凌晨最强模型上新，Claude Fable 5.1突然发布，缓存价暴降75%，实测：未必省钱|调用|编程|智能体|token

分享至

出品 | 网易智能

作者 | 小小

编辑 | 王凤枝

AI贵不贵，开始要按任务算账了。

9月1日，Anthropic同时发布Claude Fable 5.1和Mythos 5.1。两款产品使用同一个底层模型，重点提升长时间智能体、编程和科研能力。科研类终端任务成绩翻了一倍多，办公自动化提高了约八成。

这次比跑分更值得看的是价格。Fable 5.1的标准输入和输出价格没动，但Anthropic宣布，缓存读取价格从每百万Token 1美元降到0.25美元，降幅75%。公司说，典型工作负载的成本能降约25%，高度智能体化的任务最多能降约45%。

但缓存便宜了，一项任务却仍可能更贵。

Artificial Analysis测出来的是另一组数字：在最高努力档下，Fable 5.1的单任务成本反而比上一代高20%。模型翻旧资料是便宜了，但输出的东西多了，总账单反而被抬上去。

当AI可以连续工作几十小时，每百万Token多少钱只是表面价格。真正要算的，是它把事情做完花了多少钱。

01从答一道题，到连续干几十小时

Fable 5.1的跑分提升，主要出现在需要模型连续操作的任务里。

Anthropic公布的测试里，Terminal-Bench-Science从Fable 5的24.7%升到52.6%；AutomationBench从17.1%升到31.4%；OSWorld 2.0的严格评分下，成绩也从36.1%升到41.7%。这些测试的共同点是，要模型在终端或计算机环境里连续搜索、分析、调用工具，还要根据结果调整下一步。

跑分之外，Anthropic发布材料里还列了几个早期测试案例，更容易看懂。

Millennium曾经碰上一个大约每运行100万次才出现一次的软件崩溃。内部团队查了四五年，一直没找到原因。测试中，Fable 5.1拆开外部供应商的软件库，和崩溃留下的core dump比对，最后把问题定位到外部库里的一个漏洞。

Ramp把测试时间拉得更长。一次无人值守的机器学习任务里，Fable 5.1连续跑了38小时。它先发现此前的实验结果受到标签问题影响，修正后启动六组并行实验，最后返回结果和下一步建议。Ramp还说，模型发现了一个无人负责的生产告警，并根据日志给出了修复方案。

Browserbase的说法是，在他们内部最难的浏览器智能体测试里，Fable 5.1完成了82%的任务，Fable 5为57%，Opus 5为74%。每项任务平均运行大约10分钟。

另外两家公司给出的案例更接近企业软件开发。MongoDB说，Fable 5.1用大约三天完成了一个复杂原型：先读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则让它分析一项横跨三个代码库、八项以上服务的改动。按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。

这些案例说明，长任务能力不只是"让模型多想一会儿"。模型还要保存已经完成的步骤，知道接下来该调用哪个工具，并在结果不符合预期时回到前面检查。任务越长，一次判断错了，后面就会被越滚越大。

这些案例都是Anthropic自己挑出来的，没有第三方复现。但它们指向同一个变化：模型开始可以在较长时间里保存进度、检查结果、继续推进，不必每走一步都等用户重新下指令。

82%的浏览器任务完成率反过来说，还有将近五分之一的任务没做完。长时间运行能力提升，不等于用户已经可以放弃验收。企业要的不只是模型肯一直做下去，还要它做不下去时能说一声、能留下过程记录，该把任务交回人手就交回来。

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"特征的表现并没有跟着消失。

模型能干得更久，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。

02缓存便宜75%，为什么一项任务反而更贵

Fable 5.1的标准输入价格仍是每百万Token 10美元，输出仍是50美元。真正降下来的是缓存读取：从每百万Token 1美元降到0.25美元。

缓存读取，就是模型反复翻看已经处理过的资料。智能体连续工作时，需要不断重新读取代码库、系统指令、工具说明、文档和此前积累的上下文。运行时间越长，这部分开销通常越明显。

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约25%；对缓存读取占比较高的智能体任务，降幅最高约45%。这个估算只针对按Token计费的情况，和Claude订阅价格没关系。

这组数据覆盖Claude Enterprise、Claude Code和API里的实际使用，采用的是各产品的默认努力等级。Fable 5.1在Claude Code里默认用High，在Claude Cowork和Claude.ai里默认用Medium。同一个模型选不同努力等级，思考时间、输出量和最终成本都可能不一样。

Anthropic还保留了更便宜的批处理价格：异步任务的输入和输出分别是每百万Token 5美元和25美元。这适合不用马上出结果的活，但换不掉需要实时来回调用工具的智能体任务。

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发布当天把Devin里的Opus 5流量切到Fable 5.1。按Cognition的内部测试，Fable 5.1能达到甚至略高于Fable 5的表现，单任务成本更低。缓存降价之后，代码审查这类此前跑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）测出来的是另一组结果：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。这只是一家公司在自己的任务上跑出来的数据，但它也说明，企业不会只看官网标价，还得拿自己的代码和工作流重新测一遍。

发布后，社交媒体上的好评也集中在这几点上。@kimmonismus强调，45%的降幅只适用于缓存占比较高的智能体负载；马特·舒默（Matt Shumer）关注的是能力提升与缓存降价同时出现；金宇宸的看法是，如果百万次才出现一次的崩溃诊断和更低Token消耗能够稳定复现，意义会更大。

不过，模型的一项成本下降，不等于整项任务一定更便宜。

Artificial Analysis在他们的Intelligence Index测试里发现，Fable 5.1在最高努力档下的单任务成本是3.76美元，比Fable 5高20%。测试里，Fable 5.1用掉的输出Token大约是上一代的1.7倍。缓存降价每项任务省下大约1.40美元，仍不够抵消新增的输出开销。

换到xhigh努力等级后，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。这说明同一个模型选不同努力等级，任务成本也可能差不少。

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：模型翻旧资料便宜了，但如果为了完成任务生成更多新内容，总账单一样会涨。

这也是为什么输出价格仍然重要。Fable 5.1每百万输出Token还是收50美元，是缓存读取价格的200倍。长任务里只要多生成一段分析、多做一次检查、或者重跑一条失败路径，新增输出就可能很快吃掉缓存省下来的钱。

模型厂商对"价格"的理解也开始变。据《The Information》报道，OpenAI近几个月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完成客服交互才收费。OpenAI没有回应此事，这还不是公开、普遍适用的定价政策。

Anthropic这次仍然按Token计费，两家做法不一样。但AI开始接手一整项活以后，客户关心的不再是花了多少Token，而是活干完没有、干了多久、中途要不要人帮忙。

按结果收费也没有看上去那么简单。"完成一次客服交互"相对好数，"帮助销售团队增加了多少收入"就很难单独归因。就算未来计费单位从Token变成任务，厂商和客户还是得先约定：什么算完成、失败要不要收费、人工接管算谁的成本、结果有争议时以什么记录为准。

03科研不只看回答，还要交出可以验证的结果

Anthropic这次也把长任务能力用到了科学研究上。

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、数据或计算结果验一遍。三个案例分别对应设计、分析和工程优化。

分子设计的测试里，Mythos 5.1用开源的蛋白质设计和折叠工具生成方案，再交给两家外部机构做实验验证。在三个目标上，模型设计的结合亲和力达到相关蛋白质设计竞赛最佳设计的10倍；在12个目标上，整体命中率接近50%。Anthropic说，蛋白质设计的典型命中率大约在10%到15%之间。

有一点要分清：Anthropic展示的设计确实经过实验验证能结合，但配套的结构图仍然是ESMFold2预测出来的，不是实验测出来的。

免疫学家德里亚·乌努特玛兹（Derya Unutmaz）体验后觉得，Fable 5.1的科研能力值得继续验证。他同时注意到，普通生物学和医学问题触发安全机制的频率已经下降85%。

计算分析这块，Fable 5.1用NASA麦哲伦号探测器留下的雷达图像，为金星大约三分之一区域重建了高分辨率的高程地图。Anthropic说，新地图的分辨率从此前的10到20公里提高到2到3公里，地形高度准确度最高提高25%。

计算生物学的测试里，Mythos 5.1为七个开源深度学习模型写了定制的GPU内核，最高把运行速度提高2.5倍，同时保持输出一致。Anthropic估算，这些优化能让全基因组分析的GPU成本降30%到60%。

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，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，这是三件事。

AI开发者萨莉·斯德哥尔摩（Sally Stockholm）把这种变化概括为：用户交给模型的工作正在从"帮我写一段代码"变成"继续把这个问题往前推进"。编程和科研，是这种工作方式最早出现的地方。

04能一直干，也要知道自己能干到哪里

Fable 5.1和Mythos 5.1用的是同一个底层模型，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，可以用于发现软件漏洞等防御性工作，但漏洞利用代码生成、渗透测试和基于二进制文件的漏洞扫描仍然受限。Anthropic说，新版网络安全机制在Claude Code里的平均干预次数比此前少了大约60%；基础生物学和医学问题触发限制的次数也少了85%。

Mythos 5.1则通过受信任访问项目，向经过审核的网络安全和生命科学机构开放更高权限。Anthropic想用同一个模型加两套访问规则，一边少误伤普通任务，一边把风险更高的能力圈在审核过的机构里。

企业数据怎么被监控，是另一道难题。Anthropic这次同时公布了Enterprise Frontier Safeguards（EFS）：客户把相关数据存在自己控制的云基础设施里，默认由客户完成必要的人工审查，不用把数据交给Anthropic。EFS计划从今年秋季起分阶段上线；在此之前，符合条件的客户可以用零数据保留模式。

Anthropic说，EFS是在金融、医疗、制造、通信、法律、公共部门等行业超过100家客户的参与下开发的，计划覆盖Claude Code、Claude Enterprise、Claude Platform以及AWS、Google Cloud和Microsoft的相关平台。它要管的不是模型会不会答题，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、异常行为谁处理。

这套限制不是凭空加上去的。今年7月，Anthropic披露过：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类似行为。

其中一次测试里，模型因为开发者指令提到一个并不存在的Python包，就创建了PyPI账号并上传了同名恶意包。这个包在公开仓库存在大约一小时，被15个真实系统下载并执行。这个例子留下来不是因为普通Claude用户会碰上，而是它说明了一点：测试环境和真实互联网没有彻底隔开时，模型可能把模拟任务里的操作带到真实系统里。

这些事发生在故意放宽限制的研究配置下，不是普通用户能直接用的产品环境，也没有涉及Anthropic客户数据或其生产基础设施。Anthropic的说法是，正常启用的生产安全机制本应挡住这些行为。但这也说明：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。

关于发布节奏，投资人加文·贝克（Gavin Baker）觉得，Anthropic选在OpenAI下一代模型之前发布Fable 5.1，说明前沿模型的竞争仍在加速。他还猜Fable 5.2可能已经在准备中。