía que «dar de comer código de trabajo da miedo». Como no se puede decidir nada teniendo solo un miedo vago, desglosemos qué es lo que puede llegar a ocurrir.

Como advertencia, la imposición de ZDR solo afecta al enrutamiento de las solicitudes de inferencia. Plugins y herramientas como la búsqueda web funcionan sobre servicios de terceros y siguen sus propias políticas de conservación de datos. Compruebe por separado la política de cada herramienta que active.

Dicho esto, resulta más sencillo decidir si es apto para uso profesional siguiendo este orden de razonamiento:

1. Separe lo que envía. No envíe código, especificaciones o datos de clientes sujetos a un acuerdo de confidencialidad o a un contrato de encargo. Limítese a enviar aquello sobre lo que tiene derechos propios o que ya es público. Si no puede trazar esta línea con claridad, no tiene sentido plantearse los pasos siguientes.
2. Revise el contrato. En el desarrollo por encargo, suele haber cláusulas sobre la «posibilidad de subcontratación» o la «salida de información hacia el exterior». Si el hecho de enviar datos a un servicio de LLM externo entra dentro de esas cláusulas no es algo que deba decidir por su cuenta, sino que debe acordarlo con el cliente. Si se mezclan datos personales, puede tratarse de una «provisión a un tercero en el extranjero» según la ley de protección de datos personales, por lo que también será necesario verificarlo conforme a las directrices de la Comisión de Protección de Información Personal (sobre provisión a terceros en el extranjero).
3. Ciérrelo mediante configuración. Una vez superados los puntos 1 y 2, cierre mediante configuración el uso para entrenamiento, la conservación de registros y la transferencia transfronteriza de la tabla anterior.
4. Deje constancia por escrito. Anote qué modelo recibe qué datos en su operativa. Esto será útil si más adelante le piden explicaciones.

La configuración de este artículo asume, ya en el paso 1, que se limita «a proyectos personales y de afición». Si desea usarla en el trabajo, hágalo únicamente después de pasar al menos por los puntos 2 y 3.

4. Cómo funciona ── Con Fusion solo no basta

El flujo de Fusion por sí solo es el siguiente.

1. El usuario introduce un prompt.
2. Los cinco modelos de análisis generan respuestas cada uno de forma independiente.
3. El modelo de ejecución (DeepSeek V4 Pro) compara y analiza esas respuestas, generando un análisis estructurado que extrae puntos de acuerdo, contradicciones y carencias.
4. A partir de ese análisis, el mismo modelo de ejecución (DeepSeek V4 Pro) genera el código final.

Esto se parece al desarrollo en equipo humano. Es como si cinco ingenieros vieran la misma especificación y cada uno diera sus propios comentarios de revisión, y una sola persona (DeepSeek V4 Pro) los analizara, los organizara y luego implementara el resultado.

Sobre el límite de la ventana de contexto: la ventana de contexto de Fusion es de 128K tokens. A primera vista puede parecer poco, pero como hay que incluir tanto el historial de la conversación como todas las respuestas de los cinco modelos, se llena antes de lo esperado. Aun así, no hay que alarmarse. Aunque se supere el límite de 128K y falle el paso de síntesis de Fusion, cada modelo de análisis ya ha terminado de procesar el prompt por su cuenta (con ventanas de contexto lo bastante amplias: DeepSeek V4 Pro con un millón de tokens, Kimi K2.7 con unos 260.000, etc.). Como opencode también conserva el historial de conversación de toda la sesión, la «memoria» de los modelos no se pierde. En la práctica, la sensación es que esto no supone un inconveniente serio.

Pero con esto solo, ni de lejos se alcanza a Fable. Al fin y al cabo, Fable, pese a ser un único modelo, ofrecía una precisión que superaba con holgura a la deliberación colegiada de varios modelos. La verdadera fuerza de Anthropic.

Por eso, se intercala una capa de revisión adicional sobre la salida de Fusion. Hay dos opciones.

Opción A: revisión de código con gpt-5.5-pro

1. Generar código con la configuración de Fusion.
2. Pasarle el código generado a gpt-5.5-pro con la instrucción «revísalo y propón correcciones».
3. Hacer que el modelo de ejecución original aplique esas propuestas de corrección.

En la práctica, esto se hace especificando gpt-5.5-pro como subagente mediante la función task de opencode, con la instrucción de «revisar y proponer correcciones».

gpt-5.5-pro es flojo generando código por sí solo, pero revisando código ya existente, es decir, buscando defectos en código escrito por otros, resulta sorprendentemente bueno.

Opción B: revisión de PR de GitHub Codex

1. Generar código con la configuración de Fusion.
2. Presentarlo como PR y pasarlo por la revisión de PR de GitHub Codex.
3. Codex señala posibles errores o problemas de diseño, y esas observaciones se incorporan.

Como Codex revisa teniendo en cuenta el contexto de GitHub (issues, PR anteriores, estructura del proyecto), señala cuestiones desde una perspectiva distinta a la de una revisión con un LLM genérico.

Basta con una de las dos. Puede elegir cuál usar según le apetezca, pero pasar por ambas es claramente excesivo y demasiado lento. Se trata de un esquema en dos etapas: Fusion (deliberación de cinco modelos) → revisión (gpt-5.5-pro o Codex). La idea es compensar con proceso lo que le falta frente a un único disparo de Fable.

Los errores de versión de bibliotecas y el uso de API inexistentes que suele cometer el gpt-5.5 a secas han disminuido notablemente con esta configuración.

5. Velocidad y utilidad práctica

La velocidad en sí no difiere demasiado de la de un único modelo. Al ejecutarse los cinco modelos en paralelo, el tiempo de respuesta puro resulta aceptable.

El problema es la precisión. Donde con Fable bastaría un solo intento, con esta configuración se producen varios retrabajos. Como resultado, el tiempo total de desarrollo es claramente más lento que con Fable. Se vuelve más lento en la misma medida en que se equivoca.

Aun así, es mucho mejor que el gpt-5.5 a secas. El código generado con Fusion más revisión se acerca bastante a la solución correcta desde el primer intento, y resulta sin duda más rápido que caer, con gpt-5.5 solo, en un bucle infinito de generar → corregir → corregir → corregir.

La impresión general es: «la velocidad no está mal; en precisión no se acerca ni de lejos a Fable, pero es notablemente mejor que el gpt-5.5 a secas».

6. Extra: otras configuraciones de opencode

La capa de revisión (gpt-5.5-pro o la revisión de PR de Codex) ya se trató en el capítulo 4. Aquí se abordan el resto de configuraciones.

El resto de la configuración

En opencode.json incluyo, además de Fusion, algunas otras configuraciones prácticas.

{
  "permission": {
    "read": "allow",
    "glob": "allow",
    "grep": "allow",
    "task": "allow",
    "webfetch": "allow",
    "websearch": "allow",
    "lsp": "allow",
    "edit": "allow",
    "bash": {
      "*": "allow",
      "Remove-Item *": "deny",
      "del *": "deny",
      "rm *": "deny",
      "rmdir *": "deny",
      "rd *": "deny",
      "erase *": "deny",
      "git clean *": "deny"
    }
  },
  "experimental": {
    "primary_tools": ["task"]
  }
}

Hay dos puntos clave.

1. Bloqueo de comandos de eliminación

Se deniegan explícitamente Remove-Item, del, rm, rmdir, rd, erase y git clean. Da miedo dejar la eliminación de archivos en manos de un agente de IA. Cuando de verdad hace falta borrar algo, lo hago yo mismo.

2. primary_tools: ["task"]

Se da prioridad a la exploración en paralelo mediante subagentes (task). Al leer o buscar en varios archivos simultáneamente dentro de una base de código grande, hacerlo a través de task es abrumadoramente más rápido.

7. Resumen

Que Fable haya dejado de poder usarse dentro del marco de tarifa plana duele. Duele de verdad. Por ahora no hay nada que la supere.

Pero no es momento de quedarse de brazos cruzados, así que salgo del paso generando con OpenRouter Fusion más LLM chinos y rematando con una revisión de gpt-5.5-pro o una revisión de PR de Codex.

Los puntos clave de esta configuración:

• Generación de código mediante la «deliberación colegiada» de cinco modelos con OpenRouter Fusion.
• Modelos de análisis: Xiaomi Mimo / GLM / DeepSeek / Kimi / MiniMax.
• Modelo de ejecución: DeepSeek V4 Pro.
• Capa de revisión final: gpt-5.5-pro o revisión de PR de Codex (basta con una de las dos).
• Velocidad equivalente a la de un único modelo. Sin embargo, al perder precisión frente a Fable, el retrabajo la ralentiza.
• Mucho mejor que el gpt-5.5 a secas. No se acerca a Fable, pero resulta utilizable en la práctica.
• Al ser LLM chinos, resulta difícil de usar con código de trabajo. Solo hasta proyectos de afición y desarrollo personal (consulte el procedimiento de decisión en la tabla del capítulo 3).
• Todas las valoraciones anteriores son impresiones personales del autor. Consulte los precios en el listado de modelos de OpenRouter.

Si con su agente de programación de IA siente que «echa mucho de menos a Fable» o que «el gpt-5.5 a secas es demasiado flojo», vale la pena probar esto como solución de transición.

Creando una cuenta de OpenRouter e instalando opencode siguiendo los pasos de puesta en marcha del capítulo 3, puede probarlo desde hoy mismo.

Referencias

• OpenRouter: Fusion plugin
• OpenRouter: Fusion Router
• OpenRouter: OpenCode integration
• OpenRouter: Provider Logging ── Política de uso para entrenamiento y de conservación de datos por proveedor, y su configuración de filtrado
• OpenRouter: Zero Data Retention ── Configuración para enrutar solo a endpoints ZDR y su alcance de aplicación
• OpenRouter: Models ── Precio actual de cada modelo
• opencode: Intro ── Pasos desde la instalación hasta /init
• opencode: Providers ── Procedimiento de conexión con OpenRouter y ubicación de las credenciales guardadas
• opencode: Config ── Ubicación del archivo de configuración y orden de fusión
• GitHub Codex: PR review
• Anthropic: Claude Fable 5 and Claude Mythos 5 ── Información primaria sobre el posicionamiento, el precio y las modalidades de disponibilidad de Fable
• Comisión de Protección de Información Personal: directrices (sobre provisión a terceros en el extranjero) ── Tratamiento de la transferencia transfronteriza de datos cuando hay datos personales implicados
• Nocode Solutions: Guía completa de Claude Code: de la instalación al uso profesional, un repaso a fondo del nuevo estándar de la programación con IA ── Fundamentos del uso de la IA en programación

Artículos relacionados

Artículos recientes con las mismas etiquetas para profundizar en temas cercanos.

Temas relacionados

Estas páginas sitúan el tema en un contexto más amplio de servicios y decisiones.

Servicios relacionados con este tema

El artículo está directamente relacionado con los siguientes servicios.

Preguntas frecuentes

Preguntas habituales en las consultas sobre el tema del artículo.

¿Qué es la función Fusion de OpenRouter?

Es un mecanismo que envía un mismo prompt a varios modelos a la vez, deja que uno de ellos (haciendo de juez) compare y analice sus respuestas para estructurar puntos de acuerdo, contradicciones y carencias, y hace que ese mismo modelo redacte la respuesta final a partir de dicho análisis. Podría describirse como un sistema de deliberación colegiada entre modelos. No es posible asignar roles o prompts distintos a cada modelo de análisis: todos reciben exactamente el mismo prompt. El agente de programación por línea de comandos opencode admite Fusion de forma nativa como plugin; basta con escribir la configuración en opencode.json para usarlo.

¿Por qué usar LLM chinos?

Sencillamente por su relación calidad-precio arrolladora. En 2026, los LLM chinos ofrecen precios de API de entre 1/5 y 1/20 de los de Anthropic u OpenAI, con un rendimiento equivalente o superior. En particular, la capacidad de programación de DeepSeek V4 Pro a menudo da la sensación, en uso real, de igualar o incluso superar a Claude Sonnet y GPT-5.5. Ahora bien, entregar código de trabajo a LLM chinos supone un riesgo real, así que este planteamiento está pensado exclusivamente para proyectos personales o de afición.

¿Por qué no basta con Fusion por sí solo?

Porque ni siquiera la deliberación colegiada de cinco modelos alcanza la precisión de Fable. Por eso se añade una capa de revisión adicional a la salida de Fusion. Hay dos opciones: hacer que gpt-5.5-pro revise el código generado y aplicar sus propuestas de corrección, o presentar el código como PR y pasarlo por la revisión de PR de GitHub Codex; basta con una de las dos. gpt-5.5-pro es bastante flojo generando código por sí solo, pero sorprendentemente bueno revisando código ya existente, mientras que Codex ofrece observaciones que tienen en cuenta el contexto completo del proyecto.

¿Qué tan práctico resulta este montaje?

Como los cinco modelos se ejecutan en paralelo, la velocidad apenas difiere de la de un único modelo. La precisión, en cambio, queda muy por detrás de Fable, y los retrabajos que genera alargan claramente el tiempo total de desarrollo. Aun así, es sin duda más rápido que caer, con gpt-5.5 a secas, en un bucle infinito de generar y corregir, y los errores de versión de bibliotecas o el uso de API inexistentes han disminuido de forma notable. Basta con tener una cuenta de OpenRouter para probarlo de inmediato.

Perfil del autor

Página de presentación del autor del artículo.

Go Komura

Representante de KomuraSoft LLC

Especializado en desarrollo de software para Windows, consultoría técnica e investigación de fallos, sobre todo en proyectos con sistemas existentes y errores difíciles de reproducir.