Claude Fable 5.1发布：8项基准第一，科研能力大幅提升

一觉醒来，AI 圈又炸了。 Anthropic 昨晚发布了新一代模型： Claude Fable 5.1 同时登场的，还有一个只对审核过的团队开放的 Mythos 5.1 说实话，看到消息的第一反应是两个问题： 它到底强了多少？ 我现有的预算，还够不够它折腾。 这篇文章先不做模型实测，我来把这次发布拆给大家看。 这次的东西不少：两个模型、8 项第一、价格变动、三个科研案例、提示词泄露，还有一堆玩家实测。 图源：Anthropic 两个名字，一个底座 这次发布，一次给了两个名字。 Fable 5.1 全平台上线，Claude、AWS、谷歌云、Azure 都能调，API 模型名叫 claude-fable-5-1。 Mythos 5.1 和它共用同一个底座，差别只在安全护栏。 它只对审核过的团队开放，网络安全走 CVP 验证计划，生命科学走 LSVP 验证计划。 普通开发者，暂时摸不到。 一个模型拆两半卖，是这代操作的重点。 能力是同一个能力，区别只在于它被允许干什么。 Fable 5 发布还没多久，5.1 就来了，而且一来就是双响炮，哈哈哈哈 这种拆法对行业挺有意思。 同一个底座，一个放开护栏给审核过的研究团队用，一个带完整护栏给所有人用，企业的接入成本和合规评估能省一大截。 先看成绩单 Anthropic 官方宣布，8 项基准全部第一！ 差距最大的是科研智能体这一项。 Terminal-Bench-Science 拿到 52.6%，对比 Fable 5 的 24.7%、Opus 5 的 29.0%、GPT-5.6 Sol 的 22.4%，是翻倍级的差距呢！ 编程和知识工作也全线拉满。 Terminal-Bench 测的是模型在真实终端里干活的能力，4.0 到 55.8%，放开护栏的 Mythos 5.1 到 60.9%。 知识工作 GDPval-AA v2 拿到 1853 分，OSWorld 77.9% 的 partial 分、41.7% 的 strict 分。 人类最后的考试 HLE 是一套跨学科终极考题，人类专家都觉得难，它无工具 60.0%，带工具 65.0%。 带工具比无工具高出 5 分，说明工具它是真会用。 CursorBench 3.2.0 73.4%。 自动化评测 AutomationBench 31.4%。 第三方也有验证。 ARC Prize 复核了 ARC-AGI-1，97.5%，单任务成本 1.40 美元。 ARC-AGI-2 是 90.0%，3.12 美元。 这个成本档位，控制得相当漂亮。 Artificial Analysis 的 AI 指数给了 66 分，排第一。 体感上，这代主攻的方向，是长任务干到底。 以前模型像短跑选手，100 米冲刺很快，跑 5000 米就乱，这次它开始练马拉松。 跑分高的模型年年有，emmm翻倍的差距不常有 这一刀，切得确实有点深！ 标价没动，账单动了 欧克，咱们先看标价哈。 输入 10 美元每百万 token，输出 50 美元每百万 token，和上一代一样，没涨（点赞！！） 图源：Anthropic 缓存写入也有两档，5 分钟 12.50 美元、1 小时 20.00 美元每百万 token。 但缓存读取从 1 美元降到了 0.25 美元，降幅 75%。 官方口径是，典型负载总成本降 25%，重度 Agent 任务最高省 45%。 对做 Agent 的人来说，缓存读取这一刀，才是真降价。 这类任务翻来覆去读同一批上下文，缓存命中率高，这一刀正好砍在刀刃上。 内部也有风声。 有 Anthropic 的开发者透露，低推理档位能达到 Fable 5 高档位的性能，成本只有三分之一。 这个说法我还没法验证，先放这儿，当个参考。 对比一下隔壁。GPT-5.6 Sol 目前短上下文是促销价，输入 2、输出 10、缓存 0.2 美元。 注意，是促销价，随时会变。 不过也得说点实在话。 Artificial Analysis 测算，单任务的实际成本，Fable 5.1 还是比 Fable 5 高 20% 左右，根源是输出 token 消耗约 1.7 倍。 还有付费用户反馈，Pro/Max 订阅没降价也没提上限，自动继续功能有 bug。 so 标价没涨，但你花的钱，可能没少！ AI 开始自己上手做科研 这一节是全文最重的部分。 这代真正变了的不是跑分，是它开始对长任务和科研结果负责。 Anthropic 放了三个科研案例，一个比一个狠。 三个案例横跨遥感、生物、高性能计算，三种完全不同的科研活。 第一个，金星地图 图源：Anthropic NASA 麦哲伦号 30 多年前绕着金星扫地表，雷达数据的分辨率只有 10 到 20 公里，过去只完成了约五分之一面积的地图。 剩下的大半个金星，一直没有精细的地形数据。 数据存了这么多年，一直没人系统性地重新处理过。 Fable 5.1 拿这些老数据训练神经网络，把细节推到了 2 到 3 公里，覆盖金星约三分之一面积，测高精度最高提升 25%。 第二个，蛋白设计 图源：Anthropic Mythos 5.1 调用开源设计工具做蛋白设计，设计稿送外部机构做真实湿实验。 Adaptyv Bio 是第三方蛋白设计竞赛，各家方案同台比结合亲和力。 EGFR、Nipah G 等 3 个靶点的结合亲和力，是 Adaptyv Bio 竞赛最佳方案的 10 倍。 结合亲和力是蛋白和靶点结合得紧不紧的指标，越紧越有做成药的潜力。 12 个靶点总体命中率接近 50%，而行业常态是 10% 到 15%，意味着这套流程有一半左右的概率一次成功。 湿实验是蛋白设计的终审，不少 AI 设计在电脑里很漂亮，一进实验室就翻车。 它敢把设计稿送去做湿实验，本身就说明对结果有把握。 第三个，手写 GPU Kernel 这个案例最牛叉 图源：Anthropic 只给公开源码，它几天手写 7 个开源生物模型的 GPU Kernel，最高提速 2.5 倍，结果与原版完全一致。 Evo 2 是开源的基因组大模型，它跑 300 万变异分析，成本从 1.8 万美元降到 0.8 万美元。 给深度学习模型手写 GPU Kernel，以前是顶尖性能工程师几周的活，学术实验室往往请不起这种人。 现在这个门槛，被模型自己踩平了。 以前 AI 帮科学家查资料，现在 AI 自己拿起了仪器 从修 Bug 到破密码 官方强调了一个动作闭环： 读取仓库文档、拆解任务、执行修改、运行测试、检查结果、定位失败、继续下一轮。 以前的模型是问答式，问一句答一句。 这套闭环的意思是，它能自己把一件事从头盯到尾。 这套闭环看起来普通，难在每一步都要自己判断。 测试失败要能看出是哪一步错了，改坏了要能退回去，模型做到这些，才算真的在干活。 它在遇到障碍时会明确说出卡在哪里，很少再走那种看起来完成、实际留下隐患的捷径。 两个真实案例，一个在工业界，一个在学术界。 第一个是对冲基金 Millennium。 内部系统出现一个极罕见的崩溃，内部工程师和其他模型找了几年，没找到诱因。 Fable 5.1 一路追到外部，反汇编第三方库，定位了病根。 第二个是密码。 1653 年，苏格兰学者托马斯·厄克特在《Logopandecteision》末尾留下 64 个数字的密码，被列入全球 50 大未解加密信息。 这串数字躺了三百七十多年。 图源：历史文献（经 Vals AI 转发） Fable 5.1 用了 44 分钟、17.6 万 token、无人干预 ！ 破解思路是，先读上下文。 这个思路看起来简单，真做起来要跨语言、跨文献地联想，把 32 篇短文和数字一一对上。 密码前有 32 篇短文，作者反复强调，没有什么数字能比 32 更好。 第 i 个数字对应第 i 篇短文，取单词首字母，解出的是一段祈求查理二世复辟的诗句。 随后它用同一逻辑，破了另一个 285 个数字的 Octastich。 它先读完上下文才动手，像侦探。 这一点，比算术本身有意思多了。 这串数字人类解了三百七十多年，它花了 44 分钟。 它赢在动手之前，先读了书。 27 万字的底牌 发布几小时后，破解圈知名人士 Pliny the Liberator 放出了 Fable 5.1 的完整系统提示词，27.5 万字符，据 Pliny 的推文。 这个速度本身也说明，圈子里有多少人盯着它（奸笑哈哈哈哈） 图源：Pliny the Liberator 他把它整理进了自己的仓库，传阅度很高。 官方只公开了约 2.7 万字的修订记录。 Pliny 的说法是，官方公布的只是一角，约 10% 核心行为逻辑、记忆体系、检索与版权规范、产物构件与计算机使用指引、插件路由，以及全部 46 项工具的 JSON 架构 泄露出来的是运行时组装指令。 核心行为逻辑、记忆系统、搜索与版权规则、Artifacts 与计算机使用指南、插件路由，全都写得明明白白。 工具从 7 月的 30 个涨到 46 个，每个都配一份 JSON 架构。 新增的工具里，有 chart_display 图表、carousel_display 轮播、places_list_display 地点列表、link_preview_display 链接预览，还有 read_conversation，可以翻阅历史对话。 这个能力放进底层指令，意味着它能在长对话里自己翻旧账，不用每次都从头理解。 工具变多，是让它在更多场景里能自己动手。 比较有意思的是它的形象与版权红线。 不让重现受版权保护的歌曲、诗歌、书籍片段，1929 年前公版除外。 视觉上不让画已知角色、Logo、专辑封面，指令里明确写了，不准画刺猬索尼克、不准画《好饿的毛毛虫》。 心理和d品也有红线：不对心理状态或动机做断言，不披露未经确诊的判断。 也不放大负面情绪。 d品相关只讲危险和急救，不给剂量与配方。 记忆系统还有一份永远不存储清单： 未成年人的身份信息种姓、移民状态犯罪记录心理与精神推断性史与自残倾向 对企业来说，这份泄露反而能当参考资料。 模型的权限边界、哪些东西会被拦，都写在里面了。 提示词工程的玩法，可能要重新卷一遍。 安全的一松一紧 这代安全有松有紧。 松的是护栏！ 识别代码漏洞的误报下降 60%，但底线保留： 只找漏洞、不写攻击代码，渗透测试这类高危操作，还是由 Opus 管。 紧的是反蒸馏！ API 底层核查上下文，提交的提示词与生成的思维块不一致，就报错或整个思维输出撤回。 思维块可以理解为模型答题前的草稿纸，反蒸馏就是防止有人连草稿一起抄走。 先对 8 月 31 日后注册的新账号生效，官方放话，未来所有新模型全员执行。 对做蒸馏、做微调的人来说，这条要留意。 以后想拿大模型的思维过程当训练数据，路子更窄了。 顺带两组官方动作：欧盟 AI 法案要求的水印，8 月 2 日后发布的模型生效； 企业 EFS 零数据留存体系，设备由客户云掌控，秋末分阶段开放。 这张是官方整理的 9 件事信息图，信息密度很高，值得存下来慢慢看。 它对外更宽容了，对自己却更严了。 实测与玩家反应 先说公开资料的编辑实测，黑洞视频 提示词是：用代码生成一段 5 秒的、进入黑洞的视频，要有科学依据。 Fable 5.1 基于广义相对论写了光线追踪渲染器：史瓦西时空零测地线积分、相对论多普勒效应、引力红移、自由下落相机光行差，后端用 ffmpeg 合成。 翻译成人话，就是它自己从零写了个物理渲染器，把光在黑洞附近怎么拐弯都算清楚了。 中间反复修了 3 轮：过曝与数值溢出、最后 40 帧构图浪费、HUD 可读性与 tone mapping。 最后 6 进程并行跑了 26 分钟，输出 960×540、24fps、120 帧、5 秒整。 跑 26 分钟只为一段 5 秒的视频，这已经超出提示词的范畴，是一个完整的小工程。 结尾它自己承认，没建模黑洞自转、盘厚度、光行时延迟。 这个坦白，比生成结果本身更说明问题。 沃顿商学院教授 Ethan Mollick 也下场，做了个复古宇宙飞船游戏。BridgeMind 那边，马里奥赛车一次性搞定。 有人对比 3D 直升机，5.1 比 5 提升一大截。还有人拿自画像做 6 连对比，5.1 的视觉能力明显更强。 成本争议也得说。 有评测显示，同一提示词一次性输出，Fable 5.1 花了 5.69 美元，GPT-5.6 Sol 只花 0.88 美元。 做游戏对比，Kimi K3 花 11 美元，Fable 5.1 花 18 美元。 提示词和输出长度不完全一致，别当精确对比。 取舍上也明显：Fable 5.1 追求写实，Sol 是简洁风，五场风格统一不崩。 能跑通是本事，跑通之后知道自己算错了什么，才是这一代真正牛的地方 最后想说的话 以前我总觉得，模型和模型之间，比的是谁更聪明、谁跑分更高。 后来慢慢发现，这一代拼的根本不是聪明。 所以，我现在越来越觉得，AI 真正变强的地方，是它开始对结果负责。 科学发现的门槛正在肉眼可见地往下塌，这可能才是这代模型最值得记住的位置。 AI 时代真好呀。 连我这种普通的小白玩家，都能亲眼看到这类东西一周一个变化。 发布当天，Sam Altman 就在 X 上预告了 OpenAI 的下一步。 Astra 会走到哪一步，可以期待一波。 想体验的直接上官网和 API，不过先把预算看住，输出 50 美元每百万 token。 如果你是很多年前就关注过我。 谢谢你，还在。 如果你是最近才来到这里的新朋友，也欢迎你。 新的故事，从这里开始。 我是洛兹克。 这一次，我们一起走进AI时代。