Claude Fable 5.1发布：基准测试领先但成本争议

Anthropic的宣传重点是缓存读取定价下调75%，从每百万令牌1.00美元降至0.25美元，公司称这使典型工作负载成本降低约25%，高度代理型工作负载成本最多降低45%^[4]。但这一说法在Artificial Analysis的独立测试中仅部分成立。该机构发现，在最大推理努力度下，Fable 5.1每项任务的实际成本比Fable 5高出约20%——分别为3.76美元与较低的基准相比；若无缓存读取折扣，成本将接近5.16美元^[6]。原因是Fable 5.1在最大努力度下每项任务消耗的输出令牌约为1.7倍，而输出令牌仍按未变的每百万50美元计费，因此缓存读取的节省被额外生成所抵消。与最大努力度下的Opus 5（每任务2.34美元）相比，Fable 5.1的成本高出约61%。the-decoder.com的解读更为直接：缓存读取折扣确实在代理型工作负载中每任务节省近1.40美元，但这一节省仅在你不同时调高努力度时才成立^[7]。独立LLM评测者Simon Willison在X上以轶事方式捕捉到同样的矛盾，指出Max思维层级为他生成了有史以来最好的SVG鹈鹕图像，但单次测试的‘高昂成本为3.30美元’。

Fable 5.1和Mythos 5.1并非两个不同模型——独立报道指出它们是同一底层系统，仅通过开启的安全限制不同而区分^[2]。Mythos应用了针对网络安全和生命科学工作的安全限制，并仅限于经审核的、受邀的美国组织^[1]。伴随发布，Anthropic推出了企业前沿安全限制（Enterprise Frontier Safeguards, EFS），这是一种隐私架构，允许客户将滥用监控数据存储在自有云基础设施上，同时Anthropic的检测系统仍能对其进行分析——明确宣称结合了零数据留存协议的隐私性与主动滥用检测^[1]。安全限制调优似乎正朝着Anthropic期望的方向发展：与Fable 5相比，网络安全误报减少约60%，对良性生物学和医学问题的拒绝减少约85%^[4]。但改进并未在实践中消除摩擦。Reddit上，生物科技、护理和药代动力学等受监管领域的专业用户报告称，在任务中途被自动降级至Opus 5；一段广受关注的构建日志视频描述了一次网络安全相关操作中，任务中途触发自动安全标志降级——表明新的安全限制调优仍可能将合法的专业工作纳入其范围。

此次点版本发布的原始分数提升异常显著。Terminal-Bench-Science 0.1从Fable 5的24.7%跃升至Fable 5.1的52.6%，Terminal-Bench 4.0从42.0%升至55.8%（Mythos 5.1达到60.9%）^[7]。AutomationBench也几乎翻倍，从17.1%升至31.4%^[3]。这些提升使Fable 5.1在Artificial Analysis的智能指数中以66分位居榜首，领先于Anthropic仅数周前发布的Opus 5（63分），以及GPT-5.6 Sol和Grok 4.6（均为61分）^[6]。此次发布的时机使竞争格局尤为重要：Fable 5在6月因美国出口管制指令部分时间下线，直至7月1日更新安全限制后才恢复全球服务^[8]，而Opus 5在Fable 5.1发布前不到六周推出^[6]。在Opus 5发布后如此迅速推出，Fable 5.1的基准领先更像Anthropic试图在竞争对手赶上之前重夺榜首，而非简单的增量更新——这一解读被一则法语发布日演示强化，该演示在约80分钟内从PRD（产品需求文档）构建了一个完整的CRM应用，并直接引用了Anthropic公告中的代理编码和知识工作基准数据。

营销与实测成本差距最清晰的现实证据并非来自基准报告，而是早期用户消耗使用额度的速度。一个在Reddit上广泛讨论的构建案例中，单个提示导致Fable 5.1启动约14个并行子代理来构建一个浏览器游戏，消耗了近200万输出令牌和超过1.18亿缓存读取令牌，在约一小时内耗尽了发布者的五小时使用限额。另一则X帖子描述在一天内耗尽28个Max 20x计划配额，发布者归因于可能的缓存错误。两个Reddit帖子独立提出了相同的抱怨：五小时使用限额迅速耗尽，同时评论中有人怀疑这些炫目的多代理展示帖可能是人为炒作。结合Artificial Analysis发现Fable 5.1在最大努力度下使用约1.7倍输出令牌，这一模式并非与定价争议无关——它正是定价争议在实践中的体现。高度代理型、多子代理编排正是最能快速放大输出令牌量的工作负载类型，也正是在这一场景下，宣传的45%节省最可能反转为实际成本增加。