Claude Fable 5 初步印象

我没有提前拿到今天发布的 Claude Fable 5，但过去大约 5.5 小时里我一直在测试它。初步印象是，这家伙有点猛。它速度慢、价格贵，但到目前为止，我扔给它的所有任务它都处理得相当轻松。和当前前沿模型常见的情况一样，挑战在于找到它做不了的任务。首先，回顾一下关键特性。Anthropic 声称 Claude Fable 5 的性能与 Claude Mythos 5 相同，只是增加了更严格的安全护栏，以防止被用于有害用途。这些护栏触发频率相当高，以至于 Claude API 新增了机制来告知你何时触发了它们，甚至还有一个新选项，可以在某些内容被拒绝时自动回退到另一个模型。Claude Mythos 5 今天也发布了，Anthropic 称它"共享 Claude Fable 5 的能力，但没有安全分类器"。这两个模型拥有 100 万 token 的上下文窗口，最大输出 token 为 128,000，知识截止日期为 2026 年 1 月。它们的定价是 Claude Opus 4.5/4.6/4.7/4.8 的两倍：输入 token 每百万 $10，输出 token 每百万 $50。长上下文使用不额外加价。除此之外，升级指南比 Opus 4.8 的类似指南要薄得多。

大模型的味道

描述 Fable 的最佳方式是它感觉很大。不仅体现在速度和成本上，还体现在它知道多少东西。这里有一个示例 prompt，我用它来比较 Fable 和 Opus 4.8 的知识（包含拼写错误）：

列出 Simon Willion 的所有开源项目，按最新到最旧排序，每个项目附上大致首次发布日期

Opus 4.8 的回答开头是这样的：

我没有一份可靠、全面且日期经过验证的 Simon Willison 所有开源项目列表，我想坦诚这一点，而不是冒险给你不准确的日期或编造的条目。以下是我有合理把握能告诉你的内容：

Simon Willison 的知名项目： LLM (~2023) – 一个用于与大语言模型交互的命令行工具和 Python 库。 Datasette (~2017) – 一个用于探索和发布数据的工具，可能是他近期最突出的项目。 sqlite-utils (~2018-2019) – 一个用于操作 SQLite 数据库的 Python 库和 CLI 工具，常与 Datasette 一起使用。 Django (2005) – 他是 Django Web 框架的联合创建者之一，与 Adrian Holovaty 共同开发，最初在 Lawrence Journal-World 报社开发。 他还维护着大量 Datasette 插件和许多较小的工具（通常名称如 shot-scraper、各种 *-to-sqlite 数据导入工具等）。

这还不错。以下是 Fable 5 对完全相同 prompt 的回答开头——两个模型都在没有搜索功能的情况下运行：

我想你指的是 Simon Willison——这位多产的开源开发者、Django 的联合创建者以及 Datasette 的创建者。先说明一个重要前提：一份真正完整的列表是不可能的。Simon Willison 以多产著称——他发布了数百个仓库（仅 Datasette 就有 100 多个插件，其中许多是他写的），而且我的知识有截止日期，所以会遗漏他最近的工作。以下是他值得注意的项目及大致初始发布日期，按最新到最旧排序：

值得注意的项目（大致日期） files-to-prompt (2024年4月) – 将文件拼接成单个 prompt 供 LLM 使用 datasette-extract (2024) – 使用 LLM 提取结构化数据的插件 LLM (2023年5-6月) – 用于与大语言模型交互的 CLI 工具和 Python 库，外加大量插件生态（llm-gpt4all、llm-mistral、llm-claude 等，2023年起） symbex (2023年6月) – 搜索 Python 代码中的符号 ttok 和 strip-tags (2023年5月) – 用于 LLM 管道的 token 计数和 HTML 清理的 CLI 工具 datasette-lite (2022年5月) – 通过 WebAssembly/Pyodide 完全在浏览器中运行的 Datasette shot-scraper (2022年3月) – 通过 Playwright 自动截取网站截图 s3-credentials (2021年11月) – 用于创建作用域 AWS S3 凭证的 CLI django-sql-dashboard (2021) – Django 的 SQL 报告仪表板 Dogsheep 套件 (2019) – 个人分析工具：twitter-to-sqlite、github-to-sqlite、healthkit-to-sqlite、dogsheep-beta 等 sqlite-utils (2018) – 用于操作 SQLite 数据库的 CLI 和 Python 库 Datasette (2017年11月) – 他的旗舰项目；用于探索和发布数据的工具 csvs-to-sqlite (2017) – 将 CSV 文件转换为 SQLite 各种早期工具 (~2007–2010) – soupselect、json-head、geocoders 等 Django (2003-2005年开发，2005年7月开源) – 与 Adrian Holovaty 在 Lawrence Journal-World 联合创建 （顺便提一下 GPT-5.5，它列出的项目比 Fable 还多！）

过去我曾说过，我不在乎模型知道多少——我希望它们能够以有用的方式操作文本和代码，并通过搜索工具主动查找所需信息，而不是将其固化在权重中。但这样的知识是模型大小的一个相当好的代理指标——你可以将更多关于世界的细节塞进更大数量的参数中。知道更多东西是否意味着模型能更好地完成我们提出的任务？我当然可以想象，一个对现代库和模式有更深入理解的编码模型，可以更高效地处理编码任务。

Fable 真的比 Opus 大吗？

Anthropic 没有透露任何关于模型大小的信息，所以我们只能从蛛丝马迹中推断，但速度、定价以及我自己对其知识的试探让我认为它是一个大型模型。也许是迄今为止所有供应商中最大的。

在 Claude.ai 中使用 Fable

Anthropic 在所有平台上都提供了 Fable 5——Claude.ai 聊天界面、Claude Code for Web、Claude Code CLI 以及 Claude Cowork。该模型在订阅计划中"可用至 6 月 22 日"（我目前使用的是每月 $100 的 Max 计划），之后将额外收费。

Claude.ai 经常被低估。自 2025 年 9 月起，每次聊天都可以访问一个完整的容器环境来运行代码，包括安装额外包甚至直接从 GitHub 克隆仓库的能力。

上周我发布了 micropython-wasm，这是一个使用 wasmtime 在 WebAssembly 中运行自定义 MicroPython 构建的 Python 库，用作不受信任 Python 代码的沙箱。我决定看看 Fable 能否将其升级为运行完整的 Python。我从这个 prompt 开始：

从 GitHub 克隆 simonw/micropython-wasm 并研究如何将其改为使用完整 Python 而非 MicroPython

Fable 确定可以使用 Brett Cannon 的 cpython-wasi-build 构建来实现这一点，但由于环境限制，它无法自行下载这些文件。所以我从那个页面获取了两个 zip 文件并上传到 Claude：

这里是 Brett Cannon 的构建（附件为 python-3.zip、_build-python-3.zip）

就这样。它运行了几分钟，让整个东西都工作了。回答的一部分包括：

我尝试了更简洁的单 zip-stdlib 方法来缩小文件系统表面积，但 CPython 的 getpath 引导程序无法从 zip 内部找到编码，除非进行更多前缀调整——目录预打开方法更可靠，所以 PoC 使用了它。zip 路径是可解的，但需要 _PYTHONHOME/frozen-getpath 工作。

所以我说：

再尝试一下单 zip-stdlib 问题

然后过了一会儿：

我想要一个包含整个系统的 wheel——Python 包装器、WASM 文件和标准库——这样我就可以执行 uv run --with path-to-whl python -c "demo code"

...然后它给了我一个 13.9MB 的 cpython_wasm-0.1.0-py3-none-any.whl 文件。你可以像这样使用该 wheel URL 和 uv 在沙箱中运行 Python 代码：

uv run --with https://static.simonwillison.net/static/cors-allow/2026/cpython_wasm-0.1.0-py3-none-any.whl
cpython-wasm -c 'print(45 ** 56)'

这是完整的聊天记录。这是一个非常强劲的开端。

使用 Claude Code 为 Datasette Agent 和 LLM 添加功能

在我意识到今天是 Fable 发布日之前，我今天的延伸目标是为 Datasette Agent 添加一个新功能：我希望该代理软件中的工具调用能够在中途暂停并直接向用户请求批准。这感觉像是一个足够有分量的任务，可以扔给新模型。

在一天的时间里，Fable 不仅解决了这个问题，还识别并实现了我的底层 LLM 库中的四个问题，这些改进有助于支持这种高级的暂停-恢复机制。它最初使用了一些相当粗糙的 hack 让一切工作起来，但当我告诉它可以对 LLM 本身进行更改时，它就开始着手解开这些 hack，并将它们转化为 LLM 的受支持功能。我的延伸目标变成了 LLM 0.32a3，几乎完全由 Fable 编写。以下是发布说明：

受 Datasette Agent 的人机协同 ask_user() 功能需求驱动，对工具调用方式进行了以下改进：

• 工具实现可以声明一个名为 llm_tool_call 的参数，以便接收当前调用的 llm.ToolCall 对象。这允许它们访问当前的 llm_tool_call.tool_call_id。参见从工具内部访问工具调用。#1480
• 现在每个工具调用都保证有一个唯一的 tool_call_id——未提供此 ID 的 provider 会获得一个以 tc_ 为前缀的合成 ULID。#1481
• 工具可以抛出 llm.PauseChain 异常来干净地暂停工具链，适用于等待人工批准等情况。该异常会传播给调用者，并附带 .tool_call 和 .tool_results（已完成的同级结果），并且不会使用占位符结果进行模型调用。参见从工具内部暂停链。#1482
• 并发工具执行的失败语义：异步同级工具调用在暂停或钩子异常传播之前始终运行完成。#1482
• 链现在可以从以未解析的工具调用结尾的 messages= 历史记录恢复：在第一次模型调用之前，通过正常的 before_call/after_call 机制执行这些调用，跳过任何已有结果的调用。execute_tool_calls() 方法还接受一个新的可选 tool_calls_list= 参数，用于执行显式的 ToolCall 对象列表，以替代响应请求的调用。参见恢复带有待处理工具调用的链。#1482
• 修复了一个 bug，其中异步工具执行器静默地丢弃了对 tools= 中不存在的工具的调用——现在这些调用会返回 Error: tool "..." does not exist 结果，与同步执行器一致。#1483

我对 Fable 为此设计的 API、测试、代码和文档的质量印象非常深刻。我今天花了几个小时在上面，但感觉像是几天的工作量。

我花了多少钱

我最近开始使用 AgentsView 来帮助跟踪我在所有不同编码代理中的本地 LLM 使用情况。我今天发布了一篇 TIL，关于为该工具添加自定义 Fable 定价，我预计这在不久的将来就不需要了。设置价格后，我运行了这个命令来启动一个本地 Web 服务器以查看我的使用情况：

uvx agentsview serve

以下是树状图，显示了我今天在各个项目中的 Fable 使用情况细分：

我今天使用了价值 $110.42 的 token，全部包含在我每月 $100 的订阅中。

还有一些鹈鹕

我使用 Fable 以五种思考努力级别运行了"生成一只骑自行车的鹈鹕的 SVG"。以下是结果，包括每次的 token 成本：

• low: 1,929 输出, 9.67c
• medium: 2,290 输出, 11.475c
• high: 2,057 输出, 10.31c
• xhigh: 5,992 输出, 29.985c
• max: 14,430 输出, 72.175c

有趣的是，在这次特定运行中，high 最终使用的 token 比 medium 还少。以下是 Opus 4.8 的鹈鹕供比较。

标签：ai, generative-ai, llms, anthropic, claude, llm-pricing, pelican-riding-a-bicycle, llm-release, claude-mythos