如果你只是問 AI：
「幫我改這封 Email。」
Claude Fable 5.1 不一定是你最需要的模型。
但如果你的工作是：
讀完整個大型程式專案。
研究幾十份文件。
一路做到幾個小時。
中間還要：
找資料。
用工具。
修改。
測試。
失敗後重新規劃。
再繼續下一步。
Anthropic 9 月 1 日推出的：
Claude Fable 5.1
就是特別往這種工作走。
Claude Fable 5.1 是什麼？
Fable 5.1 是 Anthropic 最新推出、目前一般使用者可以取得的高能力 Claude 模型。
Anthropic 把它定位成：
最適合高難度 Coding、Knowledge Work 與長時間非同步工作的 Claude。
它不是只拿來：
回答一個問題。
而是更強調：
一個工作做很久。
跨很多步驟。
使用多個工具。
遇到問題後自己重新規劃。
最後把結果交回來讓人審查。
所以它真正值得看的地方，
不是：
「今天 Benchmark 又多幾分。」
而是：
AI 可以承接多長、多複雜的一整段工作。
一般人在哪裡可以用？
Anthropic 目前表示，
Claude Fable 5.1 已提供給：
Pro。
Max。
Team。
Enterprise。
使用者。
開發者則可以透過：
Claude Platform。
Amazon Web Services。
Google Cloud。
Microsoft Foundry。
使用。
所以這不是：
研究室裡還不能碰的 Preview。
Fable 5.1 已經是 Generally Available 的正式模型。
它和 Mythos 5.1 是兩個不同能力的模型嗎？
不是。
Anthropic 同時發布：
Claude Fable 5.1。
以及：
Claude Mythos 5.1。
兩者其實是：
同一個底層模型。
主要差異在：
Safeguards。
也就是安全限制。
Fable 5.1 是一般可取得版本。
Mythos 5.1 則只透過受審核的 Trusted Access Programs 提供，
主要給特定：
Cybersecurity。
Life Sciences。
用途。
所以一般使用者看到今天的新模型，
真正要關心的是：
Fable 5.1。
不是想辦法找 Mythos。
Fable 5.1 最大的改變之一：更能做長時間工作
Anthropic 現在把 Fable 5.1 的 Agent 用途寫得很直接。
它適合：
做幾個小時的工作。
跨多個應用。
處理 Cowork 裡的工作清單。
在 Claude Tag 裡接 Slack 任務。
操作 Browser。
或者作為 Managed Agent 長時間執行。
它可以：
規劃工作。
使用工具。
某一步失敗後恢復。
再繼續。
而且在執行過程中持續更新進度。
這和一般聊天 AI 最大的差別是：
聊天 AI 比較像：
「給我答案。」
這一類模型開始變成：
「把這個專案做到可以讓我驗收。」
Coding 也是主要使用場景
Anthropic 把 Fable 5.1 定位為目前自己最強的 Coding 模型。
適合處理：
跨整個 Codebase 的功能。
Code Review。
效能問題。
大型 Debug。
多日自主 Coding Session。
甚至可以替自己的修改建立測試，
再用測試檢查結果。
這裡真正值得小團隊注意的，
不是：
「以後工程師可以不用看。」
而是：
過去很多 Coding Agent 最容易在長任務中發生：
前面理解對。
做到後面忘掉原始需求。
修一個問題又弄壞另一個地方。
Fable 5.1 的產品方向，
就是盡量讓模型在：
長、多步驟工作
裡比較不容易失去整體脈絡。
但今天真正很實際的改變，是 Prompt Cache 變便宜
Fable 5.1 的一般 API 價格目前是：
每百萬 Input Tokens：
10 美元。
每百萬 Output Tokens：
50 美元。
單看這兩個數字，
和 Fable 5 相比並沒有突然變成便宜模型。
真正大幅下降的是：
Cache Read。
現在每百萬 Token：
0.25 美元。
Fable 5 原本是：
1 美元。
等於：
下降 75%。
Prompt Cache 到底是什麼？
假設你讓 AI 幫忙維護一個大型網站。
每一次工作都需要知道：
整份 Coding Standard。
資料庫結構。
專案說明。
Tool Definitions。
重要程式碼背景。
共 10 萬 Token。
今天你問：
「修登入錯誤。」
明天：
「檢查付款頁。」
後天：
「新增一個報表。」
很多內容其實完全沒變。
如果每一次都把這 10 萬 Token 當成全新的輸入重新處理，
就會一直付：
重新讀同樣資料的成本。
Prompt Caching 的概念則是：
這部分我之前已經讀過。
先保存起來。
下一次工作直接重複使用。
所以 Cache Read 便宜 75% 有什麼意義？
一次性聊天：
影響可能很小。
因為你根本沒有大量重複 Context。
但是 Agent 不一樣。
一個長時間工作的 Agent，
可能一直重複需要知道：
公司的工作規則。
整個 Codebase 背景。
Tool Definitions。
專案 Context。
產品規格。
客戶限制。
如果這些 Stable Context 可以一直從 Cache 讀取，
成本就可能明顯下降。
Anthropic 自己用實際工作負載估算：
一般 Fable 工作，
Fable 5.1 的成本大約可以比 Fable 5：
低 25%。
高度 Agentic 的工作，
則可能：
最高低約 45%。
注意：
不是所有使用 Fable 5.1 的帳單都自動少 75%。
為什麼不是全部便宜 75%？
因為只有：
Cache Read
這一個價格下降 75%。
新的 Input 沒有一起降 75%。
Output 也沒有。
你每天送進去的新資料，
還是要按照正常 Input 計價。
AI 新生成的答案，
也按照正常 Output 計價。
所以如果你的工作每一次都是：
完全新的 Prompt。
完全新的文件。
完全新的資料。
幾乎沒有任何 Context 可以重複使用，
Cache 降價就不會幫你省那麼多。
真正受益最大的，
反而是：
同一個專案一直做下去的人。
可以把它理解成「不用每次重新把整間辦公室搬進來」
想像你每天請一位顧問來公司。
第一天，
你先花兩小時跟他解釋：
公司做什麼。
有哪些產品。
客戶是誰。
專案規則。
哪些事情不能動。
第二天顧問又來，
如果又要重新解釋兩小時，
非常浪費。
比較合理的是：
顧問已經知道公司的固定背景。
你今天只告訴他：
「新的問題是這個。」
Prompt Cache 就有一點像這個概念。
不是讓 AI 永遠記住所有事情。
而是讓某些：
重複又穩定的 Context
可以更便宜地重複使用。
哪些工作最適合這次更新？
第一種：
大型 Coding Project。
模型每天都要反覆理解同一個 Codebase。
第二種：
長期研究。
例如固定一批：
研究文件。
背景資料。
分析規則。
每次新增的是新的問題或新資料。
第三種：
企業 Agent。
系統 Prompt。
公司規則。
Tool Schema。
操作邊界。
可能每一次都一樣。
第四種：
長文件工作。
例如：
法律。
財務。
產品規格。
技術文件。
同一套文件需要反覆查詢與比較。
共同特徵都是：
固定背景很多，新工作只占一部分。
Google Cloud 版本甚至支援很大的 Context
Google Cloud 的 Fable 5.1 文件目前列出：
最高 Input：
100 萬 Tokens。
最高 Output：
128,000 Tokens。
同時支援：
Text。
Image。
PDF。
Computer Use。
Web Search。
Prompt Caching。
Function Calling。
這表示它確實是按照：
大型文件＋工具＋長工作流程
這類使用情境設計。
但這裡要注意：
這是 Google Cloud 上的模型規格。
不能直接拿來說：
每一個 Claude App 訂閱方案都一定給你完全相同的 Context Limit。
不同產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。
翻譯幾段文字。
寫一篇普通貼文。
使用最高能力模型可能反而沒有必要。
就像：
你不會為了去便利商店，
特別叫一台大型貨車。
Fable 5.1 真正適合的是：
工作夠難，而且夠長。
如果任務很簡單，
速度。
成本。
日常額度。
反而可能比最高能力更重要。
Claude.ai 裡還有一個容易忽略的 Effort 差別
Anthropic 表示，
Fable 5.1 在不同產品裡有不同的預設 Effort。
Claude Code：
預設 High。
Claude Cowork 與 Claude.ai：
預設 Medium。
Anthropic 也表示，
Fable 5.1 在 Low 或 Medium Effort 下，
部分任務就可以達到接近或超過 Fable 5 的結果，
同時降低成本。
這代表：
模型變強之後，不一定每件工作都要開到最大推理。
未來選 AI 的方式可能更像：
模型選哪個。
Effort 開多少。
Context 有多少可以 Cache。
三個一起算。
Anthropic 的 Benchmark 看起來進步很大，可以直接相信嗎？
可以當參考。
但不要把廠商 Benchmark 當成：
你的工作一定會提升多少。
例如 Anthropic 報告：
Fable 5.1 在 Terminal-Bench-Science 0.1 的測試結果為：
52.6%。
Fable 5：
24.7%。
在 Agentic Coding、Knowledge Work 與 Computer Use 的多項測試也有提升。
這些結果說明：
模型能力確實值得測。
但最後真正重要的還是：
你的工作有沒有變好。
所以如果公司原本使用 Fable 5，
最實際的測試不是看排行榜。
而是拿：
10 個真正做過的 Coding Task。
10 個真正的研究工作。
10 個真正的長流程。
同時跑新舊版本。
比較：
成功率。
人工修改時間。
Token。
完成時間。
總成本。
Fable 5.1 也不是「安全限制全部變少」
Anthropic 同時調整了 Cybersecurity 與 Biology Safeguards。
例如一般 Fable 5.1 現在可以協助：
發現軟體漏洞。
但並不代表一般使用者就能取得完整：
Exploit Development
能力。
部分被安全系統判定為高風險的要求，
仍可能轉到其他 Claude 模型或受到限制。
Mythos 5.1 才是提供給經過審核的特定專業組織，
使用不同 Safeguard 條件的版本。
所以：
模型能力變強
和：
所有能力全部無限制開放
不是同一件事。
資料保存也要注意
Anthropic 表示，
Fable 5.1 的使用預設需要：
30 天資料保存
用於安全監控。
部分符合資格的企業客戶，
目前可以使用 Zero Data Retention。
Anthropic 另外準備推出：
Enterprise Frontier Safeguards。
讓相關安全監控資料保存在客戶自己控制的 Cloud Infrastructure，
預計今年秋季開始分階段推出。
因此企業若準備把：
敏感程式碼。
研究資料。
客戶資料。
放進 Fable 5.1，
不能只看：
「模型很強。」
資料治理條件也要一起確認。
一般使用者今天到底該怎麼判斷要不要用？
可以先問三個問題。
第一：
這件事會不會做很久？
如果只是三分鐘完成，
不一定需要 Fable。
第二：
它是不是需要一直記住大量固定背景？
如果同一份：
程式碼。
規則。
文件。
專案資料。
會反覆使用，
Fable 5.1 和 Cache Pricing 就開始有意義。
第三：
做錯一次的人工修改成本高不高？
如果一個複雜 Coding Task，
AI 做錯後你要花三小時重查，
更高能力模型即使單次比較貴，
最後也可能比較便宜。
真正要看的不是：
每百萬 Token 誰最便宜。
而是：
一件完整工作做到可以用，總共花多少。
今天最值得記住的不是 Fable 5.1 又變聰明
更重要的是：
AI 的成本計算正在改變。
以前大家習慣比較：
Input Token 多少錢。
Output Token 多少錢。
但 Agent 真正開始長時間工作後，
新的問題變成：
這 20 萬 Token 裡，有多少其實昨天已經讀過？
如果大量 Context 每次都相同，
真正值得最佳化的就不是：
一直換更便宜的模型。
而可能是：
不要一直付錢讓 AI 重讀同一件事情。
Fable 5.1 這次把 Cache Read 降到原本四分之一，
真正透露的就是：
AI 正從一次性聊天，
走向：
同一個專案持續工作。
而到了這個階段，
真正省成本的方法，
不再只是：
「用最便宜的模型。」
而是：
讓模型把錢花在新的問題上，不要一直重新理解已經知道的背景。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
今日 AI 工具｜2026/08/18：Notion AI Model Picker，不必永遠用最強模型，直接比較速度、能力與成本再選
