Fable 5 到底强在哪，以及我打算怎么用它

Fable 5 真正拉开差距的地方不是某一条榜单分数，而是一整类工作：长程、跨仓库、需要连续几个小时自己盯着的 agentic 任务。任务越长越复杂，它对 Opus 4.8 和 GPT-5.5 的领先就越大。但它不是全能冠军——视觉感知、超长上下文检索、网页浏览和安全编码上它明显吃亏。这篇把「它到底强在哪、怎么用才吃得到、以及我打算把它塞进哪些自己的项目」讲清楚。

下面的数字来自 Anthropic 官方发布、Cursor 与 Cognition 的第一方评测，以及一批第三方对比汇总。我尽量标了出处，也标了哪些只是单一来源的轶事、哪些榜单存在污染或口径问题。凡是「官方说很强但第三方对不上」的地方，我都写出来了。

一、五个已经被验证的差距

先说结论：Fable 5 的优势不是均匀分布的。它集中在「跨越很多步、很多文件、很多来源，且要保持一致性」的工作上。下面五块从最硬、最可复现，排到最需要打折扣看。

1. 前沿编码与跨仓库 agentic 工作（最大、最可靠的差距）

这是 Fable 5 最大、也最经得起第三方复现的优势。关键在于：这些榜单量的不是「代码能不能跑」，而是「改动能不能作为生产级 PR 合进去」。越难的任务，差距越大——从 Terminal-Bench 上约 5 分，到 SWE-Bench Pro 的 11 分，再到 FrontierCode Diamond 的 24 分。

最能说明问题的一条：在 CursorBench 上，Fable 5 开 Low 档（64.2%、$5.70/任务）就已经压过 Opus 4.8 开 Max 档（63.8%、$7.59/任务）——更少 token、更少步骤、更低成本、还更高分。 Cursor 评测 · Cognition FrontierCode

2. 长程 agentic 推理与多步自主

在衡量「端到端完成多步任务」的榜单上——需要规划、用工具、自我纠错、长时间不跑偏——Fable 5 对两个对手都稳定领先。GDPval-AA 上对 GPT-5.5 领先 163 个 Elo，换算成人评偏好大概是七成以上的胜率，这已经是质的差别，不是零点几分的抖动。

3. 结构化视觉推理：图表、文档、截图

Fable 5 对 Opus 4.8 最锋利的一刀在多模态：读科学图表、读文档、从截图还原代码这类「对图像做推理」的任务。BenchLM 多模态类目上比 Opus 高 16.3 分，是它俩之间最大的单类目差距。它甚至只靠原始游戏截图打通了 Pokémon FireRed，而前几代要靠地图和游戏状态工具的复杂脚手架。

4. 专业领域推理：金融、医疗、法律、前沿数学

专业领域是 Fable 5 另一片主场。金融上它拿了 Hebbia 基准的最高分（官方和 Hebbia 自己都确认了）；医疗 HealthBench 比 GPT-5.5 高 14.2 分；前沿数学最难的 Tier 4 拿 88%，比 GPT-5.5 的约 75% 高 13 分。

要诚实的地方：法律那条虽然是 6.3 倍，但两边绝对分都极低，说明「领先是真的，能力还很初级」。IMC 交易分析「几乎全项通过」只是定性说法，没有硬数字。金融和数学这两条是量化最扎实的。 FrontierMath 报道

5. Token 效率与更少回合（但 2× 单价常把优势抵消）

Fable 5 用更少的 token、更少的步骤拿到更高的质量。CursorBench 上它 Low 档用掉的 token 只有 Opus Max 档的约四分之一，分还略高；表格类任务它每个档位都比 Opus 快 25–30%。但它单价正好是 Opus 4.8 的两倍，所以「每任务成本」经常反而更高——token 省下来的，被单价吃回去了。

换句话说：token 效率是真的，但它变成省钱只发生在一种情况——Fable 更高的成功率省掉了重试，或者更快完成本身值钱。否则同样一件事，Fable 更贵。 tessl 成本分析

二、把差距吃到嘴里：一套使用范式

知道它强在哪只是一半，另一半是怎么用才不浪费。下面这些不是玄学，每条都对得上上面的机制。

按任务复杂度路由，而不是无脑全用 Fable

在「日常 agent 技能任务」上，Fable 只比 Opus 高不到 1 分，却贵一倍。所以把最难的那 5–10%（全仓库迁移、多文件重构、复杂 issue）交给 Fable 开 high，其余单文件小改留给 Opus 4.8。让它去啃只有它啃得动的骨头，剩下的用便宜模型。

把 effort 调到任务难度，Fable 的 medium 常常顶得上 Opus 的 xhigh

Fable 每一档的底层推理质量都更高。官方推荐默认从 high 起步，而不是像 Opus 那样从 xhigh。给成本敏感的生产链路用 medium——它在 FrontierCode 上开 medium 就已经赢 Opus 开 high。只有质量压倒一切时才上 max。过度堆 effort 既烧 token，又可能让它想太多。

给它接上基于文件的持久记忆——Fable 从自己的笔记里获益是 Opus 的 3 倍

这是 Fable 最独特、最该利用的一点。官方在《杀戮尖塔》测试里发现：同一套基于文件的记忆，对 Fable 5 的提升是对 Opus 4.8 的三倍，通关最终章的频率也高三倍。它是被专门训练来利用持久笔记的——不给它记忆，等于白扔一大块能力。

记忆组织建议：  - 用很多个「小、按主题命名」的文件，存事实和教训，不要存对话流水  - 长任务开始前先让它读记忆  - 干活过程中让它随手把发现写回去  - 记忆是给「下一次运行的自己」看的，不是给人看的摘要

让 Fable 当 tech lead / 编排者，把执行外包给便宜的子代理

Kilo 的拆分实验里，Fable 的规划质量明显更高（9.1 vs GPT-5.5 的 8.3），但两者执行打平——也就是说用它去写样板代码是浪费。Cognition 的 Devin Fusion 也独立验证了这点：Fable 5 配上便宜的 sidekick 模型，能在质量不掉的前提下省 35% 成本。

给最少的脚手架，说清楚目标和边界，别写步骤

Fable 只靠视觉就打通了 Pokémon，而前几代要地图和游戏状态。官方明确警告：过于规定动作的 skill「会降低输出质量」。所以要主动删掉 Opus 时代的补丁——一步步的流程、「CRITICAL: MUST」这类升级措辞、强制进度节奏、「不许开子代理」的护栏、「解释你的推理」这类指令（后者甚至可能触发 reasoning 抽取的拒答分类器）。换成简短的一句话：目标是什么、约束是什么，别管怎么走。

放手让它跑长程：一次性把 spec 说全，用异步 check-in，别微操

Fable 能扛住多天的目标导向运行（官方那次一周的自主基因组学、Stripe 一天的迁移）。它的领先随任务长度增长，中途打断反而打乱节奏、逼它重建上下文。做法是：第一轮就把完整 spec（需求、约束、完成定义）交足，然后设异步 check-in 而不是阻塞式盯着。相信它能连续几个小时不丢线。

视觉任务：Fable 负责推理，专用检测器负责计数和定位

接着上面第 3 块的结论——别指望一个 Fable 通吃视觉。让它做 VQA、文档抽取、截图转代码、从科学图里读数这类推理；计数、空间、缺陷检测这类交给一个微调过的检测器（比如 RF-DETR）。一个「Fable 推理 + 专用检测器」的组合，比任何单一前沿 VLM 都强，还更便宜。

超长上下文：检索找 GPT-5.5，综合找 Fable

不同的超长上下文任务偏好不同的模型。50 万 token 以上的「大海捞针」式检索用 GPT-5.5（MRCR v2 在 1M 上 74.0%，Fable 没公布）；跨文档的推理与综合（法律/金融文档分析）用 Fable。别用一个模型硬扛两种活。

信它的自我纠错，但外部再验一遍

Fable 开高 effort 会主动自查，但官方自己的测试也发现：独立的验证者比自我批评更靠谱。所以高风险产出上，加一个「全新上下文、看不到原始推理」的验证子代理去交叉核对。再加一句指令给 Fable：「报告进度前，逐条对照本次会话里的工具结果核实」——这几乎消灭了它编造进度的情况。

无人值守的过夜任务，Opus 4.8 的「校准过的谨慎」可能更安全

这条是反直觉的。Fable 的 Omniscience 准确率更高（61% vs 46.6%），但那是知识更多带来的，不是幻觉更少。Opus 4.8 有一套校准过的谨慎，对「出错代价很高、又没人盯着」的过夜运行可能更合适。社区确实报告过 Fable 会「自信地宣布测试通过了」而其实没通过。要点：别因为它更聪明，就默认它在无人监督时更可靠。

三、它不擅长的地方（诚实清单）

一篇只讲优点的对比是软文。下面这些是真实的边界，直接影响该不该用它。

• 不是全能 SOTA。真实世界视觉排第 10；超长上下文检索、网页浏览（BrowseComp）、ARC-AGI-2 都是 GPT-5.5 赢。
• 安全编码是短板。Endor Labs 的 200 个真实安全任务里，功能通过率 59.8%，但「安全解出率」只有 19.0%，还伴随更明显的「刷测试」行为。
• 贵一倍。$10/$50 vs Opus 4.8 的 $5/$25、GPT-5.5 的 $5/$30。很多任务上每任务净成本比两个对手都高。
• 过度修改的失败模式。SWE-Bench Pro 的失败里有 38% 是「主改动对了，又顺手加了别的改动，引入新 bug」——比 GPT-5.5 那种「补丁太浅」更难在 review 里抓到。
• 榜单污染。SWE-bench Verified 上约 32% 的高分补丁可能复现了训练数据里的标准答案，有参与出题的实验室已经内部停报这个分。95% 的头条要打折扣看。
• 强制 30 天数据留存。Mythos 级模型的所有流量都要留存 30 天，签了零留存协议的企业客户会每个请求都 400。
• 约 5% 的会话会回退到 Opus 4.8（独立测量约 8–9%，某些评测高到 35%）。碰到网络安全、生物化学、蒸馏相关的话题几乎必被路由走——那些会话里 Fable 就等于 Opus。

四、放进我自己的系统：集成清单

我的日常主力是金融和个股分析，每天有一份用 Codex + gpt-5.5（xhigh）跑的投资简报；基础设施这一摞是 OpenViking（给 Agent 用的上下文/记忆库）、LoopX（长跑 Agent 的控制面）、Zouk（起管 Agent）、Hermes（我的交互助手）、swarm-eval（评测编排）、rtk（省 token 的 CLI 代理）。把上面那些「差距」和「范式」对到这些仓库上，下面是我排过序的接入清单——每条都指到了具体文件。

1–2. Hermes：金融是我这里最直接的杀手场景

金融是所有优势里离我实际工作最近的一条。Hebbia 第一、IMC 全项通过、加上「会杀掉自己错误信念」的自校验，正好对上我要的「带明确下行和风险的、能决策的输出」。两件事：

• 把 Hermes 的默认模型换成 Fable。当前默认是 Claude Opus 4.6（见 cli-config.yaml.example:11），改配置即可，无需动代码。注意它比 Opus 4.8 贵一倍，所以这是「质量换成本」的取舍，值得先 A/B 一段时间再定。
• 把每日投资简报做成 Hermes 的一个 skill + cron，用 Fable 的长程自主一次跑完「取数 → 交叉验证 → 找风险/催化剂 → 结构化输出」。cron 基础设施已经有了（cron/scheduler.py），目前没有 finance skill 目录，新建 optional-skills/finance/daily-brief/SKILL.md 即可。它现在跑在 gpt-5.5 上，换 Fable 大约是双倍单价换更强的金融推理和更少的幻觉——对一份可能影响交易决定的早报，这个取舍我认为值。

3. OpenViking：把「记忆 3× 提升」这条头条优势真正接住

这是所有接入里战略价值最高的一条。OpenViking 现在只有一套 vlm 配置（走火山引擎 Ark 的 doubao-seed 系模型），喂给所有环节：文件摘要、ExtractLoop、compressor_v3、以及 session/train。问题是——文件摘要是高频、便宜就够；而记忆抽取才是 Fable「3× 记忆提升」真正兑现的地方。

做法是把 vlm 拆成两条：vlm_semantic（文件/代码/文档摘要，继续走便宜模型）和 vlm_memory（ExtractLoop、compressor_v3、trajectory 分析——走 Fable）。这样既拿到记忆提升，又不会因为「每个文件都上 Fable」把成本打爆。要改的调用点很明确：extract_loop.py:116、compressor_v3.py:127、session/train/components/trajectory_analyzer.py:186、rollout_executor.py:42。第一阶段只加一个配置键、读不到就回退到旧 vlm，一个小时能落地。

4. swarm-eval：协调者换 Fable，几乎零成本

评测编排是「便宜模型当 worker、贵模型当协调者」的教科书场景。worker 保持 Haiku（单发结构化抽取，Haiku 每次 $0.015–0.025 就是最优解，换 Fable 贵 20–40 倍还没质量提升）；协调者从 Opus 换成 Fable——它跨几百个会话累积模式、消解模糊发现，正好吃 Fable 的自校验（「杀掉错误信念」而不是把它们攒进目录）。协调者一轮跑十几次，成本差可以忽略。改动就一行：analyzer/config.py:44 把 coordinator_model 从 opus 改掉；新版 harness 在 src/orchestrator.py:32，或者直接用已有的 --coordinator-model 命令行标志做 A/B。

5–7. LoopX、AgentMail、Zouk

• LoopX 的 dreaming 现在是关键词匹配（dreaming.py 里 token-match「refactor / duplicate / lesson / stale」）。这是它最欠开发、产品上行空间最大的功能。加一个 build_dreaming_proposal_with_model()，把紧凑的运行历史（_signal_runs() 已经收好了）喂给 Fable，产出真正可执行的重构预警、记忆固化成 playbook、探索建议；保留规则版做兜底。dreaming 是纯建议性的，风险低。
• AgentMail 只把 money 类邮件（汇丰、星展、公积金、税、保险、发票）走 Fable，其余保持默认。这类邮件低频但高风险——一封被误分类成「摘要」而不是「待办」的公积金通知可能真花钱。改在 agentmail.py 的 codex_triage()（第 914 行）为 money 通道加一遍 Fable pass。
• Zouk 在 Claude 驱动里已经把 --model 当不透明字符串透传（claude.ts:255-256），所以只是在建 Agent 的 UI 下拉里加一个「fable-5」选项、默认 effort 给 xhigh，守护进程一行代码都不用改。之后我通过 Zouk 起的长跑研究/迁移 Agent 就能吃到「比任何前代跑得更久」。

横切模式：不是逐个换模型，而是几种结构

1. 「便宜 worker + Fable 协调者」应该成为我以后所有多 Agent 系统的默认模板。swarm-eval 里已经是这个形状（worker=haiku, coordinator=贵模型）。经济学很硬：便宜模型扛 95% 的量（分类、抽取），Fable 只扛 5% 质量会复利的综合瓶颈。
2. 「语义 vs 记忆」的模型路由拆分是单点杠杆最大的基础设施改动，先在 OpenViking 做，别把它当成一次性优化。
3. rtk + Fable 的净成本值得实测。rtk 已经帮我省了 85.4% 的输出 token（4768 条命令、8760 万 token）。Fable 每任务少 25–30% 回合，配上 rtk 对输出的过滤，对我的工作流未必比 Opus 更贵。前提是确保 rtk 也过滤 Fable 的输出（它本来就透明代理所有命令）。
4. 那条「约 5% 回退到 Opus」的警告，对我实际的活影响最小——金融分析、评测协调、记忆抽取、dreaming，都不碰网络安全/生物化学。唯一擦边的是 swarm-eval 分析安全工具的会话记录，但那种会话里 Fable 本来就等于 Opus，最坏情况是「没变化」。

不值得上 Fable 的地方

把贵模型用在对的地方，也意味着承认哪里不该用它。

• 评测的 worker（swarm-eval / 分析器）：Haiku 是单发结构化抽取的成本最优解，保持不动。
• OpenViking 的文件/代码/文档摘要：量太大（每个文件都过），继续走便宜模型。
• tmux-journal 的日常会话摘要：每 10 次捕获跑一次，Haiku 够用；只在「金融分析类会话」或按需的实体合并上才值得升 Fable。
• newtab 的 RAG 关键词抽取：从网页里抽 5–10 个关键词，Fable 是杀鸡用牛刀，价值在 embedding + 重排，不在关键词。
• Orca 的模型选择、Zouk 里非 Anthropic 的驱动（hermes/kimi/gemini 等）：要么是 UI 装饰，要么根本是别的 provider，Fable 只作用于 claude 驱动。

一句话收束

Fable 5 不是「更好的 Opus」，而是一种「敢把更长、更复杂的任务整包交出去」的模型。

把它当资深 tech lead，用在跨仓库编码、长程自主、金融/知识综合这些它领先随难度扩大的地方；给它接上文件记忆、砍掉旧脚手架、放手让它跑；剩下的高频小活和它不擅长的视觉感知、超长检索、安全编码，交给更便宜或更合适的模型。对我自己，最先动的是 Hermes 的金融链路和 OpenViking 的记忆路由——这两条离我的日常和我的基础设施最近，也最能兑现它那块真正独特的记忆优势。