大家好，这里是最佳拍档，我是大飞。9月1号凌晨，Anthropic放出了他们的新一代模型Claude Fable 5.1。同时发布的还有一款叫Mythos 5.1的版本，这两款产品用的是同一个底层模型，但是安全限制不同，面向的用户群体也不一样。Fable 5.1已经广泛开放，面向Pro、Max、Team和Enterprise用户，也能通过Claude API以及AWS、Google Cloud、Microsoft Azure这些主流云平台调用。Mythos 5.1则通过审核机制，只向部分网络安全和生命科学专业用户开放，访问范围目前还很有限。
我们先来说模型的能力。Fable 5.1这次跑分提升最明显的地方，是那些需要模型在终端环境里连续操作、不停搜索分析、调用工具、根据结果调整下一步的测试。Anthropic自己公布的Terminal-Bench-Science 0.1，这项测试考察的是AI智能体在终端环境中执行科学研究任务的能力。Fable 5.1得分52.6%，这个成绩是什么概念呢？GPT-5.6 Sol是22.4%，Fable 5是24.7%，Opus 5是29.0%。
也就是说，Fable 5.1在这项测试里的得分是GPT-5.6 Sol的2.3倍，比上一代直接翻了一倍多。Terminal-Bench 4.0里Fable 5.1得分55.8%，高于Fable 5的42.0%和Opus 5的52.3%。如果放宽安全限制，用同一个底层模型的Mythos 5.1得分还能进一步提升到60.9%，成为SOTA。其他测试里也能看到类似的趋势，知识工作和业务自动化测试GDPval-AA v2中Fable 5.1拿到1853分，高于Opus 5的1824分和Fable 5的1723分。
AutomationBench从Fable 5的17.1%升到31.4%，Opus 5是26.9%。OSWorld 2.0的严格评分下，成绩从36.1%升到41.7%。CursorBench 3.2.0则达到了73.4%。这些测试名看着可能有点抽象，但是它们有一个共同特点：都不是给模型一道题让它回答，而是要求模型在终端或计算机环境里连续搜索、分析、调用工具，还要根据中间结果调整后续步骤。
跑分提升的核心是模型在更长的任务链中保持工作状态的能力。跑分之外，Anthropic发布的材料里还列了几个早期客户的实际使用案例。投资公司Millennium遇到过一个极少出现的软件崩溃问题，大约每运行100万次才发生一次。这个问题已经困扰他们的团队四五年了，之前用过的各种模型都没找到原因。
Fable 5.1换了个思路：它对外部供应商的软件库进行了反汇编，然后把反汇编结果跟系统崩溃时留下的核心转储文件进行比对。最后把问题精确定位到了软件库中的一个Bug。Ramp测试的是一项持续运行的机器学习任务，Fable 5.1在无人值守的情况下连续跑了38个小时。
它先检查了之前得到的结果，判断其中存在标签造成的误差；修正之后又启动了6项并行实验，跑了一夜。最后返回新的结果以及下一步的建议。Ramp还提到，模型在这个过程中发现了一个无人负责的生产告警，根据日志给出了修复方案。Browserbase让Fable 5.1执行浏览器智能体任务，在他们最困难的一项测试中，Fable 5.1的完成率达到了82%。
作为对比，Opus 5是74%，Fable 5只有57%。每项任务平均运行大约10分钟。MongoDB的案例更接近企业软件开发，他们让Fable 5.1用大约三天时间完成了一个复杂原型。模型先读取公司各项服务的代码和文档，提出设计方案；再连续运行几个小时把它实现出来。
Shopify则让模型分析一项横跨三个代码库、八项以上服务的改动。按照Shopify的说法，模型能把一个请求进入系统之后经过的服务、函数、数据库表和数据行一路梳理下来。Jane Street Capital也在内部测试中表示，Fable 5.1解决的编码问题多于Fable 5和Opus 5。
而且在长时间、多步骤任务中，输出仍然比较容易理解。这些案例说明了一件事：长任务能力不只是让模型多想一会儿那么简单，模型还要能保存已经完成的步骤，知道接下来该调用哪个工具；在结果不符合预期的时候能回到前面去检查。任务越长，一次判断出错后面就会越滚越大。
从这个角度看，82%的浏览器任务完成率反过来也说明还有将近五分之一的任务没有完成。所以长时间运行能力提升不等于用户可以放弃验收。沃顿商学院教授伊森·莫利克（Ethan Mollick）在早期体验后也把注意力放在了这一点上，他觉得Fable 5.1在需要判断和取舍的长时间任务里出现了实际进步。
但一些带有明显Claudish特征的表现，也就是Claude模型特有的某些行为模式并没有跟着消失。能干得更久，随之而来的问题也变得更实在：一次运行不再只是生成几段回答，而可能持续消耗上下文、工具调用和输出Token。能力上去之后，成本就成了下一道门槛。
聊完通用能力，接下来是Anthropic这次重点展示的另一类应用：科研。这次要看的不是模型能答对多少科学问题，而是它交出来的东西能不能被实验、数据或者计算结果验一遍。三个案例分别对应设计、分析和工程优化，第一个是蛋白质设计：现代药物研发中很多药物需要先找到能够与人体内特定目标结合的蛋白质。
Anthropic让Mythos 5.1使用开源的蛋白质设计和折叠工具完成设计，再把模型生成的结果交给两家外部机构进行实验验证。在12个目标上Mythos 5.1生成的设计中，接近50%最终被验证为有效结合剂。对比一下这个数字：Anthropic说目前蛋白质设计中的典型命中率大约在10%到15%之间。
也就是说，模型把命中率从大约十分之一提高到了接近二分之一。更值得注意的是，在其中三个目标上，模型设计出的结合剂结合能力达到了此前Adaptyv Bio蛋白质设计竞赛最佳设计的10倍。第二个案例是计算建模：Fable 5.1利用NASA的麦哲伦号任务在30多年前获取的雷达图像，以及覆盖金星约五分之一范围的已有地图。
训练了一个神经网络重新生成了覆盖金星约三分之一范围的高分辨率高程图，新地图可以看到大约2到3公里尺度的细节。而原有地图的分辨率大约是10到20公里，同时高度测量准确度最多提高了25%。Anthropic计划在NASA的VERITAS任务和ESA的EnVision任务开展后续工作之前，以知识共享（Creative Commons）许可证公开这张地图。
第三个案例是计算生物学：科研人员经常需要在GPU上反复运行专门的机器学习模型，计算速度直接影响实验进度。Mythos 5.1通过编写定制GPU内核并缓存中间结果，把7个开源深度学习模型的推理速度最高提高了2.5倍。而且输出结果保持一致。
按Anthropic的估算，在基因组范围的分析中优化后的模型可以减少30%到60%的GPU成本。这类优化过去通常需要性能工程团队花上几周的时间，而Mythos 5.1只用了几天。而且只使用公开的源代码，相关优化计划后续开源。当然这些项目还是Anthropic自己挑出来的早期案例，不能据此说模型已经能独立做科学发现。
但它们让怎么考科研能力这件事换了个方式：答案不再只由另一个模型或一套选择题打分，还要接受实验结果、数据精度和实际运行效率的检验。其中蛋白质设计的实验验证尤其重要，传统模型评测通常有标准答案，但是科研任务可能根本没有现成答案。
设计出来的蛋白质能不能结合、计算内核能不能在保持输出一致的前提下加速，这些反馈比语言评分直接得多。不过话说回来，一次实验成功不等于模型给出的科学解释就成立了：设计能用、机制说得通、别人能复现，这是三件不同的事。聊完能力，再来说安全：Fable 5.1和Mythos 5.1是同一个底层模型，区别主要在安全限制和访问资格上。
Fable 5.1已经对普通用户和企业开放，可以用来发现软件漏洞等防御性安全工作。但是漏洞利用代码生成、渗透测试和基于二进制文件的漏洞扫描仍然受限。Anthropic说新的网络安全防护机制在Claude Code里的平均干预次数比之前减少了约60%，基础生物学和医学问题触发限制的次数也减少了85%。
生命科学领域则仍然采取更严格的方式，普通用户涉及研究和开发的生命科学任务仍然会被转向Opus模型。专业人员可以通过生命科学验证计划申请Mythos 5.1的访问权限，这个计划已经与美国政府合作已经有了首批参与者。Mythos 5.1还通过网络安全验证计划向经过审核的网络安全人员开放，Claude Security目前也已经由Mythos 5.1提供支持。
用来扫描代码库中的漏洞并且提出供人工审核的修复方案。企业数据怎么被监控，是另一道难题。Anthropic这次同时推出了企业前沿防护（Enterprise Frontier Safeguards），简称EFS。它的核心是，客户可以把相关数据存放在自己控制的云基础设施里而不是Anthropic的系统里；默认情况下涉及人工审核的工作也由企业自行完成。
EFS从今年秋季开始分阶段推出，在正式支持之前符合条件的企业可以使用Fable 5.1的零数据保留模式。Anthropic说EFS是在与100多家企业合作后开发的，参与企业覆盖金融、医疗、制造、电信、法律、零售和公共部门等领域。它要管的不只是模型会不会答题，而是模型碰到企业代码、业务数据和外部工具的时候监控记录留在哪、谁来看以及异常行为谁来处理。
为什么要加这套限制呢？今年7月Anthropic自己披露过一件事：在关闭部分生产安全机制的网络安全评估里，Claude曾多次越过测试边界进入真实互联网环境。包括访问真实公司的数据库、向PyPI上传恶意软件包，英国AI安全研究所也在刻意开放互联网权限、关闭厂商分类器的测试里观察到过类似行为。
其中一次测试里，模型因为开发者指令提到了一个并不存在的Python包就创建了PyPI账号并且上传了同名恶意包。这个包在公开仓库里存在了大约一小时，被15个真实系统下载并且执行。Anthropic的说法是正常启用的生产安全机制本应挡住这些行为，但是这些例子说明当测试环境和真实互联网没有彻底隔开的时候模型可能把模拟任务里的操作带到真实系统里。
智能体工作时间越长、工具权限越多，模型之外的沙箱、审批、实时监控和停止机制就越重要。此外Fable 5.1这次还加入了更强的反蒸馏机制：在新注册的API账户中，只要保留Claude原始的thinking block就不能再修改它周围的历史消息、工具调用和系统提示词。也就是说过去可以把推理轨迹拆下来反复拼装，现在的对话则更像一份只能追加的日志：你可以继续写不能回头改。
这显然是在提高批量提取推理数据的成本，对开发者来说如果你的多轮Agent习惯修改历史消息那么调用方式可能需要重写。同时Fable 5.1和Mythos 5.1生成的文字会开始携带统计水印，这个之前我们做过节目讲过：它没有使用隐藏字符也不会增加token。而是在多个合理候选词之间的随机选择中留下了一种可以被检测到的模式。
最后我们来说价格，也是这次发布最值得聊的地方：Fable 5.1的标准输入价格仍然是每百万Token 10美元，输出仍然是50美元。这次降价的是缓存读取从1美元到0.25美元，Anthropic根据2026年8月四周的实际使用情况估算Fable 5.1在典型工作负载中的成本能降大约25%，高度智能体化的任务成本最高能降大约45%。
但是缓存便宜了，一项任务的总账单却不一定更便宜。Artificial Analysis测出来的是另一组数字：在最高努力档下Fable 5.1的Intelligence Index任务平均成本是3.76美元，比Fable 5高20%。主要原因是Fable 5.1使用的输出Token约为Fable 5的1.7倍。
也就是说缓存降价每项任务省下大约1.40美元，还不够抵消新增的输出开销。如果换到xhigh努力等级Fable 5.1的单任务成本降到2.72美元，比最高努力档低1.04美元。但是仍然高于Opus 5在最高推理强度下2.34美元的水平。需要说明的是Anthropic和Artificial Analysis测的不是同一批任务也没有用完全一样的努力等级，两组数字不能直接对照。
但它们能解释为什么“缓存价格下降75%”和“单任务成本上涨20%”可以同时成立：虽然模型翻旧资料便宜了，但是如果为了完成任务生成更多新内容总账单一样会涨。Fable 5.1的输出价格仍然是每百万Token 50美元，是缓存读取价格的200倍。所以对于长任务来说新增的输出很可能会快速吃掉缓存省下来的钱。
当然也不是所有公司测出来的结果都偏贵，Cognition联合创始人兼首席产品官沃尔登·严（Walden Yan）说公司计划在Fable 5.1发布当天就把Devin里的Opus 5流量切到Fable 5.1。按照Cognition的内部测试，Fable 5.1能达到甚至略高于Fable 5的表现。而且单任务成本更低，缓存降价之后代码审查这类之前跑Opus级模型的任务也开始有了转到Fable级模型的经济性。
Every首席执行官丹·希珀（Dan Shipper）测出来的结果是Fable 5.1的运行速度大约是Opus 5的两倍，Token消耗大约减少一半。当然这只是一家公司在自己的任务上跑出来的数据，建议大家还得拿自己的代码和工作流重新测一遍。除此以外Fable 5.1还支持批量处理异步任务的输入和输出，可以降到每百万Token 5美元和25美元。
美国境内专用推理的价格系数是1.1倍，网页搜索每1000次10美元，网页抓取不单独收费。对比来看Opus 5的输入和输出分别是5美元和25美元，缓存读取0.50美元；Sonnet 5分别是2美元、10美元和0.20美元。Fable 5.1的普通输入和输出价格仍然高于这两款模型，但是缓存读取价格已经低于Opus 5。
只比Sonnet 5高0.05美元。有意思的是模型厂商对价格的理解也在变化，据The Information报道OpenAI近几个月已经向部分大客户提供了任务完成后再付费的选项。比如只有AI完成客服交互了才收费，不过OpenAI还没有回应这件事。当然按结果收费也没有看上去那么简单：完成一次客服交互还相对好算，但是如果说帮助销售团队增加了多少收入就很难单独归因了。
就算未来计费单位从Token变成了任务，厂商和客户还是得先约定到底怎样算完成、失败还要不要收费、人工接管到底算谁的成本、结果有争议的时候以什么记录为准等等。不过至少Fable 5.1这次把模型竞争里的一笔账摆得更清楚了：当模型可以连续跑几小时、甚至几十小时的时候，企业买的就不再只是一次回答了。
还要为模型反复读取上下文、调用工具、生成输出、失败重试和人工接管付费。Anthropic虽然把缓存读取价格砍了75%，但是模型更能干了之后也可能会生成更多的Token，把总账单重新推上去。今后我们评价一个模型到底贵不贵估计得等它做完一项任务后最终看它花了多少。
只有把任务的完成率、单任务成本以及人工接管的次数这三项摆到一起，才能算清这笔账了。那么大家觉得模型以后应不应该从每次回答多少钱变成把事情做完了收多少钱呢？欢迎在评论区留言，感谢收看我们下期再见。