Claude Fable 5 与 Opus 4.8 实测对比：Mythos 宣传与真实表现

几个月来，Anthropic 最有趣的模型是一个我们无法使用的模型。Mythos 是该公司声称能力过强而无法发布的内部系统，它发现软件漏洞的水平触发了自身的安全阈值。2026 年 6 月 9 日，这一层级首次公开亮相，名为 Claude Fable 5。作为生产编码智能体支柱的 Opus 4.8，突然有了一个能力整整高出一个层级的继任者。

这对任何运行编码智能体的人来说都引出了两个问题。实际的问题是，你是否应该把你的智能体集群从 Opus 4.8 迁移到 Fable 5。更大的问题是，Mythos 级模型——Anthropic 因能力过强而扣下不发的那一档——是否配得上这个名字所承诺的东西。本文回答这两个问题，而数字讲述的故事比公告本身更有趣。

我们让两个模型跑同一套评估，接近 1000 个共享场景，每个场景评分两次，一次不提供技能，一次在上下文中提供相关技能。简短的回答是，截至 2026 年中期，对于大多数智能体集群来说，Opus 4.8 仍然是更好的选择，而 Mythos 炒作与实测现实之间的差距才是数据中真正值得关注的故事。

Mythos 级模型是 Claude 中能力高于 Opus 级的一档。它达到了 Anthropic 认为高风险的阈值，尤其是在发现和利用软件漏洞方面。Fable 5 和 Mythos 5 是同一个底层模型，能力相同。区别在于安全防护措施：Fable 5 是公开版本，附带安全分类器；而 Mythos 5 仅限获批合作伙伴使用，运行时没有这些分类器。

业界对 Mythos 级模型的期待

发布之前，各种猜测毫不含蓄。在 Reddit、X 以及一系列科普文章中，Mythos 被描绘成将改变智能体工作方式的模型，而不仅仅是回答得更好。反复出现的预测集中在四种能力上：

• 在一次连贯的操作中重构大型代码库。
• 发现经验丰富的工程师遗漏的安全缺陷。
• 在单个难题上无人监督地工作数小时。
• 表现得像协作者，而不是你逐轮操控的助手。

在这四点中，网络安全方面的说法有硬证据支撑。通过 Project Glasswing，约 50 个拥有 Mythos Preview 访问权限的早期合作伙伴报告发现了超过 10,000 个高危或严重级别的漏洞，该项目此后已扩展到 150 多个组织。Anthropic 的首席产品官 Mike Krieger 称其为“我们构建过的最强大的一类系统”。这就是这个名字所兜售的梦想：一个强大到只能留在实验室里的模型。

真正到达公众手中的版本更窄，而且是刻意为之。你实际能使用的模型是 Fable 5，即包裹在安全分类器中的 Mythos 级系统。它是否兑现了承诺，取决于那个承诺与已发布版本之间的差距。

核心数字：Claude Fable 5 对比 Opus 4.8

评估中的每个场景都是与已发布技能绑定的真实智能体任务，从两个维度评分：指令遵循（智能体是否按照被告知的方式去做被告知的事）和任务完成（是否达成目标）。总分将指令遵循权重设为 4，任务完成权重设为 3，然后除以 7。每个任务都在有技能和无技能两种情况下运行，因此技能带来的提升可以直接看到。任务和技能都是公开的，在 task-evals-for-skills 数据集中，你可以自行查看任何场景。

这个设计是有意为之的。任务来自已发布的技能，因此它们反映的是真实团队编写技能所针对的工作，而不是用来探测模型上限的前沿难题。这就是为什么两个模型的任务完成率都很高，以及为什么区分它们的信号是指令遵循：按照技能要求的具体方式完成工作。

在两个模型都运行的 917 个场景上，Fable 5 以 0.9 分领先总体得分（92.9 对 92.0）。逐场景来看，在两点阈值下，两者在 61% 的任务上打平，Fable 胜出 24%，Opus 胜出 16%。比 Opus 高出一个能力层级，而在日常智能体技能任务上，质量差异在噪声范围内。

这个数字之下有一个前提。这 917 个是两者都完成并评分的任务。Fable 5 拒绝了 26 个 Opus 4.8 完成的任务，我们将它们排除在外，因此这种近乎打平只在 Fable 同意执行的任务上衡量。这一排除结果恰恰是这次比较中最能说明问题的部分，我们将在下文回到这一点。

为什么智能体技能评估比模型升级更重要

这个数字重新定义了这次比较。技能为两个模型都带来约 17 分的总体提升：Fable 5 为 +17.2，Opus 4.8 为 +17.5。从 Opus 4.8 升级到 Fable 5 在共享任务上带来的提升不到 1 分。你提供的上下文对智能体的影响远大于你选择的前沿层级。

提升集中在指令遵循上，两个模型都从技能中获得超过 27 分的提升，而任务完成提升不到 5 分。两个模型通常都能自行达成目标。没有技能时它们无法可靠做到的，是遵循真实任务所要求的具体约定、约束和步骤。这正是优秀技能所编码的内容。

技能接受度是指当你提供相关技能时，智能体输出改善的程度。它主要体现在更好的指令遵循上。它之所以重要，是因为它可以超过模型选择的影响，这就是在追逐最新层级之前投资于智能体技能的实际理由。在有和没有技能的情况下运行同一任务，然后衡量差异，这就是任务评估。这也是了解模型升级是否在你的工作负载上物有所值的唯一方法，而这正是智能体技能评估的用途。

价格差距是大多数团队的决定性因素

在我们衡量的智能体技能任务上，这种取舍归结为为边际收益支付高昂溢价。Fable 5 标价为每百万输入 token 10 美元、每百万输出 token 50 美元，而 Opus 4.8 为 5 美元和 25 美元，在每个 token 类别上都恰好是两倍，包括缓存读取和写入。作为回报，在我们 917 个共享场景中，你得到 92.9 对 92.0 的总体得分，0.9 分的优势完全落在两者可互换的范围内。这是日常智能体工作的情况，而不是对我们评估未测试的招牌 Mythos 能力的裁决。

Token 行为压低了单价，但并未消除差距。在 917 个共享场景中，Fable 5 每个任务生成的输出 token 约少 16%（9,025 对 10,687），因此每个任务的真实成本为 1.25 美元对 0.74 美元，溢价 73%，而非干净的 2 倍。价值差距才是要记住的数字：Opus 4.8 每美元回报 125 分，而 Fable 5 为 74 分，即每花一美元多出约 69% 的质量。

对单次会话而言，差异只是几分钱。但对于每天运行数千个 agent 任务的集群来说，这是财务团队会追问的明细项，而在大多数团队实际运行的任务上，质量提升不到一个点却要付两倍价格，这并不容易向他们交代。

Fable 拒绝 Opus 能顺利完成的工作

Fable 5 与 Opus 4.8 之间最重大的差异并不在记分牌上，而在于定义 Mythos 级别的安全层。

Fable 5 出厂时带有覆盖四个领域的防护措施：网络安全、生物与化学、蒸馏，以及前沿 LLM 开发。对于前三个领域，触发的请求会以拒绝形式返回。Anthropic 的设计会将其转交给 Opus 4.8 并通知用户，但该回退是可选而非默认，因此在像我们这样的默认配置中，被阻止的请求只是直接拒绝。

第四个领域在本次运行中表现不同。根据 Anthropic 自己的文档，涉及前沿 AI 开发的请求不会被拒绝，甚至不会被标记。模型会悄悄引导或微调其回答，而不通知用户。这种静默操纵引发了最尖锐的反弹，6 月 11 日，即本次运行后的第二天，Anthropic 将其改为像其他三个领域一样的可见分类器，同时承认这些限制“过于保守”。由于它从未产生拒绝，该领域在我们的数据中未留下痕迹；任何影响只会以悄悄变弱的回答形式出现。

Mythos 级模型会按设计将某些请求路由到较弱的模型，因此你的测试框架需要检测这种回退，而不是相信每个响应都来自 Fable。而受影响的领域恰恰是你最想亲自检查的领域，这正是 上下文治理与安全 的实用边界：在评估中捕获回归，而不是在生产中。

我们的运行展示了这一点如何体现，结果并不好看。Fable 5 在其尝试的约 940 个任务中拒绝了 26 个，返回带有拒绝停止原因的使用政策阻止，而不是执行工作，而 Opus 4.8 完成了所有这些任务并全部得分。Fable 拒绝的内容才是揭示性的部分。其中四个是防御性安全审查，包括“在部署前审查此 Flask 应用程序的安全漏洞”，被以“违规网络内容”为由阻止。五个是常规生物信息学任务，例如对单细胞 RNA-seq 文件运行质量控制。一个是关于 AI 辅助药物发现格局的文献综述。Anthropic 以发现关键软件漏洞为卖点的一类模型，却拒绝为拥有该应用的开发者审计一个 Flask 应用。Anthropic 自己“过于保守”的承认在这里最为刺耳。

在 Fable 确实完成的安全任务上，它是有竞争力的。在来自 Auth0、Better Auth 和 Bitwarden 的 51 个身份验证与安全技能场景中，Fable 5 搭配该技能平均得分 95.0，而 Opus 4.8 为 96.6，几乎打平。教训并不是某个模型安全、另一个不安全，而是 Mythos 级模型有时会拒绝你最为需要的防御性工作，只有在你自己的任务上做评测才能告诉你问题出在哪里。

Fable 兑现了 Mythos 的承诺吗？

我们的评测回答了部署决策真正关心的问题：两个模型如何在数十个工具生态系统中处理数百个真实的、由技能驱动的智能体任务，而这正是大多数团队实际运行编码智能体时所做的工作。Mythos 那些标志性的壮举不在本次评测范围内，但它所捕捉到的日常行为，恰恰是你把一队智能体指向某个模型时真正买到的东西。

数据确实显示了 Fable 的额外能力在正常使用中体现在哪里。按拥有该技能的组织分组，Fable 5 在网络研究和抓取类工作负载上领先：Apify（总体 +7.8）、Google Gemini（+4.6）、Tavily（+3.4）和 Firecrawl（+2.7）。如果你的智能体需要从开放网络上抓取、映射和提取数据，Fable 5 是更强的选择。Opus 4.8 则在 Fable 退步的地方守住了阵地：Mastra（-7.3）、Auth0（-4.5）和 Axiom（-2.5）。

所以，自主协作者这一 Mythos 之梦并不是大多数团队第一天就会买的东西。他们会买的是一个在指令遵循上略好、在网络研究上明显更好、价格翻倍，而且被分类器把关、偶尔还是会把活儿交给 Opus 4.8 的模型。

何时使用哪一个

如果你大规模运行编码智能体集群并关心每任务成本，选择 Opus 4.8。对大多数工作负载而言，质量差异在噪声范围内，Opus 每美元能换来多得多的分数，而且它没有需要围绕其设计的回退层。

如果你的智能体要做大量网络研究和抓取，如果你需要在长周期任务上使用它的推理深度，或者你有一个确实能从 Opus 之上的能力级别中受益的工作负载，那就选择 Fable 5。为大约 73% 的每任务溢价做好预算，并从第一天起就在你的测试框架中构建回退检测。如果你的工作涉及分类器领域，在依赖它之前，先确认模型没有悄悄路由到 Opus 4.8。

Fable 的优势在你围绕它构建时才会显现，而不是在你原封不动地把它换进 Opus 4.8 流水线时。Fable 是更自主的模型，但这种优势只有在为它构建的流程中才能兑现：更长时间的无监督运行、更大的工作单元、更少的逐步引导。

对几乎所有人来说，更大的杠杆既不是这个模型也不是那个模型。技能带来约 17 分；模型升级带来不到 1 分。在你的 tessl.json 中标准化模型，在向集群推广之前用评测证明这次切换，并留意那些 Mythos 级模型悄悄拒绝执行的任务。

想看看技能如何改变你自己智能体的行为——在你自己的任务上、跨两个模型？从 Tessl Registry 开始，在切换之前先运行评测。