Claude Fable 5.1 全面解析：基准测试、改进、价格与速度

Claude Fable 5.1 已于 2026 年 9 月 1 日正式发布。先说结论：它不是面向普通问答的常规模型升级，而是为长时间编程、复杂研究、跨应用工具调用和无人值守 Agent准备的高成本旗舰模型。在 Anthropic 公布的 7 类主流基准中，Fable 5.1 全部超过 Fable 5；但它的 API 单价仍是 Opus 5 的两倍，官方也把相对延迟标为“较慢”。

如果你的任务只是改一个文件、写一段短文或回答普通问题，Anthropic 仍建议从 Opus 5 开始。Fable 5.1 更适合普通模型在高 effort 下仍无法稳定完成的长链路任务。本文把官方发布数据、各基准的含义、5.1 的具体改进、价格、速度和迁移限制放在一起，避免只看一张“谁赢了”的跑分图。

一张表看懂 Fable 5.1 的规格

这里的“较慢”来自 Anthropic 模型目录，表示相对延迟等级，不是固定的每秒 token 数。实际完成一个任务要多久，还取决于 effort、工具调用轮数、缓存命中率、上下文长度和失败重试次数。

Fable 5.1 主流基准测试完整表格

下表直接采用 Anthropic 2026 年 9 月 1 日发布页中的主表。为了避免误读，百分比、GDPval-AA 原始分数、OSWorld 的 partial/strict，以及 HLE 的有工具/无工具结果都分开列出。每个基准保留英文正式名称，并在下一行给出中文名称；其他语言版本也会在英文名下面显示对应语言译名。

— 表示 Anthropic 的这张主表没有提供对应成绩，不代表该模型无法完成任务。Terminal-Bench 4.0 中，限制更少、仅向可信计划开放的 Mythos 5.1 得分为 60.9%；本文聚焦普通用户可用的 Fable 5.1，不把 Mythos 的成绩混入 Fable 列。

Terminal-Bench-Science 0.1 测什么

Terminal-Bench-Science 0.1 包含生命科学、物理科学、地球科学、数学和工程学五大领域的 70 个真实研究工作流。任务不是选择题，而是要求 Agent 在终端里完成数据分析、统计推断、模拟、优化、定理证明、图像重建或科学机器学习，并用可复现测试检查产物。

Fable 5.1 的 52.6% 对比官方复现实验中的 Fable 5 24.7%，提高 27.9 个百分点，是整张表里最明显的跃升。但官方同时标注每个模型约 ±3.5–4.5 个百分点的标准误差，不能把小数点后一位当成绝对精确排名。

Terminal-Bench 4.0 与 CursorBench 3.2.0 测什么

Terminal-Bench 让 Agent 在真实终端环境处理复杂任务，重点看它能否理解环境、调用工具、修改文件并最终通过验证。Fable 5.1 得到 55.8%，比 Fable 5 高 13.8 个百分点，也超过 Opus 5 的 52.3%。

CursorBench 3.2 来自真实 Cursor 会话中的模糊、多文件任务，3.2 版增加了指令遵循和高级工具使用问题。Fable 5.1 Max 得到 73.4%，领先幅度没有 Terminal-Bench-Science 那么夸张，但它平均每个任务使用 72,060 token、成本 $9.64；Fable 5 Max 是 103,525 token、$17.32。这里更值得关注的是完成同类任务时的 token 和成本下降，而不是 2.9 个百分点本身。

GDPval-AA v2 测什么

GDPval-AA v2 使用 220 个由行业专业人士设计的任务，覆盖 44 种职业和 9 个行业，用来评估模型处理真实、具有经济价值的知识工作的能力。它的 1853 是综合评分，不是 1853%。这项结果说明 Fable 5.1 在专业文档、分析和交付物上超过 Fable 5，也小幅超过 Opus 5。

OSWorld 2.0 为什么有两个分数

OSWorld 2.0 包含 108 个长链路电脑操作工作流，每项任务的人类完成时间中位数约 1.6 小时。Partial 会根据多个检查点给部分完成分；Strict 只有完整达到目标才算成功。

所以 Fable 5.1 的 77.9% partial 和 41.7% strict 并不矛盾：它经常能完成大部分步骤，但仍有一部分任务没能端到端收尾。这也提醒我们，电脑 Agent 的“看起来一直在操作”不等于任务已经成功。

Humanity's Last Exam 测什么

Humanity's Last Exam 由 Center for AI Safety 与 Scale AI 创建，包含 2,500 道跨学科、专家级、难以靠简单检索回答的问题。Fable 5.1 在无工具条件下比 Fable 5 高 3.1 个百分点，允许工具后只高 1.2 个百分点。它确实更强，但不是所有基准都出现翻倍增长。

AutomationBench 测什么

AutomationBench 检查 Agent 能否跨 CRM、邮箱、日历、消息和项目管理等模拟 SaaS 工具，完成销售、营销、运营、客服、财务和人事工作流。Fable 5.1 从 17.1% 提高到 31.4%，相对提升约 84%，说明 5.1 在多应用状态管理和长步骤执行上有实质进步；但 31.4% 也说明这类无人值守业务自动化仍远未解决。

Fable 5.1 相比 Fable 5 改进了什么

1. 长时间任务更不容易走捷径

Anthropic 把 Fable 5.1 定位为长时间 Agent 模型：先规划，再使用工具，失败后恢复，验证结果，并主动汇报进度。它更强调修复根因，而不是为了尽快让单个测试变绿而做局部绕过。官方列出的目标场景包括跨代码库功能、代码审查、性能优化、多日自主会话、研究、文档、表格和幻灯片。

2. 低 effort 也能接近前代高成本结果

Fable 5.1 新增按消息调整 effort 的能力。官方成本曲线显示，Low 或 Medium effort 在一些任务上可以达到或超过 Fable 5，同时降低 token 和费用。Claude Code 默认使用 High effort；Claude.ai 与 Cowork 默认 Medium，比较模型时必须先确认 effort，不能把不同档位的结果直接放在一起。

3. 工具调用之间可以显示可读进度

API 新增 display: "updates" 测试能力，让模型在工具调用之间给出面向用户的进度更新。对于跑几小时的任务，这比只看到工具卡不断出现更容易判断它正在做什么、是否偏离目标。

4. 写作、视觉验证和自测更完整

官方称 5.1 会主动编写测试验证自己的修改，并利用视觉能力对照设计目标检查输出。合作方评价也集中在更简洁的进度、更完整地回答多部分问题、跨多个服务追踪调用链，以及长时间运行后仍能保持可读性。这些是定性反馈，不应当冒充统一基准结论。

5. 安全拦截更精确，但没有消失

Fable 5.1 的网络安全防护误报比 Fable 5 发布时减少约 60%，基础生物和医学问题触发降级的频率降低约 85%。它现在可以用于发现软件漏洞，但渗透测试、生成利用代码、二进制漏洞扫描等双重用途任务仍可能被路由到 Opus。被路由后不会按 Fable 价格收费。

6. 新增内容来源标记

Fable 5.1 引入 content provenance。生成文本可能带有统计水印，可通过 Anthropic 的内容检查工具进行验证。它不会在正文里加可见标记，但对于内容平台、教育和企业审计来说，是需要提前了解的新行为。

Fable 5.1 费用怎么计算

假设一次长任务累计读取 1000 万缓存 token、产生 20 万新输入 token 和 5 万输出 token，不考虑缓存写入：

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

同样 1000 万缓存读取在 Fable 5 上约为 $10，单这一项就相差 $7.50。Anthropic 据此估算，典型按 token 计费任务的实际成本可降低约 25%，高度 Agent 化、频繁复用长上下文的任务最多约降低 45%。这不是 API 标价整体降价，而是缓存命中越多，节省越明显。

订阅用户不一定直接享受 API 缓存降价

Max 与 Team/Enterprise 的 premium seat 可以把每周额度的最多 50% 用于 Fable 模型；Pro 和标准席位则从一开始使用 usage credits。具体消耗显示以账号中的 Usage 页面为准。缓存读取降价主要是按 token 计费场景的变化，不能把 API 的 75% 缓存降价直接换算成“Max 套餐多用四倍”。

Fable 5.1 到底快不快

答案是：单轮响应偏慢，但复杂任务的总完成时间可能更短。

• Anthropic 的模型目录把 Fable 5.1 标为 Slower，Opus 5 为 Moderate，Sonnet 5 为 Fast。
• Claude Code 默认 High effort，天然会比 Low 或 Medium 使用更多推理时间。
• Every 在自己的工作负载中称 Fable 5.1 大约比 Opus 5 快两倍、token 少一半；这是合作方的特定测试，不是通用速度保证。
• CursorBench 中，Fable 5.1 Max 平均 70 步、72,060 token；Fable 5 Max 同为 72 步但用了 103,525 token。5.1 的优势更像“少走弯路、少消耗 token”，不一定表现为首字更快。

因此，聊天、短代码和频繁交互优先选 Sonnet 5 或 Opus 5；跨代码库排错、长研究和需要自行验证的无人值守任务，再考虑 Fable 5.1。

升级到 Fable 5.1 前必须处理的兼容变化

Claude Code 至少升级到 2.1.250

Anthropic 的套餐与可用性说明要求 Claude Code 2.1.250 或更高版本。看不到 Fable 5.1 时，先检查：

claude --version

然后按 Claude Code 官方升级方式更新，再重新启动会话。Fable 5.1 的 API 模型 ID 是：

claude-fable-5-1

Forced tool use 可能直接报错

如果请求强制模型调用某个工具，Fable 5.1 可能返回错误。迁移前应检查 tool_choice 和自建 Agent 的强制工具流程，不要假设 Fable 5 的行为完全兼容。

Thinking blocks 不能随意跨模型复用

较早模型不能读取 Fable 5.1 的 thinking blocks。切换模型时，应让 SDK 按官方规则处理这些区块，而不是原样塞给另一个模型。

修改旧历史可能导致 400

对 2026 年 8 月 31 日以后创建的新 API 账号，thinking blocks 只在生成它们的原始对话前缀下有效。修改 system、tools 或较早消息后再重放 thinking blocks，可能返回 400。官方建议保持历史 append-only；需要压缩时，用一条新摘要替换整段旧历史，不要一边修改旧轮次一边保留原 thinking blocks。详细模式见 Fable 5.1 提示与迁移指南。

什么时候应该选 Fable 5.1

适合：

• 跨多个仓库、服务或应用的长任务；
• 需要运行数小时并自行恢复失败的 Agent；
• 科学研究、复杂数据分析和多阶段专业交付物；
• 难以复现的系统问题、性能优化和根因排查；
• 需要大量复用长上下文，缓存读取占比高的 API 工作负载。

不适合：

• 简单聊天、短文或单文件小修改；
• 对首字延迟高度敏感的实时交互；
• 预算固定，却没有缓存复用的高输出任务；
• 无法接受默认 30 天安全监控数据保留、且不符合企业例外条件的场景；
• 希望所有网络安全或生命科学请求都不触发降级的工作流。

长任务如何远程查看

Fable 5.1 的价值往往出现在数小时甚至多日任务里，但这不意味着人必须一直守在开发机前。先在本机 Claude Code 2.1.250+ 中确认 Fable 5.1 可用，再通过 PandaNpc Agent 从浏览器、桌面端或手机查看同一台开发机上的 Claude Code 会话、处理交互和继续下达指令。

这里改变的是控制入口，代码、工具和构建仍在你的开发机上运行。可以先阅读Claude Code 远程访问指南和手机连接 Claude Code 教程，确认远程链路后再交给 Fable 5.1 跑长任务。

常见问题

Fable 5.1 比 Fable 5 强多少？

不同任务差异很大。Terminal-Bench-Science 提高 27.9 个百分点，AutomationBench 提高 14.3 个百分点；HLE 使用工具时只提高 1.2 个百分点。不能用单个最大增幅代表所有任务。

Fable 5.1 比 Opus 5 快吗？

官方相对延迟表中 Fable 5.1 是“较慢”，Opus 5 是“中等”。部分合作方在完整任务上观察到 Fable 5.1 更快，因为它使用更少 token、返工更少。这两种结论衡量的不是同一件事。

Fable 5.1 比 GPT-5.6 Sol 更适合编程吗？

Anthropic 发布表中 Fable 5.1 在 Terminal-Bench-Science、Terminal-Bench、AutomationBench 和 CursorBench 上更高；但不同模型使用不同 Agent harness、effort、工具和价格，不能据此断言所有真实仓库都由 Fable 获胜。可以参考 GPT-5.6 Sol 1M 上下文配置教程，再用自己的代表性任务做 A/B 测试。

为什么 Fable 5.1 会突然切换成 Opus？

部分网络安全和生命科学请求会被 safeguards 路由给 Opus。模型切换不一定是故障；Anthropic 表示这类被路由的请求不会按 Fable 价格收费。

Fable 5.1 有水印吗？

有统计性的 content provenance 机制，但不会在文字表面添加可见标签。它与图片角落里的可见水印不是一回事。

总结

Claude Fable 5.1 最明显的进步集中在科学研究、终端任务和跨应用商业工作流：它更能持续执行、恢复失败、验证结果，也通过更便宜的缓存读取降低了长任务成本。但它仍然价格高、单轮延迟偏慢，并带来 thinking blocks、强制工具调用和历史编辑方面的兼容变化。

选择它的正确问题不是“它是不是跑分第一”，而是：你的任务是否足够长、足够复杂，失败和返工的成本是否高到值得使用 Fable 5.1。如果答案是否定的，从 Opus 5 或 Sonnet 5 开始通常更合适。