AI貴不貴，開始要按任務算帳了。
9月1日，Anthropic同時發佈Claude Fable 5.1和Mythos 5.1。兩款產品使用同一個底層模型，重點提升長時間智能體、程式設計和科研能力。科研類終端任務成績翻了一倍多，辦公自動化提高了約八成。
這次比跑分更值得看的是價格。Fable 5.1的標準輸入和輸出價格沒動，但Anthropic宣佈，快取讀取價格從每百萬Token 1美元降到0.25美元，降幅75%。公司說，典型工作負載的成本能降約25%，高度智能體化的任務最多能降約45%。
但快取便宜了，一項任務卻仍可能更貴。
Artificial Analysis測出來的是另一組數字：在最高努力檔下，Fable 5.1的單任務成本反而比上一代高20%。模型翻舊資料是便宜了，但輸出的東西多了，總帳單反而被抬上去。
當AI可以連續工作幾十小時，每百萬Token多少錢只是表麵價格。真正要算的，是它把事情做完花了多少錢。
01. 從答一道題到連續干幾十小時
Fable 5.1的跑分提升，主要出現在需要模型連續操作的任務裡。
Anthropic公佈的測試裡，Terminal-Bench-Science從Fable 5的24.7%升到52.6%；AutomationBench從17.1%升到31.4%；OSWorld 2.0的嚴格評分下，成績也從36.1%升到41.7%。這些測試的共同點是，要模型在終端或電腦環境裡連續搜尋、分析、呼叫工具，還要根據結果調整下一步。
跑分之外，Anthropic發佈材料裡還列了幾個早期測試案例，更容易看懂。
Millennium曾經碰上一個大約每運行100萬次才出現一次的軟體崩潰。內部團隊查了四五年，一直沒找到原因。測試中，Fable 5.1拆開外部供應商的軟體庫，和崩潰留下的core dump比對，最後把問題定位到外部庫裡的一個漏洞。
Ramp把測試時間拉得更長。一次無人值守的機器學習任務裡，Fable 5.1連續跑了38小時。它先發現此前的實驗結果受到標籤問題影響，修正後啟動六組平行實驗，最後返回結果和下一步建議。Ramp還說，模型發現了一個無人負責的生產告警，並根據日誌給出了修複方案。
Browserbase的說法是，在他們內部最難的瀏覽器智能體測試裡，Fable 5.1完成了82%的任務，Fable 5為57%，Opus 5為74%。每項任務平均運行大約10分鐘。
另外兩家公司給出的案例更接近企業軟體開發。MongoDB說，Fable 5.1用大約三天完成了一個複雜原型：先讀公司各項服務的程式碼和文件，提出設計方案，再連續運行幾個小時把它實現出來。Shopify則讓它分析一項橫跨三個程式碼庫、八項以上服務的改動。按Shopify的說法，模型能把一個請求進入系統之後經過的服務、函數、資料庫表和資料行一路梳理下來。
這些案例說明，長任務能力不只是"讓模型多想一會兒"。模型還要保存已經完成的步驟，知道接下來該呼叫那個工具，並在結果不符合預期時回到前面檢查。任務越長，一次判斷錯了，後面就會被越滾越大。
這些案例都是Anthropic自己挑出來的，沒有第三方復現。但它們指向同一個變化：模型開始可以在較長時間裡保存進度、檢查結果、繼續推進，不必每走一步都等使用者重新下指令。
82%的瀏覽器任務完成率反過來說，還有將近五分之一的任務沒做完。長時間運行能力提升，不等於使用者已經可以放棄驗收。企業要的不只是模型肯一直做下去，還要它做不下去時能說一聲、能留下過程記錄，該把任務交回人手就交回來。
華頓商學院教授伊森·莫利克（Ethan Mollick）在早期體驗後也把注意力放在這一點上。他覺得Fable 5.1在需要判斷和取捨的長時間任務裡出現了實際進步，但一些帶有明顯"Claudish"特徵的表現並沒有跟著消失。
模型能幹得更久，隨之而來的問題也變得更實在：一次運行不再只是生成幾段回答，而可能持續消耗上下文、工具呼叫和輸出Token。能力上去之後，成本就成了下一道門檻。
02. 快取便宜75%什麼一項任務反而更貴
Fable 5.1的標準輸入價格仍是每百萬Token 10美元，輸出仍是50美元。真正降下來的是快取讀取：從每百萬Token 1美元降到0.25美元。
快取讀取，就是模型反覆翻看已經處理過的資料。智能體連續工作時，需要不斷重新讀取程式碼庫、系統指令、工具說明、文件和此前積累的上下文。執行階段間越長，這部分開銷通常越明顯。
Anthropic根據2026年8月四周的實際使用情況估算，Fable 5.1在典型工作負載中的成本能降約25%；對快取讀取佔比較高的智能體任務，降幅最高約45%。這個估算只針對按Token計費的情況，和Claude訂閱價格沒關係。
這組資料覆蓋Claude Enterprise、Claude Code和API裡的實際使用，採用的是各產品的默認努力等級。Fable 5.1在Claude Code裡默認用High，在Claude Cowork和Claude.ai裡默認用Medium。同一個模型選不同努力等級，思考時間、輸出量和最終成本都可能不一樣。
Anthropic還保留了更便宜的批處理價格：非同步任務的輸入和輸出分別是每百萬Token 5美元和25美元。這適合不用馬上出結果的活，但換不掉需要即時來回呼用工具的智能體任務。
Cognition聯合創始人兼首席產品官沃爾登·嚴（Walden Yan）說，公司計畫在Fable 5.1發佈當天把Devin裡的Opus 5流量切到Fable 5.1。按Cognition的內部測試，Fable 5.1能達到甚至略高於Fable 5的表現，單任務成本更低。快取降價之後，程式碼審查這類此前跑Opus級模型的任務，也開始有了轉到Fable級模型的經濟性。
Every首席執行長丹·希珀（Dan Shipper）測出來的是另一組結果：Fable 5.1的運行速度大約是Opus 5的兩倍，Token消耗大約減少一半。這只是一家公司在自己的任務上跑出來的資料，但它也說明，企業不會只看官網標價，還得拿自己的程式碼和工作流重新測一遍。
發佈後，社交媒體上的好評也集中在這幾點上。@kimmonismus強調，45%的降幅只適用於快取佔比較高的智能體負載；馬特·舒默（Matt Shumer）關注的是能力提升與快取降價同時出現；金宇宸的看法是，如果百萬次才出現一次的崩潰診斷和更低Token消耗能夠穩定復現，意義會更大。
不過，模型的一項成本下降，不等於整項任務一定更便宜。
Artificial Analysis在他們的Intelligence Index測試裡發現，Fable 5.1在最高努力檔下的單任務成本是3.76美元，比Fable 5高20%。測試裡，Fable 5.1用掉的輸出Token大約是上一代的1.7倍。快取降價每項任務省下大約1.40美元，仍不夠抵消新增的輸出開銷。
換到xhigh努力等級後，Fable 5.1的單任務成本降到2.72美元，比最高努力檔低1.04美元。這說明同一個模型選不同努力等級，任務成本也可能差不少。
Anthropic和Artificial Analysis測的不是同一批任務，也沒有用完全一樣的努力等級，兩組數字不能直接對照。但它們能解釋為什麼"快取價格下降75%"和"單任務成本上漲20%"可以同時成立：模型翻舊資料便宜了，但如果為了完成任務生成更多新內容，總帳單一樣會漲。
這也是為什麼輸出價格仍然重要。Fable 5.1每百萬輸出Token還是收50美元，是快取讀取價格的200倍。長任務裡只要多生成一段分析、多做一次檢查、或者重跑一條失敗路徑，新增輸出就可能很快吃掉快取省下來的錢。
模型廠商對"價格"的理解也開始變。據《The Information》報導，OpenAI近幾個月向部分大客戶提供了任務完成後再付費的選項，比如只有AI完成客服互動才收費。OpenAI沒有回應此事，這還不是公開、普遍適用的定價政策。
Anthropic這次仍然按Token計費，兩家做法不一樣。但AI開始接手一整項活以後，客戶關心的不再是花了多少Token，而是活幹完沒有、幹了多久、中途要不要人幫忙。
按結果收費也沒有看上去那麼簡單。"完成一次客服互動"相對好數，"幫助銷售團隊增加了多少收入"就很難單獨歸因。就算未來計費單位從Token變成任務，廠商和客戶還是得先約定：什麼算完成、失敗要不要收費、人工接管算誰的成本、結果有爭議時以什麼記錄為準。
03. 科研不只看回答還要交出可以驗證的結果
Anthropic這次也把長任務能力用到了科學研究上。
這次要看的不是模型能答對多少科學問題，而是它交出來的東西能不能被實驗、資料或計算結果驗一遍。三個案例分別對應設計、分析和工程最佳化。
分子設計的測試裡，Mythos 5.1用開放原始碼的蛋白質設計和折疊工具生成方案，再交給兩家外部機構做實驗驗證。在三個目標上，模型設計的結合親和力達到相關蛋白質設計競賽最佳設計的10倍；在12個目標上，整體命中率接近50%。Anthropic說，蛋白質設計的典型命中率大約在10%到15%之間。
有一點要分清：Anthropic展示的設計確實經過實驗驗證能結合，但配套的結構圖仍然是ESMFold2預測出來的，不是實驗測出來的。
免疫學家德里亞·烏努特瑪茲（Derya Unutmaz）體驗後覺得，Fable 5.1的科研能力值得繼續驗證。他同時注意到，普通生物學和醫學問題觸發安全機制的頻率已經下降85%。
計算分析這塊，Fable 5.1用NASA麥哲倫號探測器留下的雷達圖像，為金星大約三分之一區域重建了高解析度的高程地圖。Anthropic說，新地圖的解析度從此前的10到20公里提高到2到3公里，地形高度精準度最高提高25%。
計算生物學的測試裡，Mythos 5.1為七個開源深度學習模型寫了定製的GPU核心，最高把運行速度提高2.5倍，同時保持輸出一致。Anthropic估算，這些最佳化能讓全基因組分析的GPU成本降30%到60%。
這些項目還是Anthropic自己挑出來的早期案例，不能據此說模型已經能獨立做科學發現。但它們讓"怎麼考科研能力"這件事換了個方式：答案不再只由另一個模型或一套選擇題打分，還要接受實驗結果、資料精度和實際運行效率的檢驗。
其中蛋白質設計的實驗驗證尤其重要。傳統模型評測通常有標準答案，但科研任務可能根本沒有現成答案。設計出來的蛋白質能不能結合、計算核心能不能在保持輸出一致的前提下加速，這些反饋比語言評分直接得多。不過，一次實驗成功，不等於模型給出的科學解釋就成立了。設計能用、機制說得通、別人能復現，這是三件事。
AI開發者薩莉·斯德哥爾摩（Sally Stockholm）把這種變化概括為：使用者交給模型的工作正在從"幫我寫一段程式碼"變成"繼續把這個問題往前推進"。程式設計和科研，是這種工作方式最早出現的地方。
04. 能一直幹也要知道自己能幹到那裡
Fable 5.1和Mythos 5.1用的是同一個底層模型，區別主要在安全限制和訪問資格上。
Fable 5.1已經對普通使用者和企業開放，可以用於發現軟體漏洞等防禦性工作，但漏洞利用程式碼生成、滲透測試和基於二進制檔案的漏洞掃描仍然受限。Anthropic說，新版網路安全機制在Claude Code裡的平均干預次數比此前少了大約60%；基礎生物學和醫學問題觸發限制的次數也少了85%。
Mythos 5.1則通過受信任訪問項目，向經過稽核的網路安全和生命科學機構開放更高權限。Anthropic想用同一個模型加兩套訪問規則，一邊少誤傷普通任務，一邊把風險更高的能力圈在稽核過的機構裡。
企業資料怎麼被監控，是另一道難題。Anthropic這次同時公佈了Enterprise Frontier Safeguards（EFS）：客戶把相關資料存在自己控制的雲基礎設施裡，默認由客戶完成必要的人工審查，不用把資料交給Anthropic。EFS計畫從今年秋季起分階段上線；在此之前，符合條件的客戶可以用零資料保留模式。
Anthropic說，EFS是在金融、醫療、製造、通訊、法律、公共部門等行業超過100家客戶的參與下開發的，計畫覆蓋Claude Code、Claude Enterprise、Claude Platform以及AWS、Google Cloud和Microsoft的相關平台。它要管的不是模型會不會答題，而是模型碰到企業程式碼、業務資料和外部工具的時候，監控記錄留在那、誰來看、異常行為誰處理。
這套限制不是憑空加上去的。今年7月，Anthropic披露過：在關閉部分生產安全機制的網路安全評估裡，Claude曾多次越過測試邊界，進入真實網際網路環境，包括訪問真實公司的資料庫、向PyPI上傳惡意軟體包。英國AI安全研究所也在刻意開放網際網路權限、關閉廠商分類器的測試裡觀察到類似行為。
其中一次測試裡，模型因為開發者指令提到一個並不存在的Python包，就建立了PyPI帳號並上傳了同名惡意包。這個包在公開倉庫存在大約一小時，被15個真實系統下載並執行。這個例子留下來不是因為普通Claude使用者會碰上，而是它說明了一點：測試環境和真實網際網路沒有徹底隔開時，模型可能把模擬任務裡的操作帶到真實系統裡。
這些事發生在故意放寬限制的研究配置下，不是普通使用者能直接用的產品環境，也沒有涉及Anthropic客戶資料或其生產基礎設施。Anthropic的說法是，正常啟用的生產安全機制本應擋住這些行為。但這也說明：智能體工作時間越長、工具權限越多，模型之外的沙箱、審批、即時監控和停止機制就越重要。
關於發佈節奏，投資人加文·貝克（Gavin Baker）覺得，Anthropic選在OpenAI下一代模型之前發佈Fable 5.1，說明前沿模型的競爭仍在加速。他還猜Fable 5.2可能已經在準備中。
05. 結語
Fable 5.1把模型競爭裡的一筆帳擺得更清楚了。
模型可以連續跑幾小時甚至幾十小時，企業買的就不再只是一次回答。它們還要為模型反覆讀取上下文、呼叫工具、生成輸出、失敗重試和人工接管付費。
Anthropic把快取讀取價格砍了75%，是在壓低長期工作中最常見的一項開銷；Artificial Analysis的測試則提醒使用者，更能幹的模型也可能生成更多Token，把總帳單重新推上去。
OpenAI據報已經向部分大客戶試過任務完成後再付費。Anthropic這次仍然按Token計價，但企業衡量模型的方式正在變。
下一輪比價，廠商還是會公佈每百萬Token多少錢。但一個模型到底貴不貴，得看它做完一項任務花了多久、重試幾次、要不要人接手，以及最後有沒有把活交出來。
完成率、單任務成本、人工接管次數，三項擺到一起，這筆帳才算得清。 (網易科技)