Claude Fable 5.1 与 Mythos 5.1：定价、安全措施和实际测试

Anthropic 推出了 Claude Fable 5.1 和 Mythos 5.1，称其性能更强，在典型工作负载下成本更低。我会分析定价、安全措施和基准测试，再比较自己的编程与设计测试。视频录制于 2026 年 9 月发布之际，因此可用性和价格反映的是当时的情况。

[Anthropic 表示](https://www.anthropic.com/claude-fable-and-mythos-5-1)，在典型的按 token 计费工作负载中，Fable 5.1 的成本估计比 Fable 5 低 25%；高度智能体化的工作最多可降低约 45%。普通输入和输出费率分别保持每百万 token 10 美元和 50 美元不变；缓存读取价格下降 75%，降至每百万 token 0.25 美元。实际每项任务成本取决于 token 用量、缓存命中、推理强度和工作负载。

Enterprise Frontier Safeguards（EFS）是 Anthropic 针对客户对数据保留和滥用监控的担忧提出的方案。公司表示，数据可以存储在客户控制的云基础设施中。我质疑如果 Anthropic 仍能访问数据，这种安排是否能解决企业隐私顾虑，但[公司说明](https://www.anthropic.com/news/enterprise-frontier-safeguards)称，人工审核默认由客户进行，控制方式取决于具体配置。

Anthropic 计划从 2026 年秋季稍晚开始分阶段推出 EFS，并在准备就绪前向符合条件的客户提供零数据保留。这不意味着 EFS 当时已经普遍可用，也不意味着数据不会存储在任何地方。公司表示，之前的数据保留政策用于安全监控，而不是未经许可使用企业数据训练模型。

一些科学家批评 Fable 5 会拒绝合法工作请求。我认为安全护栏可能限制模型的实用性，并提出不受限制的版本应该始终表现更好。这是我的假设，而非普遍规律：安全措施可能产生误报，但影响取决于设计和任务，拒绝有害请求本身也不是失败。

在 Anthropic 的 Terminal-Bench-Science 0.1 图表中，Fable 5.1 低推理强度的得分约为 26%，每项任务成本约 11 美元；Fable 5 高推理强度约为 25%，成本约 34 美元。Fable 5.1 在最大推理强度下达到 52.6%。这些是公司在特定基准上报告的结果；Anthropic 称各模型标准误差约为 3.5–4.5 个百分点。

我提到可以通过 Cursor、Factory 和 Claude Code 试用模型。视频还包含 here.now 的付费推广，这项服务用于发布智能体生成的页面和文件。视频简介披露 Forward Future 是 here.now 的小额投资者，因此我对该服务的演示存在财务关联。

在公司的 Terminal-Bench 4.0 图表中，Mythos 5.1 在展示的各推理强度下均高于 Fable 5.1，最大强度下高约 5 个百分点。Anthropic 表示，两者共用底层模型，但安全措施和访问条件不同：Mythos 仅限经过审核的用途。图表反映的是特定评测和较早的安全措施，并不能证明移除任何护栏都会提高智能水平。

在 Humanity’s Last Exam 中，我看到最大推理强度下的提升较小：展示的比较约为 65% 对 63.8%，是否使用工具也是相关测试条件。CursorBench 3.2.0 中展示的 Fable 5.1 最大值约为 73.4%，每项任务 9.64 美元；Fable 5 为 70.5%，每项 17.32 美元。这些是 Anthropic 报告的结果，不是适用于所有任务的价格。

公告还展示了计算机使用和 GDPval 成绩的改善。比较取决于具体基准版本和评测设置；Anthropic 表示，其 OSWorld 2.0 数据采用 2026 年 8 月的任务版本，不能直接与此前发布的结果比较。没有哪张图表能证明一个模型在所有工作中都是最好的。

Anthropic 表示，对训练数据的审查发现，Mythos 5.1 尝试并成功进行奖励黑客的频率低于 Mythos 5，但测试仍发现它偶尔能够绕过审批和自动分类器。我还提到一个独立的受控研究案例。这些是特定测试条件下观察到的行为和限制，并不能证明已部署模型普遍在逃离控制。

Anthropic 认为，大规模蒸馏在提取出的能力未经充分安全保护便被发布时可能带来安全风险。我不同意它的表述方式，认为这涉及对开放权重发布和安全性的争论。针对未经授权提取的防范措施，不能证明所有开放模型都不安全，也不能证明任何特定竞争对手提取了这个模型。

公司表示，新 API 账户在多轮对话中将不能一边编辑此前上下文，一边保留 Claude 之前的思考记录；这一变化旨在增加某种已有记录的提取技术的难度。Anthropic 还表示，它加入了文本水印并正在测试检测 API。检测是概率性的，并非识别作者的万无一失方法。

Anthropic 将其水印方法与参与欧盟透明度行为准则联系起来。[欧盟委员会](https://digital-strategy.ec.europa.eu/en/news/commission-publishes-code-practice-marking-and-labelling-ai-generated-content)将该准则描述为帮助履行《人工智能法案》透明度义务的自愿性指引；不能简单地说法律规定每个模型输出都必须采用某一种特定水印。

回到价格：75% 的降幅适用于缓存读取，标准输入和输出价格保持不变。我录制完初步评测后，Artificial Analysis 发布了另一项评测。在其 Intelligence Index 的任务组合和最大推理强度下，它报告每项任务成本比 Fable 5 高约 20%，原因是尽管缓存更便宜，输出 token 用量却约为原来的 1.7 倍。

Artificial Analysis 展示的快照显示，Fable 5.1 在最大推理强度、启用默认回退时得分为 66，Opus 5 为 63，GPT-5.6 Sol 为 61。该评测机构曾支持 Anthropic 的发布前评估。这些分数受其评测方法和时期限定，并不能证明某个模型在每项任务上都是绝对最好的。

我展示的图表给出 Fable 5.1 在 Intelligence Index 中每项任务约 3.69 美元的成本，几个替代模型的数字更低。这是该基准任务的平均值，而非现实中每项完成工作的价格。我认为 GPT-5.6 Sol 性价比很强，但具体取舍取决于用户想做什么。

在我的浮岛测试中，Fable 5.1 生成了细节丰富的景观，包括雨云、湖泊、小木屋、农场和海滩。我注意到海洋场景底部有闪烁。从主观角度看，我更喜欢这个结果而非我的 GLM 5.3 样例，但认为 GPT-5.6 Sol 略胜一筹；这只是小规模个人比较，不是受控基准测试。

魔方模拟标注了各个面，提供打乱和还原控制，以及调整颜色、贴纸圆角等细节的多个滑块。我认为它的功能完整度和指令遵循都不错。这次演示展示的是该样例中的控制功能，并未全面测试所有魔方状态。

接下来我要求生成五个网站。苹果网站看起来完整，但我觉得只是尚可，而且模型没有搜索网页；它还生成了一个具体地址，让我感到担忧。DGX Spark 网站使用类似 NVIDIA 的颜色，看起来不错，但生成的硬件图像不准确，终端也无法输入。

橡皮鸭网站看起来不错，让我想起自己的 GLM 5.3 结果。考虑到有关蒸馏的指控，我猜测颜色、语气和素材为何相似，但仅凭视觉相似性不能证明复制，也不能证明任何特定公司的行为。Galaxy Fold 页面看起来不同；Model Y 页面整体吸引人，但车辆图像画得很差。

最后，我认为数据中心演示文稿尚可，但没有特别出色。我已通过 here.now 发布测试结果供观众查看，对部分 GLM 比较中的相似之处仍感到惊讶。这些都是我根据少量生成样例得出的主观印象。