Claude Fable 5 与 Mythos 5：Matthew Berman 评测长时间编程任务

Anthropic 发布了 Claude Fable 5 和 Mythos 5，而我提前使用过 Fable。我的初步印象是，它的表现与我以前测试过的模型不同，尤其是在长时间编程任务中。这是个人评测，不是独立的受控比较。

有一个区别很重要：[Anthropic 在 2026 年 6 月 9 日的公告](https://www.anthropic.com/news/claude-fable-5-mythos-5)称，Fable 5 带有更强的防护措施，面向普通用户提供；Mythos 5 则仅向少数可信的网络安全合作伙伴开放。两者共享底层模型，Mythos 在某些领域放宽了防护措施；它并非无限制地公开发布。

Anthropic 的基准表将这两种模型版本放在同一列。在公司规定的评估条件下，Fable／Mythos 5 的 SWE-Bench Pro 得分为 80.3%，Opus 4.8 为 69.2%，GPT-5.5 为 58.6%。我对依据单一基准推断日常体验持谨慎态度，尤其是我对竞争模型的体验与排名不完全一致时。

比较还包括知识工作、空间推理、工具使用、计算机操作和法律任务。例如，表格报告 Blueprint-Bench 2 得分为 38.6%，OSWorld-Verified 得分为 85.0%。这些分数衡量的是特定测试和配置，并不是模型能完成的全部任务占比。

Anthropic 报告称，模型在包括 FrontierCode 在内的多项测试中表现更强；我在早期使用中也发现 Fable 能力很强。我还声称该模型有 10 万亿个参数；Anthropic 的发布公告没有披露参数量，所以这一数字尚未证实，不应视为官方规格。

我在测试中注意到的最大区别，是模型探索任务的彻底程度。即使是小请求，也可能变成对整个代码库的大范围审查；更长、更复杂的工作会促使它进行广泛调查。这可能有用，但也会改变任务耗时以及上下文和算力消耗。

Anthropic 表示，最初的安全分类器有时会标记无害请求，平均触发比例低于 5% 的会话。在我有限的测试中，我本人没有注意到误报，但我也没有明确要求它审查应用的安全性。我的经历不能确定整体误报率。

发布时，Anthropic 列出的两个模型价格均为每百万输入 token 10 美元、每百万输出 token 50 美元。我认为这说明可以把困难工作分配给更贵的模型，用更便宜的模型处理简单工作。合适的选择取决于改进是否值得支付任务的实际成本。

Fable 经常运行几分钟，而不是立即给出答案。Anthropic 举了 Stripe 的例子，称 Fable 帮助在一天内迁移了一个大型代码库，而估计人工团队原本需要两个月。这是一个公司报告的客户案例和估算，并不能证明每次迁移都会获得同样的提升。

Anthropic 还描述了 token 效率的提高。让我印象深刻的是模型解释的密度和技术性：输出很长，但充满细节，我经常需要放慢阅读速度才能跟上。仅凭这一观察，既不能衡量信息论意义上的效率，也不能证明智能提升的因果关系。

我推测，未来的模型可能使用人类不容易阅读的、更压缩的语言进行交流。这种系统可能具有效率优势，但也会带来监督难题。这是我的使用经历引发的思想实验，并非视频中 Fable 展示出的能力。

我尝试了不同的思考强度设置，发现对自己的许多请求而言，最高设置有些过度。我的实用建议是从较低强度开始，只有任务确实需要更多工作时再调高。合适设置仍需结合特定任务的质量、时间和成本评估。

在 workflows 功能中，我看到一个规划智能体把审查任务并行分派给许多子智能体。一次代码库审查中，我看到 100 多个智能体分头处理文件，token 预算迅速攀升。并行处理可以扩大工作范围，但也因此需要监控支出并审查结果。

画面中的 FrontierCode 图表比较了不同思考强度下的得分和每项任务平均成本。我讨论了更多推理计算能够改善高难任务结果的证据。但这不能证明投入更多 token 会让质量永远无限提升；两者的关系取决于任务、模型和评估方式。

Anthropic 展示了 Fable 通过视觉输入通关《宝可梦 火红》，而没有使用早期模型所需的复杂辅助框架。视频还展示了一项太阳系模拟。这些都是特定设置下的具体演示，并不能证明模型能可靠地完成任何游戏或模拟。

我解释了为什么不再依赖简单的模型视觉测试：当时已有多个模型能制作令人印象深刻的浏览器演示。我想了解的区别是，模型在我真正需要完成的困难长期任务中表现如何，尽管这类印象带有主观性。

Anthropic 还描述了一个内部蛋白质设计案例，称其中药物设计的部分环节加快了约 10 倍。这一说法针对所描述的研究流程，并不能证明药物研发或临床验证速度提高了 10 倍。

我质疑 Mythos 发布的时间和宣传方式，并认为 Anthropic 可能想先取得内部领先优势再扩大发布。这是我对其动机的推测。Anthropic 公开的解释强调需要防护措施和受控访问；视频没有证实公司的内部决策过程。

Anthropic 表示，它担忧有人试图提取模型能力以训练竞争系统，也担心强大能力在没有防护的情况下扩散。公司称，被标记为可能涉及蒸馏的请求可能回退到 Opus 4.8。我还给出了自己对开放模型与前沿模型差距的估计；这不是实测结果。

发布公告介绍了这些模型对企业客户流量的 30 天保留要求，包括通过第一方和第三方服务产生的流量，以及所述的隐私保护和安全用途。这些是 Anthropic 发布时的政策说明；适用条款和例外应直接核查，而不应仅从视频推断。

录制后，产品可用性和访问方式发生了变化。Anthropic 表示，在美国政府指令之后，[访问于 2026 年 6 月 12 日暂停](https://www.anthropic.com/news/fable-mythos-access)，随后[宣布从 7 月 1 日开始恢复](https://www.anthropic.com/news/redeploying-fable-5)。Fable 再次广泛提供，而 Mythos 仍仅限获批准的组织使用。

在我自己的代码库审查中，Fable 检查了安全性、文档、逻辑缺口、用户体验和测试覆盖。我说它发现了其他模型遗漏的问题，但这次审查并非盲法的直接对照评估。我也发现它比我希望的更慢、更啰嗦。

它的解释经常变得非常技术化，我因此更新了 Claude 的指令，要求使用更简单的语言。即便如此，我常常还得再次要求它用通俗方式解释。如果审查者难以理解其中的决策，技术细节丰富的回答也不一定实用。

另一个令我沮丧的问题是反复澄清。我描述了一个典型流程：模型先问几个问题，再总结我的回答请我确认，询问是否可以编写规格，要求批准规格，最后又问如何分派工作。一旦它开始构建，我喜欢结果，但反复确认会打断任务。

我还描述了请求开始时的长时间沉默：计时器不断增加，显示的 token 数却可能一直很低；等并行工作流程开始后，数字又会急剧上升。这是我在自己会话中对界面的观察，而不是对模型内部活动的测量。

我思考了能力较强的模型、并行工作流程和持续朝目标推进的循环结合起来会怎样。我认为这可能使软件生产更加自动化，并把尚未利用的能力称为“模型能力悬置”。这是一种预测，要有效使用仍需要预算、监督和检查。

在一个浏览器测试中，我要求 Fable 构建可以旋转、打乱和求解的交互式 3D 魔方。演示中我打乱魔方并按下求解按钮，魔方便回到完成状态。我认为渲染和交互效果令人印象深刻，但这段片段只是一个例子，并非全面的正确性测试。

接下来，我要求它制作一个可用鼠标交互、带有可调控件的实时流体模拟，并让模型自行决定实现方式。工作流程界面显示了 63 个验证智能体；我估计其中许多各使用了约 2 万至 3 万个 token。这些数字描述的是画面中的一次运行，不是该任务的标准成本。

在生成的浏览器演示中，我调整了分辨率、时间尺度、衰减、旋涡和交互范围。可见流体会响应控件；我认为这是自己用模型制作过的最佳此类演示。视频没有独立验证其物理准确性。

最后我强调，工作流程和循环能够扩展模型所做的事情。演示链接托管在 Here.Now 上，该公司赞助了这段视频；这一赞助关系是提及该产品时的重要背景。