如果你只是问 AI：
「帮我改这封 Email。」
Claude Fable 5.1 不一定是你最需要的模型。
但如果你的工作是：
读完整个大型程序项目。
研究几十份文档。
一路做到几个小时。
中间还要：
找数据。
用工具。
修改。
测试。
失败后重新规划。
再继续下一步。
Anthropic 9 月 1 日推出的：
Claude Fable 5.1
就是特别往这种工作走。
Claude Fable 5.1 是什么？
Fable 5.1 是 Anthropic 最新推出、目前一般用户可以取得的高能力 Claude 模型。
Anthropic 把它定位成：
最适合高难度 Coding、Knowledge Work 与长时间异步工作的 Claude。
它不是只拿来：
回答一个问题。
而是更强调：
一个工作做很久。
跨很多步骤。
使用多个工具。
遇到问题后自己重新规划。
最后把结果交回来让人审查。
所以它真正值得看的地方，
不是：
「今天 Benchmark 又多几分。」
而是：
AI 可以承接多长、多复杂的一整段工作。
一般人在哪里可以用？
Anthropic 目前表示，
Claude Fable 5.1 已提供给：
Pro。
Max。
Team。
Enterprise。
用户。
开发者则可以透过：
Claude Platform。
Amazon Web Services。
Google Cloud。
Microsoft Foundry。
使用。
所以这不是：
研究室里还不能碰的 Preview。
Fable 5.1 已经是 Generally Available 的正式模型。
它和 Mythos 5.1 是两个不同能力的模型吗？
不是。
Anthropic 同时发布：
Claude Fable 5.1。
以及：
Claude Mythos 5.1。
两者其实是：
同一个底层模型。
主要差异在：
Safeguards。
也就是安全限制。
Fable 5.1 是一般可取得版本。
Mythos 5.1 则只透过受审核的 Trusted Access Programs 提供，
主要给特定：
Cybersecurity。
Life Sciences。
用途。
所以一般用户看到今天的新模型，
真正要关心的是：
Fable 5.1。
不是想办法找 Mythos。
Fable 5.1 最大的改变之一：更能做长时间工作
Anthropic 现在把 Fable 5.1 的 Agent 用途写得很直接。
它适合：
做几个小时的工作。
跨多个应用。
处理 Cowork 里的工作清单。
在 Claude Tag 里接 Slack 任务。
操作 Browser。
或者作为 Managed Agent 长时间运行。
它可以：
规划工作。
使用工具。
某一步失败后恢复。
再继续。
而且在运行过程中持续更新进度。
这和一般聊天 AI 最大的差别是：
聊天 AI 比较像：
「给我答案。」
这一类模型开始变成：
「把这个项目做到可以让我验收。」
Coding 也是主要使用场景
Anthropic 把 Fable 5.1 定位为目前自己最强的 Coding 模型。
适合处理：
跨整个 Codebase 的功能。
Code Review。
性能问题。
大型 Debug。
多日自主 Coding Session。
甚至可以替自己的修改创建测试，
再用测试检查结果。
这里真正值得小团队注意的，
不是：
「以后工程师可以不用看。」
而是：
过去很多 Coding Agent 最容易在长任务中发生：
前面理解对。
做到后面忘掉原始需求。
修一个问题又弄坏另一个地方。
Fable 5.1 的产品方向，
就是尽量让模型在：
长、多步骤工作
里比较不容易失去整体脉络。
但今天真正很实际的改变，是 Prompt Cache 变便宜
Fable 5.1 的一般 API 价格目前是：
每百万 Input Tokens：
10 美元。
每百万 Output Tokens：
50 美元。
单看这两个数字，
和 Fable 5 相比并没有突然变成便宜模型。
真正大幅下降的是：
Cache Read。
现在每百万 Token：
0.25 美元。
Fable 5 原本是：
1 美元。
等于：
下降 75%。
Prompt Cache 到底是什么？
假设你让 AI 帮忙维护一个大型网站。
每一次工作都需要知道：
整份 Coding Standard。
数据库结构。
项目说明。
Tool Definitions。
重要代码背景。
共 10 万 Token。
今天你问：
「修登录错误。」
明天：
「检查付款页。」
后天：
「添加一个报表。」
很多内容其实完全没变。
如果每一次都把这 10 万 Token 当成全新的输入重新处理，
就会一直付：
重新读同样数据的成本。
Prompt Caching 的概念则是：
这部分我之前已经读过。
先保存起来。
下一次工作直接重复使用。
所以 Cache Read 便宜 75% 有什么意义？
一次性聊天：
影响可能很小。
因为你根本没有大量重复 Context。
但是 Agent 不一样。
一个长时间工作的 Agent，
可能一直重复需要知道：
公司的工作规则。
整个 Codebase 背景。
Tool Definitions。
项目 Context。
产品规格。
客户限制。
如果这些 Stable Context 可以一直从 Cache 读取，
成本就可能明显下降。
Anthropic 自己用实际工作负载估算：
一般 Fable 工作，
Fable 5.1 的成本大约可以比 Fable 5：
低 25%。
高度 Agentic 的工作，
则可能：
最高低约 45%。
注意：
不是所有使用 Fable 5.1 的帐单都自动少 75%。
为什么不是全部便宜 75%？
因为只有：
Cache Read
这一个价格下降 75%。
新的 Input 没有一起降 75%。
Output 也没有。
你每天送进去的新数据，
还是要按照正常 Input 计价。
AI 新生成的答案，
也按照正常 Output 计价。
所以如果你的工作每一次都是：
完全新的 Prompt。
完全新的文档。
完全新的数据。
几乎没有任何 Context 可以重复使用，
Cache 降价就不会帮你省那么多。
真正受益最大的，
反而是：
同一个项目一直做下去的人。
可以把它理解成「不用每次重新把整间办公室搬进来」
想像你每天请一位顾问来公司。
第一天，
你先花两小时跟他解释：
公司做什么。
有哪些产品。
客户是谁。
项目规则。
哪些事情不能动。
第二天顾问又来，
如果又要重新解释两小时，
非常浪费。
比较合理的是：
顾问已经知道公司的固定背景。
你今天只告诉他：
「新的问题是这个。」
Prompt Cache 就有一点像这个概念。
不是让 AI 永远记住所有事情。
而是让某些：
重复又稳定的 Context
可以更便宜地重复使用。
哪些工作最适合这次更新？
第一种：
大型 Coding Project。
模型每天都要反复理解同一个 Codebase。
第二种：
长期研究。
例如固定一批：
研究文档。
背景数据。
分析规则。
每次添加的是新的问题或新数据。
第三种：
企业 Agent。
系统 Prompt。
公司规则。
Tool Schema。
操作边界。
可能每一次都一样。
第四种：
长文档工作。
例如：
法律。
财务。
产品规格。
技术文档。
同一套文档需要反复查找与比较。
共同特征都是：
固定背景很多，新工作只占一部分。
Google Cloud 版本甚至支持很大的 Context
Google Cloud 的 Fable 5.1 文档目前列出：
最高 Input：
100 万 Tokens。
最高 Output：
128,000 Tokens。
同时支持：
Text。
Image。
PDF。
Computer Use。
Web Search。
Prompt Caching。
Function Calling。
这表示它确实是按照：
大型文档＋工具＋长工作流程
这类使用情境设计。
但这里要注意：
这是 Google Cloud 上的模型规格。
不能直接拿来说：
每一个 Claude App 订阅方案都一定给你完全相同的 Context Limit。
不同产品入口可能有不同限制。
它是不是做任何事情都比其他 Claude 划算？
不一定。
如果只是：
改 Email。
摘要短文。
翻译几段文字。
写一篇普通贴文。
使用最高能力模型可能反而没有必要。
就像：
你不会为了去便利商店，
特别叫一台大型货车。
Fable 5.1 真正适合的是：
工作够难，而且够长。
如果任务很简单，
速度。
成本。
日常额度。
反而可能比最高能力更重要。
Claude.ai 里还有一个容易忽略的 Effort 差别
Anthropic 表示，
Fable 5.1 在不同产品里有不同的预设 Effort。
Claude Code：
预设 High。
Claude Cowork 与 Claude.ai：
预设 Medium。
Anthropic 也表示，
Fable 5.1 在 Low 或 Medium Effort 下，
部分任务就可以达到接近或超过 Fable 5 的结果，
同时降低成本。
这代表：
模型变强之后，不一定每件工作都要开到最大推理。
未来选 AI 的方式可能更像：
模型选哪个。
Effort 开多少。
Context 有多少可以 Cache。
三个一起算。
Anthropic 的 Benchmark 看起来进步很大，可以直接相信吗？
可以当参考。
但不要把厂商 Benchmark 当成：
你的工作一定会提升多少。
例如 Anthropic 报告：
Fable 5.1 在 Terminal-Bench-Science 0.1 的测试结果为：
52.6%。
Fable 5：
24.7%。
在 Agentic Coding、Knowledge Work 与 Computer Use 的多项测试也有提升。
这些结果说明：
模型能力确实值得测。
但最后真正重要的还是：
你的工作有没有变好。
所以如果公司原本使用 Fable 5，
最实际的测试不是看排行榜。
而是拿：
10 个真正做过的 Coding Task。
10 个真正的研究工作。
10 个真正的长流程。
同时跑新旧版本。
比较：
成功率。
人工修改时间。
Token。
完成时间。
总成本。
Fable 5.1 也不是「安全限制全部变少」
Anthropic 同时调整了 Cybersecurity 与 Biology Safeguards。
例如一般 Fable 5.1 现在可以协助：
发现软件漏洞。
但并不代表一般用户就能取得完整：
Exploit Development
能力。
部分被安全系统判定为高风险的要求，
仍可能转到其他 Claude 模型或受到限制。
Mythos 5.1 才是提供给经过审核的特定专业组织，
使用不同 Safeguard 条件的版本。
所以：
模型能力变强
和：
所有能力全部无限制开放
不是同一件事。
数据保存也要注意
Anthropic 表示，
Fable 5.1 的使用预设需要：
30 天数据保存
用于安全监控。
部分符合资格的企业客户，
目前可以使用 Zero Data Retention。
Anthropic 另外准备推出：
Enterprise Frontier Safeguards。
让相关安全监控数据保存在客户自己控制的 Cloud Infrastructure，
预计今年秋季开始分阶段推出。
因此企业若准备把：
敏感代码。
研究数据。
客户数据。
放进 Fable 5.1，
不能只看：
「模型很强。」
数据治理条件也要一起确认。
一般用户今天到底该怎么判断要不要用？
可以先问三个问题。
第一：
这件事会不会做很久？
如果只是三分钟完成，
不一定需要 Fable。
第二：
它是不是需要一直记住大量固定背景？
如果同一份：
代码。
规则。
文档。
项目数据。
会反复使用，
Fable 5.1 和 Cache Pricing 就开始有意义。
第三：
做错一次的人工修改成本高不高？
如果一个复杂 Coding Task，
AI 做错后你要花三小时重查，
更高能力模型即使单次比较贵，
最后也可能比较便宜。
真正要看的不是：
每百万 Token 谁最便宜。
而是：
一件完整工作做到可以用，总共花多少。
今天最值得记住的不是 Fable 5.1 又变聪明
更重要的是：
AI 的成本计算正在改变。
以前大家习惯比较：
Input Token 多少钱。
Output Token 多少钱。
但 Agent 真正开始长时间工作后，
新的问题变成：
这 20 万 Token 里，有多少其实昨天已经读过？
如果大量 Context 每次都相同，
真正值得优化的就不是：
一直换更便宜的模型。
而可能是：
不要一直付钱让 AI 重读同一件事情。
Fable 5.1 这次把 Cache Read 降到原本四分之一，
真正透露的就是：
AI 正从一次性聊天，
走向：
同一个项目持续工作。
而到了这个阶段，
真正省成本的方法，
不再只是：
「用最便宜的模型。」
而是：
让模型把钱花在新的问题上，不要一直重新理解已经知道的背景。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
推荐阅读
今日 AI 工具｜2026/08/18：Notion AI Model Picker，不必永远用最强模型，直接比较速度、能力与成本再选
