Claude Fable 5.1 részletes elemzése: benchmarkok, fejlesztések, ár és sebesség

A Claude Fable 5.1 hivatalosan 2026. szeptember 1-jén jelent meg. Előre a következtetés: ez nem a hétköznapi kérdés–válasz feladatokhoz készült szokványos modellfrissítés, hanem egy magas költségű zászlóshajó-modell, amelyet hosszú idejű programozáshoz, összetett kutatásokhoz, alkalmazásokon átívelő eszközhívásokhoz és felügyelet nélküli ágensekhez terveztek. Az Anthropic által közzétett 7 fő benchmarkkategóriában a Fable 5.1 mindegyikben felülmúlja a Fable 5-öt; az API-egységár azonban továbbra is kétszerese az Opus 5ének, és a hivatalos besorolás szerint a relatív késleltetés is „lassabb”.

Ha a feladatod csupán egy fájl módosítása, egy rövid szöveg megírása vagy hétköznapi kérdések megválaszolása, az Anthropic továbbra is azt javasolja, hogy az Opus 5-tel kezdj. A Fable 5.1 inkább azokhoz a hosszú láncú feladatokhoz való, amelyeket a hagyományos modellek magas effort mellett sem tudnak megbízhatóan végrehajtani. Ez a cikk együtt tárgyalja a hivatalos közzétételi adatokat, az egyes benchmarkok jelentését, az 5.1 konkrét fejlesztéseit, árát, sebességét és a migrációs korlátozásokat, hogy ne csak egyetlen „ki nyert” összehasonlító táblázatot láss.

A Fable 5.1 specifikációi egyetlen táblázatban

Az itt szereplő „lassabb” az Anthropic modellkatalógusából származik, és relatív késleltetési szintet jelent, nem pedig rögzített másodpercenkénti tokenszámot. Az, hogy egy feladat ténylegesen mennyi ideig tart, függ az efforttól, az eszközhívások számától, a cache-találati aránytól, a kontextus hosszától és a sikertelen újrapróbálkozások számától is.

A Fable 5.1 főbb benchmarkjainak teljes táblázata

Az alábbi táblázat közvetlenül az Anthropic 2026. szeptember 1-jei közzétételi oldalának fő táblázatát használja. A félreértések elkerülése érdekében a százalékos értékek, a GDPval-AA nyers pontszámai, az OSWorld partial/strict eredményei, valamint a HLE eszközökkel és eszközök nélkül elért eredményei külön sorokban szerepelnek. Minden benchmark megtartja a hivatalos angol nevét, alatta pedig a magyar megfelelője olvasható; a többi nyelvi változatban az angol név alatt szintén az adott nyelvű fordítás jelenik meg.

A — azt jelzi, hogy az Anthropic fő táblázata nem közöl ehhez az eredményhez tartozó értéket, nem pedig azt, hogy az adott modell képtelen lenne elvégezni a feladatot. A Terminal-Bench 4.0-ban a kevesebb megkötéssel rendelkező, kizárólag megbízható programok számára elérhető Mythos 5.1 pontszáma 60,9%; ez a cikk a hétköznapi felhasználók számára elérhető Fable 5.1-re összpontosít, és nem keveri a Mythos eredményeit a Fable oszlopába.

Mit mér a Terminal-Bench-Science 0.1?

A Terminal-Bench-Science 0.1 70 valós kutatási munkafolyamatot tartalmaz öt nagy területről: élettudományok, fizikai tudományok, földtudományok, matematika és mérnöki tudományok. A feladatok nem feleletválasztós kérdések, hanem azt várják el az ágenstől, hogy a terminálban végezzen adatelemzést, statisztikai következtetéseket, szimulációt, optimalizálást, tételbizonyítást, kép-rekonstrukciót vagy tudományos gépi tanulást, és az eredményt reprodukálható tesztekkel ellenőrizze.

A Fable 5.1 52,6%-os eredménye a hivatalos reprodukciós kísérletekben szereplő Fable 5 24,7%-ával szemben 27,9 százalékpontos javulás, ami a teljes táblázat leglátványosabb ugrása. Az Anthropic ugyanakkor azt is megjegyzi, hogy modellenként körülbelül ±3,5–4,5 százalékpont a standard hiba, vagyis az egy tizedesjegyre pontos értékeket nem szabad abszolút pontos rangsorként kezelni.

Mit mér a Terminal-Bench 4.0 és a CursorBench 3.2.0?

A Terminal-Bench azt méri, hogy az ágens valós terminálkörnyezetben képes-e összetett feladatokat megoldani; a hangsúly azon van, hogy megérti-e a környezetet, meghívja-e az eszközöket, módosítja-e a fájlokat, és végül átmegy-e az ellenőrzésen. A Fable 5.1 itt 55,8%-ot ért el, ami 13,8 százalékponttal magasabb a Fable 5-nél, és az Opus 5 52,3%-át is meghaladja.

A CursorBench 3.2 valós Cursor-munkamenetekből származó, nem egyértelmű, többfájlos feladatokat tartalmaz; a 3.2-es verzió új utasításkövetési és haladó eszközhasználati kérdésekkel bővült. A Fable 5.1 Max 73,4%-ot ért el – a vezetés nem olyan feltűnő, mint a Terminal-Bench-Science esetében –, ugyanakkor feladatonként átlagosan 72 060 tokent használ, 9,64 $ költséggel; a Fable 5 Max esetében ez 103 525 token és 17,32 $. Itt valójában az azonos típusú feladatok elvégzéséhez szükséges token- és költségcsökkenés az érdekes, nem maga a 2,9 százalékpont.

Mit mér a GDPval-AA v2?

A GDPval-AA v2 220, ipari szakemberek által tervezett feladatot használ, amelyek 44 foglalkozást és 9 iparágat fednek le, és azt értékeli, hogy a modell mennyire képes kezelni valós, gazdasági értéket hordozó tudásmunkát. Az 1853-as érték összesített pontszám, nem 1853%. Ez az eredmény azt mutatja, hogy a Fable 5.1 a szakmai dokumentumok, elemzések és elkészült munkadarabok terén felülmúlja a Fable 5-öt, és az Opus 5-öt is kis mértékben meghaladja.

Miért két pontszámot kap az OSWorld 2.0?

Az OSWorld 2.0 108 hosszú láncú számítógépes műveleti munkafolyamatot tartalmaz; az egyes feladatok ember általi elvégzési idejének mediánja körülbelül 1,6 óra. A Partial több ellenőrzőpont alapján részleges teljesítési pontszámot ad; a Strict esetében csak a cél teljes elérése számít sikernek.

A Fable 5.1 77,9%-os partial és 41,7%-os strict eredménye tehát nem ellentmondás: a modell gyakran a lépések nagy részét végrehajtja, de bizonyos feladatokat mégsem tud a legvégéig levezetni. Ez arra is emlékeztet, hogy a számítógépes ágenseknél az „úgy tűnik, folyamatosan dolgozik” nem jelenti azt, hogy a feladat sikeresen be is fejeződött.

Mit mér a Humanity's Last Exam?

A Humanity's Last Exam a Center for AI Safety és a Scale AI közös alkotása; 2500 interdiszciplináris, szakértői szintű kérdést tartalmaz, amelyekre egyszerű kereséssel nehéz válaszolni. A Fable 5.1 eszközök nélkül 3,1 százalékponttal teljesít jobban, mint a Fable 5, eszközök engedélyezése után azonban már csak 1,2 százalékpont az előny. A modell valóban erősebb, de nem minden benchmarkon jelentkezik több mint kétszeres növekedés.

Mit mér az AutomationBench?

Az AutomationBench azt vizsgálja, hogy az ágens képes-e CRM-, e-mail-, naptár-, üzenetküldő- és projektmenedzsment-rendszereket szimuláló SaaS-eszközökön átívelő értékesítési, marketing-, műveleti, ügyfélszolgálati, pénzügyi és HR-munkafolyamatokat végrehajtani. A Fable 5.1 17,1%-ról 31,4%-ra javult, ami körülbelül 84%-os relatív növekedés, és azt jelzi, hogy az 5.1 a több alkalmazást érintő állapotkezelés és a hosszú lépéssorozatok végrehajtása terén valódi előrelépést hozott; ugyanakkor a 31,4% azt is mutatja, hogy az ilyen jellegű felügyelet nélküli üzleti automatizáció még mindig nagyon messze áll a megoldástól.

Miben jobb a Fable 5.1 a Fable 5-nél?

1. Hosszú feladatoknál ritkábban választja a könnyebb utat

Az Anthropic a Fable 5.1-et hosszú távú ágensmodellként pozicionálja: előbb tervez, majd eszközöket használ, hiba után helyreáll, ellenőrzi az eredményeket, és proaktívan beszámol a haladásról. A modell nagyobb hangsúlyt fektet a kiváltó okok kijavítására, semmint arra, hogy egyetlen tesztet gyorsan „zöldre” varázsoljon helyi megkerülő megoldásokkal. A hivatalosan felsorolt célfeladatok közé tartoznak a repókon átívelő funkciók, kód-review, teljesítményoptimalizálás, többnapos autonóm munkamenetek, kutatás, dokumentáció, táblázatok és prezentációk.

2. Alacsony effort mellett is megközelíti az előző generáció költséges eredményeit

A Fable 5.1 új lehetősége, hogy üzenetenként állítható az effort. A hivatalos költséggörbék azt mutatják, hogy Low vagy Medium effort mellett bizonyos feladatokban elérhető vagy meghaladható a Fable 5 szintje, miközben a token- és költségfelhasználás csökken. A Claude Code alapértelmezés szerint High effortot használ; a Claude.ai és a Cowork alapértelmezése Medium. A modellek összehasonlításakor először mindig ellenőrizni kell az effortszintet; a különböző beállításokkal elért eredményeket nem szabad közvetlenül egymás mellé állítani.

3. Az eszközhívások között olvasható állapotjelentés jeleníthető meg

Az API új, display: "updates" nevű tesztképességgel bővült, amely lehetővé teszi, hogy a modell az eszközhívások között felhasználóbarát állapotfrissítéseket adjon. A több órán át futó feladatoknál ez alapján könnyebb megítélni, hogy a modell éppen mit csinál, és nem tért-e le a célról, mint amikor csak egymás után felbukkanó eszközkártyákat látunk.

4. Írás, vizuális ellenőrzés és öntesztelés fejlettebb

A hivatalos közlés szerint az 5.1 maga ír teszteket a módosítások ellenőrzésére, és a vizuális képességeit is felhasználja, hogy a kimenetet a tervezési céloknak megfelelően ellenőrizze. A partnerek értékelései is arról szólnak, hogy átláthatóbb a haladás, teljesebb a válasz a több részből álló kérdésekre, nyomon követhető a hívási lánc több szolgáltatáson keresztül, és hosszú futás után is olvasható marad a működés. Ezek kvalitatív visszajelzések, amelyeket nem szabad egységes benchmarkkövetkeztetésként feltüntetni.

5. A biztonsági szűrők pontosabbak, de nem tűntek el

A Fable 5.1 kiberbiztonsági védelme körülbelül 60%-kal kevesebb hamis pozitív riasztást ad, mint a Fable 5 megjelenésekor, az alapvető biológiai és orvosi kérdéseknél pedig körülbelül 85%-kal ritkábban történik szintcsökkentés. A modell most már használható szoftveres biztonsági rések felfedezésére, de a kettős felhasználású feladatok – például a penetrációs tesztelés, exploit-kód generálása vagy bináris biztonsági rések vizsgálata – továbbra is Opusra irányíthatók át. Az átirányított kérések után nem Fable-áron számolnak el.

6. Új tartalom-forrásazonosító jelölés

A Fable 5.1 bevezeti a content provenance fogalmát. A generált szöveg statisztikai vízjelet hordozhat, amely az Anthropic tartalomellenőrző eszközével igazolható. Ez nem jelent látható jelölést a szövegben, de a tartalmi platformok, az oktatás és a vállalati auditok számára új viselkedés, amelyről érdemes időben tudni.

Hogyan számítják fel a Fable 5.1 költségeit?

Tegyük fel, hogy egy hosszú feladat során összesen 10 millió cache-token olvasása történik, 200 000 új bemeneti token és 50 000 kimeneti token keletkezik, cache-írás nélkül:

缓存读取：10 × $0.25 = $2.50
新输入：0.2 × $10 = $2.00
输出：0.05 × $50 = $2.50
合计：$7.00

Ugyanez a 10 millió cache-olvasás a Fable 5 esetében körülbelül 10 $, tehát már önmagában 7,50 $ a különbség. Az Anthropic becslése szerint a tipikus, tokenalapú elszámolású feladatok tényleges költsége így körülbelül 25%-kal csökkenthető, a nagymértékben ágensvezérelt, hosszú kontextust gyakran újrahasznosító feladatoknál pedig legfeljebb körülbelül 45%-kal. Ez nem az API-árak általános csökkentése, hanem azt jelenti, hogy minél több a cache-találat, annál nagyobb a megtakarítás.

Az előfizetők nem feltétlenül érvényesítik közvetlenül az API cache-kedvezményét

A Max, valamint a Team/Enterprise prémium seatok a heti keret legfeljebb 50%-át fordíthatják Fable-modellekre; a Pro és a standard seatok pedig kezdettől fogva usage crediteket használnak. A konkrét felhasználásról a fiókban található Usage oldal az irányadó. A cache-olvasási árcsökkentés elsősorban a tokenalapú elszámolású helyzeteket érinti, így az API 75%-os cache-kedvezményét nem lehet közvetlenül úgy átváltani, hogy „a Max csomag négyszer többet bír”.

Gyors egyáltalán a Fable 5.1?

A válasz: az egyes körök válaszideje lassabb, de az összetett feladatok teljes elvégzési ideje rövidebb lehet.

• Az Anthropic modellkatalógusa a Fable 5.1-et Slower, az Opus 5-öt Moderate, a Sonnet 5-öt pedig Fast jelöléssel illeti.
• A Claude Code alapértelmezés szerint High effortot használ, így eleve több gondolkodási időt fordít a válaszokra, mint Low vagy Medium beállításnál.
• Az Every a saját munkaterhelésén azt mérte, hogy a Fable 5.1 körülbelül kétszer gyorsabb az Opus 5-nél, és feleannyi tokent használ; ez azonban a partner specifikus tesztje, nem általános sebességgaranciája.
• A CursorBenchben a Fable 5.1 Max átlagosan 70 lépést és 72 060 tokent használt; a Fable 5 Max ugyanúgy 72 lépést tett meg, de 103 525 token fogyott. Az 5.1 előnye inkább abban rejlik, hogy „kevesebb kitérővel és kevesebb token felhasználásával” dolgozik, ami nem feltétlenül jelenik meg gyorsabb első karakterként.

Ezért csevegéshez, rövid kódhoz és gyakori interakcióhoz érdemesebb a Sonnet 5-öt vagy az Opus 5-öt választani; repókon átívelő hibakereséshez, hosszú kutatásokhoz és olyan felügyelet nélküli feladatokhoz, amelyek saját ellenőrzést igényelnek, viszont a Fable 5.1 jöhet szóba.

Kompatibilitási változások, amelyekkel a Fable 5.1-re váltás előtt foglalkozni kell

A Claude Code-ot legalább 2.1.250-re kell frissíteni

Az Anthropic csomagokról és elérhetőségről szóló leírása legalább 2.1.250-es Claude Code-verziót követel meg. Ha nem látod a Fable 5.1-et, először ellenőrizd:

claude --version

Ezután frissíts a Claude Code hivatalos frissítési eljárása szerint, majd indítsd újra a munkamenetet. A Fable 5.1 API-modellazonosítója:

claude-fable-5-1

A kényszerített eszközhívás (forced tool use) hibát okozhat

Ha a kérés arra kényszeríti a modellt, hogy egy adott eszközt hívjon meg, a Fable 5.1 hibát adhat vissza. A migráció előtt ellenőrizd a tool_choice beállítást és a saját ágens kényszerített eszközhívási folyamatát; ne feltételezd, hogy a Fable 5 viselkedése teljesen kompatibilis.

A thinking blokkokat nem lehet szabadon átvinni modellek között

A korábbi modellek nem tudják olvasni a Fable 5.1 thinking blockjait. Modellváltáskor hagyd, hogy az SDK a hivatalos szabályok szerint kezelje ezeket a blokkokat, ahelyett hogy nyers formában továbbítanád őket egy másik modellnek.

A régi előzmények módosítása 400-as hibát okozhat

A 2026. augusztus 31. után létrehozott új API-fiókok esetében a thinking blokkok csak abban az eredeti beszélgetés-előzményben érvényesek, amelyben létrejöttek. Ha módosítod a systemet, a toolokat vagy a korábbi üzeneteket, majd újra lejátszod a thinking blokkokat, 400-as hibát kaphatsz. A hivatalos ajánlás szerint az előzményeket csak hozzáfűzéssel (append-only) szabad bővíteni; ha tömörítésre van szükség, a teljes régi előzményt egy új összefoglalóval helyettesítsd, ne módosítsd a régi köröket miközben megtartod az eredeti thinking blokkokat. A részletes leírást lásd a Fable 5.1 prompt- és migrációs útmutatójában.

Mikor érdemes a Fable 5.1-et választani?

Alkalmas:

• több repón, szolgáltatáson vagy alkalmazáson átívelő hosszú feladatokra;
• olyan ágensekre, amelyeknek órákon át kell futniuk, és hibák után maguknak kell helyreállniuk;
• tudományos kutatásra, összetett adatelemzésre és többlépcsős szakmai munkadarabokra;
• nehezen reprodukálható rendszerhibák felderítésére, teljesítményoptimalizálásra és kiváltó okok keresésére;
• olyan API-munkaterhelésekre, amelyek sokszor hasznosítják újra a hosszú kontextust, és magas a cache-olvasás aránya.

Nem alkalmas:

• egyszerű csevegésre, rövid szövegekre vagy egyfájlos apró módosításokra;
• olyan valós idejű interakciókra, amelyek érzékenyek az első karakter megjelenésének késleltetésére;
• rögzített költségkeretű, magas kimeneti tokenigényű feladatokra cache-újrahasznosítás nélkül;
• olyan helyzetekre, amelyek nem fogadják el a biztonsági megfigyelési adatok alapértelmezett 30 napos megőrzését, és nem felelnek meg a vállalati kivételi feltételeknek;
• olyan munkafolyamatokra, ahol az az elvárás, hogy egyetlen kiberbiztonsági vagy élettudományi kérés se váltson ki szintcsökkentést.

Hogyan követheted nyomon távolról a hosszú feladatokat?

A Fable 5.1 értéke gyakran többórás vagy akár többnapos feladatokban mutatkozik meg, de ez nem jelenti azt, hogy valakinek folyamatosan ott kell ülnie a fejlesztőgép előtt. Először helyben, a Claude Code 2.1.250+ verziójában ellenőrizd, hogy elérhető-e a Fable 5.1, majd a PandaNpc Agenten keresztül böngészőből, asztali gépről vagy telefonról is nyomon követheted az ugyanazon a fejlesztőgépen futó Claude Code-munkameneteket, kezelheted az interakciókat, és további utasításokat adhatsz.

Ami itt változik, az a vezérlés belépési pontja; a kód, az eszközök és a build továbbra is a saját fejlesztőgépeden fut. Érdemes előbb elolvasni a Claude Code távoli elérési útmutatóját és a Claude Code telefonos csatlakoztatásáról szóló oktatóanyagot, és csak a távoli kapcsolat ellenőrzése után bízd a Fable 5.1-re a hosszú feladatokat.

Gyakori kérdések (FAQ)

Mennyivel erősebb a Fable 5.1 a Fable 5-nél?

Feladatonként nagy az eltérés. A Terminal-Bench-Science-ben 27,9 százalékpontos, az AutomationBenchben 14,3 százalékpontos javulást ért el; a HLE esetében eszközökkel viszont csak 1,2 százalékpontos az előrelépés. Nem szabad egyetlen legnagyobb növekedési értékkel jellemezni az összes feladatot.

Gyorsabb a Fable 5.1, mint az Opus 5?

A hivatalos relatív késleltetési táblázatban a Fable 5.1 „lassabb”, az Opus 5 „közepes” besorolást kapott. Egyes partnerek viszont azt tapasztalták, hogy teljes feladatoknál a Fable 5.1 gyorsabb, mert kevesebb tokent használ és kevesebb az újradolgozás. Ez a két következtetés nem ugyanazt méri.

A Fable 5.1 jobban alkalmas programozásra, mint a GPT-5.6 Sol?

Az Anthropic közzétételi táblázatában a Fable 5.1 magasabb pontszámot ért el a Terminal-Bench-Science, a Terminal-Bench, az AutomationBench és a CursorBench terén; a különböző modellek azonban más-más Agent harness-t, effortot, eszközöket és árakat használnak, így ebből nem lehet azt a következtetést levonni, hogy a Fable minden valós repóban győz. Érdemes lehet átnézni a GPT-5.6 Sol 1M kontextus konfigurációs oktatóanyagát, majd saját, reprezentatív feladatokon A/B tesztet futtatni.

Miért vált át hirtelen a Fable 5.1 Opusra?

Bizonyos kiberbiztonsági és élettudományi kéréseket a safeguards (biztonsági védőmechanizmusok) az Opus felé irányítanak át. A modellváltás nem feltétlenül hiba; az Anthropic szerint az átirányított kérések után nem Fable-áron számolnak el.

Van vízjele a Fable 5.1-nek?

Van egy statisztikai jellegű content provenance mechanizmusa, de nem helyez látható jelölést a szöveg felületére. Ez nem ugyanaz, mint a képek sarkában látható vízjel.

Összegzés

A Claude Fable 5.1 legszembetűnőbb fejlődése a tudományos kutatás, a terminálfeladatok és az alkalmazásokon átívelő üzleti munkafolyamatok terén mutatkozik: tartósabban képes végrehajtani a feladatokat, helyreállni a hibákból, ellenőrizni az eredményeket, és az olcsóbb cache-olvasással csökkenti a hosszú feladatok költségét. Ugyanakkor továbbra is drága, az egyes körök válaszideje lassabb, és kompatibilitási változásokat hoz a thinking blokkok, a kényszerített eszközhívás és az előzmények szerkesztése terén.

A választáskor a helyes kérdés nem az, hogy „első-e a benchmarkokban”, hanem az: a feladatod elég hosszú és elég összetett-e, a hibák és az újradolgozás költsége pedig elég magas-e ahhoz, hogy megérje a Fable 5.1 használata. Ha a válasz nem, általában jobb az Opus 5-tel vagy a Sonnet 5-tel kezdeni.