Claude Fable 5.1 对比 Fable 5：在实际工作中，我无法区分它们。
内容提要
Anthropic发布Claude Fable 5.1，宣称在编码和知识工作上有重大进步，基准测试得分翻倍。但作者用四个真实任务测试新旧模型，发现两者准确率均为满分，仅在速度和成本上略有差异。在复杂任务中，旧模型甚至更快更便宜。作者认为，对日常任务升级意义不大，改进可能仅体现在长时研究型任务上。
延伸解读
基准测试与真实任务的差距
文章指出，基准测试如Terminal-Bench-Science的得分提升（从24.7%到52.6%）并不总能转化为真实工作场景的改进。作者用四个模拟日常工作的任务测试，发现新旧模型准确率均为满分，仅在速度和成本上有细微差异。这提醒读者，依赖基准分数评估模型时需谨慎，实际效果可能因任务类型而异。
升级的性价比考量
尽管Fable 5.1在部分基准上表现翻倍，但在日常任务中与旧版几乎无差别，甚至在复杂任务中更慢更贵（多花2倍成本）。对于主要进行代码修复、数据清洗等工作的用户，升级可能不会带来明显收益。建议根据自身任务类型评估升级必要性，而非盲目追求新版本。
成本与速度的权衡
测试显示，Fable 5.1在简单任务上略快，但在复杂任务中因多轮交互导致输入token激增，成本反而更高。文章强调，缓存读取价格下降75%的优惠在短任务中未体现，实际成本可能因使用场景而异。用户需关注token消耗和缓存机制，以优化成本。
Q&A
Claude Fable 5.1 相比 Fable 5 在基准测试上有哪些提升？
在 Terminal-Bench-Science 基准测试中，Fable 5.1 的得分是 52.6%，而 Fable 5 只有 24.7%，得分翻倍。
作者用哪些真实任务测试了 Claude Fable 5.1 和 Fable 5？结果如何？
作者测试了四个任务：数据清理、代码调试、数学问题解决和更复杂的传感器数据处理。结果两个模型在所有任务上都表现完美，准确率均为满分，没有明显差异。
在复杂任务中，Claude Fable 5.1 和 Fable 5 哪个更快更便宜？
在作者设计的复杂任务中，Fable 5 反而更快更便宜：Fable 5 用时 23.9 秒，花费 0.134 美元；Fable 5.1 用时 28.4 秒，花费 0.304 美元。
作者认为 Claude Fable 5.1 的改进主要体现在哪些方面？
作者认为改进可能主要体现在长时研究型任务上，例如 Terminal-Bench-Science 所模拟的长时间、多步骤的研究任务，而不是日常的代码修复、数据清理等任务。
作者对 Claude Fable 5.1 的升级持什么态度？
作者认为对于日常任务，升级到 Fable 5.1 意义不大，因为在实际测试中两者表现几乎相同；但对于长时研究型任务，Fable 5.1 可能有明显提升。
作者在测试中发现了哪些关于 Claude Fable 5.1 的意外结果？
意外结果包括：在复杂任务中，Fable 5 比 Fable 5.1 更快更便宜；Fable 5.1 使用了更多 token 和成本，但准确率并未提升。
