Contador de Tokens de Claude Actualizado con Función de Comparación de Modelos

Actualización de la herramienta: Se añade comparación de modelos
Simon Willison actualizó su herramienta Contador de Tokens de Claude para añadir la capacidad de ejecutar el mismo recuento en diferentes modelos y compararlos. La herramienta acepta cualquier ID de modelo de Claude, con opciones para cuatro modelos actuales destacados: Opus 4.7 y 4.6, Sonnet 4.6 y Haiku 4.5.
Hallazgos clave sobre los cambios en el tokenizador
Según el anuncio de Anthropic sobre Opus 4.7, el modelo utiliza un tokenizador actualizado que mejora el procesamiento de texto, pero hace que la misma entrada se traduzca en más tokens—aproximadamente entre 1.0 y 1.35 veces más, dependiendo del tipo de contenido.
Resultados específicos de las pruebas:
- Al pegar el mensaje del sistema de Opus 4.7 en la herramienta de recuento de tokens, Opus 4.7 utilizó 1.46 veces la cantidad de tokens que Opus 4.6
- Opus 4.7 mantiene el mismo precio que Opus 4.6 (5 dólares por millón de tokens de entrada, 25 dólares por millón de tokens de salida), pero la inflación de tokens significa que podría ser aproximadamente un 40% más caro
- Claude Opus 4.7 es el primer modelo que cambia el tokenizador, haciendo que las comparaciones sean principalmente relevantes entre las versiones 4.7 y 4.6
Resultados del recuento de tokens en imágenes
La herramienta contadora de tokens también acepta imágenes. Opus 4.7 tiene un soporte mejorado para imágenes, aceptando imágenes de hasta 2,576 píxeles en el lado largo (~3.75 megapíxeles), más de tres veces que los modelos anteriores de Claude.
Resultados de pruebas con imágenes:
- Una imagen PNG de 3456×2234 píxeles y 3.7MB mostró 3.01 veces más tokens para Opus 4.7 en comparación con 4.6
- Actualización: Este aumento de 3 veces se debe completamente a que Opus 4.7 maneja resoluciones más altas. Una imagen de 682×318 píxeles tomó 314 tokens con Opus 4.7 y 310 con Opus 4.6—efectivamente el mismo costo
Comparación del procesamiento de PDF
Para un PDF de 15MB y 30 páginas con mucho texto:
- Opus 4.7 reportó 60,934 tokens
- Opus 4.6 reportó 56,482 tokens
- Esto representa un multiplicador de 1.08 veces, significativamente menor que el multiplicador para texto sin formato
Esta herramienta es útil para desarrolladores que necesitan estimar costos y entender las diferencias en el uso de tokens entre versiones de modelos de Claude, especialmente al planificar migraciones o comparar la eficiencia de procesamiento.
📖 Read the full source: HN AI Agents
👀 Ver también

Especmaxxing: Combatiendo la psicosis de la IA con especificaciones YAML y ACAI
Acai.sh presenta Specsmaxxing: un método para combatir la pérdida de contexto de los agentes de IA al escribir requisitos en YAML y usar Criterios de Aceptación numerados para IA (ACAI) que los agentes referencian en el código.

companion-capture: Herramienta guarda las burbujas de habla efímeras de Claude Code
companion-capture es una herramienta de código abierto que captura los globos de diálogo del personaje compañero de Claude Code antes de que desaparezcan de la terminal. Guarda los mensajes en archivos markdown y SQLite para búsquedas, utilizando análisis del búfer de pantalla VT100 para rastrear posiciones del cursor.

Claude Skills Hub: Repositorio Buscable de 789+ Habilidades de Código Claude y 10 Agentes Autónomos
Claude Skills Hub (clskills.in) proporciona una interfaz de búsqueda centralizada para más de 789 archivos de habilidades de Claude Code en 71 categorías, además de 10 agentes de IA autónomos que encadenan múltiples habilidades en flujos de trabajo completos. El proyecto de código abierto agrega habilidades de múltiples colecciones comunitarias y ofrece descargas con un solo clic.

altRAG: Reemplaza la base de datos vectorial RAG con archivos de puntero de 2KB para agentes de IA de codificación
altRAG es una herramienta de Python que reemplaza las bases de datos vectoriales RAG con archivos de punteros ligeros. Escanea archivos de habilidades en Markdown/YAML para crear un archivo esqueleto de 2KB que mapea secciones a números de línea exactos y desplazamientos de bytes, permitiendo que los agentes de IA lean solo las secciones necesarias en lugar de archivos completos.