重磅实测！Claude Fable 5.1 深度解析：鹈鹕骑单车，这次真的惊艳到我了！

📢 本文同步发布於公众号：AI Agent · 最佳实践
🔗 原文链接：https://simonwillison.net/2026/Sep/1/claude-fable-5-1/

---

【标题】重磅实测！Claude Fable 5.1 深度解析：鹈鹕骑单车，这次真的惊艳到我了！

【正文】

今天是 Claude Fable（和 Mythos）5.1 发布日！🎉 Anthropic 宣称 Fable 5.1“为编程、知识工作和长时程问题解决任务树立了新标杆”。他们的公告花了大量篇幅介绍科学研究方面的突破，在全新的 Terminal-Bench-Science 0.1 基准测试中拿下了 52.6% 的高分（该基准于8月27日首次公布），而 Fable 5 仅为 24.7%，Opus 5 为 29.0%，GPT-5.6 Sol 也只有 22.4%。其他基准测试的分数提升幅度相对平缓，但没有任何一项能像 Science 这样令人震撼。

不过，问题来了——它画鹈鹕的水平到底怎么样？🤔

早在七月份，我就写过一篇文章，讲述我对“鹈鹕基准测试”逐渐失去信心的过程——这个测试与模型在其他任务上表现的相关性，似乎已经不如 2025 年时那么强了。现在，我从这个测试中获得的最有价值的洞察，主要是模型家族内部的横向对比，尤其是同一提示词在不同推理强度设置下的表现差异。

Fable 5.1 提供了五个推理等级：low（低）、medium（中）、high（高）、xhigh（超高）、max（最高）——而且没有完全关闭推理的选项。

我先修复了 llm-anthropic 库中的一个问题（该问题导致推理轨迹未能正确记录），然后运行了一系列提示词测试。

以下是所有推理等级生成的完整鹈鹕 SVG 作品集，每个都附带了完整的推理过程记录。我在这里逐一展示：

接下来，有个小小的谜团。这是我用 low 等级得到的结果：

low

推理记录中没有显示任何摘要推理 token，输出 token 数为 1,998。对于 Claude 来说，这个输出 token 数包含了推理 token。耗时 23.8 秒，费用 10.017 美分。

我把等级提升到 medium，得到了这个：

medium

奇怪的是，这个结果同样没有显示推理文本，使用了 1,977 个输出 token——比 low 等级还少了 21 个 token。耗时 23 秒，费用 9.912 美分。

low

所以，对于这个特定提示词（“生成一只骑自行车的鹈鹕的 SVG”），Fable 5.1 在 low 和 medium 两个等级下似乎完全跳过了推理过程。

low

medium

接下来是 high 等级——耗时 29.6 秒，2,612 个输出 token，费用 13.087 美分：

high

这个版本确实做了一点推理，摘要如下：

我正在规划一只骑自行车的鹈鹕的 SVG 布局，包含天空和地面背景、一辆带两根辐条轮子的自行车（车架、座椅、车把），以及一只白身、长颈、橙色喙的鹈鹕骑在上面。

不过，和 low、medium 等级相比，差异真的不大。

low

medium

到了 xhigh 等级，情况就彻底不同了。36,767 个输出 token，耗时 7 分 51 秒，费用 1.83 美元！

xhigh

推理轨迹相当冗长，其中包含这样的细节：

添加眼睛、伸展到车把手的翅膀、伸向脚踏板的橙色腿，以及一小撮尾羽，同时刻意让鹈鹕相对于自行车显得过大，以营造喜剧效果。[...] 我决定接受这略微的粗壮感，将其视为一种魅力，而不是过度工程化。

将推理等级设为 max 后，我得到了迄今为止 Anthropic 所有模型中最好的一只鹈鹕。65,927 个输出 token，耗时 13 分 54 秒，费用 3.30 美元：

max

这就是那只鹈鹕！

---

我的观察与思考 💡

从这次测试可以看出，Fable 5.1 的推理等级对输出质量的影响是非线性的：low 和 medium 几乎无差别，high 略有提升，但真正的质变发生在 xhigh 和 max。这或许意味着，对于复杂创意任务，高推理等级带来的回报是巨大的——当然，代价也是巨大的（时间和费用）。

另外值得注意的是，Fable 5.1 在科学基准测试上的飞跃（52.6% vs 上一代 24.7%）确实令人印象深刻，但它在创意生成任务上的表现同样值得关注。Anthropic 似乎在推理能力和生成质量两个维度上都下了功夫。

如果你也想试试 Fable 5.1 的鹈鹕测试，建议从 high 等级起步——性价比相对最优。至于 max 等级，除非你对鹈鹕有极致的追求，否则那份 3.3 美元的电费账单可能会让你三思。😅