Claude Fable 5.1 发布：长程智能体能力升级

Pelicans for thinking effort low, medium, high and xhigh (那个 xhigh 的效果相当不错): https://tools.simonwillison.net/markdown-svg-renderer#url=ht...

我还在等 effort max 生成完毕。

编辑：我修复了工具中的一个 bug，现在它会记录摘要推理轨迹——这是那个 max pelican，这是一个显著的改进：https://tools.simonwillison.net/markdown-svg-renderer#url=ht...

生成耗时不到 14 分钟，输出了 65927 个 token，花费了我高达 3.30 美元！

推理轨迹摘录：

> 在双脚附近添加脚蹼形状，远端的脚在第二只腿上部分可见，位于框架后方。我在考虑是否添加一个小围巾或帽子来增加角色感，但倾向于保持简单以避免杂乱。

> 现在我正在纠结是给头上加个自行车头盔还是保留鹈鹕标志性的冠羽——喙和喉囊已经清楚地表明了这是“鹈鹕”，所以头盔可以强化自行车主题而不失去身份，尽管它可能会与冠羽争夺视觉空间。

> 我意识到位于 (484,84) 的喙会与圆顶头盔重叠，所以我需要缩小头盔，使其仅覆盖头顶，调整其弧端点使其更高更窄，以便喙可以干净地附着在前方而不发生碰撞。[...]

> 我正在添加一个较暗的尖端区域来表示初级飞羽，然后重新考虑后缘，加入扇贝状的羽毛曲线而不是一条平滑线，以获得更自然的外观。[...]

> N […]

价格降低是因为缓存读取价格从 $1/M 降至 $0.25/M，这意味着 Fable 5.1 现在的缓存读取成本仅为 Opus 的一半（$0.5/M）。

这有力地支持了这样一种理论：Anthropic 在 Fable 的原始定价下并未获得多少市场份额，这反过来可能给 LLM 的定价设定了一个上限。

有趣的是，如果你去掉 Terminal-Bench-Science 0.1 的结果，就很难看出任何改进：

Terminal-Bench 4.0: Fable 5.1 比 Opus 5 高 3.5%。

GDPval-AA v2: 比 Opus 5 高 1.5%。

OSWorld 2.0: 比 Opus 5 高 2.5%。

Humanity's Last Exam (带工具): 高 1.6%。

请记住，这应该是一个比 Opus 5 完全高一个档次的模型。对于一个档次提升和一个版本更新来说，这些算不上真正的改进。这可能意味着 Opus 5.1 没有任何立足之地。再加上他们正在兜售“可读性”……前沿进步是否最终停滞了？

有人看过 South Park 那集讽刺《权力的游戏》的《Songs of Ass and Fire》吗？Anthropic 的发布会让我想起了那个“巨龙将至”的梗。

他们做了些什么：

* 削弱了 Fable，正如许多人指出的那样，它已经没用了

* 利用 Mythos 作为营销策略，声称它太好以至于不能发布

* 移除了思维链（thought traces），这是确保你的提示词有效工作的少数有用功能之一

* 继续大肆炒作他们的模型有多好却毫无交付，甚至不惜大费周章地发布他们的模型如何“黑”出他们自己配置错误的沙盒

* 将一堆欧盟的过度监管强加给世界其他地区，通过文本水印降低了回答质量

去年，他们至少还专注于改进。如今，这只是一群在“我们有多好”的教堂里的手舞足蹈。

唯一的慰藉是 Opus 4.6 仍然可用。只是很糟糕的是，尽管有这么多仪式，我们却看不到任何可衡量的改进。

我发现我现在对更好的模型不如对 token 预算感兴趣。我现在对 Anthropic 模型的问题是，我觉得无法将它们作为日常主力工具，因为它们会在我的配额重置前就用光了。

我越来越依赖 AI 谋生，我需要可预测的支出。如果我知道无法在整个月中定期使用某个模型，我的热情就会受限。

我敦促 Anthropic 在这方面改进他们的业务，这样我才能重新使用它。

看起来所有三个破坏性更新都是为了修补无意泄露思维链的问题。有人发现（手头没有那条推文），如果你创建一个虚假的 "think_deeply" 工具并强制模型使用它，它就会输出被认为是其原始思考的内容——我相信第一个破坏性更新阻止了这一点。后两个更新针对的是人们让 Haiku 逐字重复其他模型的思维块（因为它可以看到解密后的版本）。我理解在他们眼中这是一种“漏洞利用”，但还是很失望他们修补了这个功能。

我会非常兴奋地尝试一下，看看写作风格是否有实际改进。更密集的写作风格可能不会困扰我。

Anthropic 似乎听取了 HN 社区关于写作风格令人反感的抱怨。显然，Anthropic 的解决方案是在每次对话中添加这个块！？

> 矫揉造作的散文用隐喻和华丽辞藻取代了直陈。与其说“一个值得变化的参数”，矫揉造作的作家会写成“一个值得转动的旋钮”。与其说“这一点仍然重要”，他们会写成“这一点赢得了它的价值”。这些短语的存在是为了展示作者，而不是传达思想，读者能看出来。这就是矫揉造作的散文令人恼火的原因：它让读者更费力，以便作者表演。它也不精确。隐喻会拖入作者未选择且无法控制的联想。解决办法是说清楚你的意思。当有直白的短语可用时，就用它。

以上内容逐字引自 https://platform.claude.com/docs/en/build-with-claude/prompt...

> 例如，在投资公司 Millennium 的测试中，Fable 5.1 发现了其内部系统中一个罕见崩溃的原因，这是他们的工程师（或任何其他模型）在尝试了几年后都无法解释的。

无论你对 LLM 生成的代码有什么看法，但像这样的故事让我对软件永远不会像过去那样充满 bug 充满了希望。

“蒸馏是一个安全风险，因为蒸馏后的能力随后可能会在没有适当保障措施的情况下被释放。”

真不敢相信他们至少没有想出更好的措辞。如果我们按字面意思理解他们的话，很难不将其解读为一种救世主情结，即他们认为只有他们才有能力或资格做出这些决定。我不相信他们，但我不惊讶于他们表述的理由是“蒸馏是一个安全风险，因为我们可能会输掉竞赛”的某种版本。

此外，他们对最近的 OpenAI-HF 黑客事件完全充耳不闻。回想一下，防御者完全无法在应对中使用西方前沿模型。

我原本想抱怨化学和生物护栏仍然过于严苛，但我必须承认，Fable 5 曾经断然拒绝处理的项目现在可以使用了，至少不会因为 git commit 中包含“病毒学”这个词就在第一次提示时拒绝（非常严肃，在一个仓库中，它实际上触发了任何提示，最终追踪到系统提示加载了 git commit 历史）。尽管如此，他们试图进入生物医学业务，同时却向公众封锁这些能力，这闻起来很不对劲。如果你能自己捕获价值，为什么要出售那些真正有价值的部分呢！

老实说，这些前沿模型的发布对我来说已经变得无聊了。Opus 4.8 对于我的大多数用例来说已经足够好了。我目前没有任何项目会用 Fable 来替代 Opus。所以当我看到这样的公告时，我只是想“嗯，挺酷的”，然后继续使用更弱/更便宜的模型。

目前更令人兴奋的是像 DeepSeek V4 Flash 和 GLM 5.3 Flash 这样的模型。它们以极低的价格和极快的速度实现了“足够好”的智能。我不需要 Fable 级别的智能，但我确实有 Opus-4.8 级别智能的用例，我可以随意使用而不用担心账单。