Table of Contents
📉 標價一分錢沒降，帳單卻能差三倍。
9 月 1 日 Anthropic 推出 Claude Fable 5.1，輸入輸出價格與上一代完全一致——但快取讀取砍了 75%。結果是：新模型「最省」的設定，用四分之一的錢打贏了舊模型「最貴」的設定。
同一天，OpenAI 宣布 Astra 成為史上第一個踩上最高「Critical」網路安全門檻的模型：它能在無人引導下，在加固過的瀏覽器與作業系統中找出未知漏洞，並串成可用的攻擊鏈。
🔍 我整理了這兩件事，也順手查核了幾個被媒體轉來轉去的數字（其中一個比較對象普遍被寫錯了）。文章談四件事：
⏱️ 耐力：38 小時無人值守的任務，該打幾折看？
💰 單任務經濟學：判斷模型貴不貴的標準，已經不是單價
🛡️ 安全邊界：同一個大腦，兩套護欄
🔑 權限階層：最鋒利的那段能力，該由誰掌握、由誰決定誰能掌握
⚠️ 另外一個從品管角度的觀察：某項測試 82% 的完成率很漂亮，但它同時意味著近五分之一會失敗——而我們並不知道那些失敗是安靜地停下來，還是帶著一份看起來很完整的錯誤結果回來。後者才是真正該擔心的。
2026 年 9 月 1 日，AI 領域迎來了一個表面平靜、底層卻發生位移的日子。
Anthropic 正式推出新一代旗艦模型 Claude Fable 5.1 以及同源受限版本 Mythos 5.1。打開官方價目表，每百萬 Token 輸入 10 美元、輸出 50 美元，與上一代 Fable 5 完全一致，看似一分錢沒降。但當開發者把它接進 Cursor 或各類自主代理（Agent）環境去跑長程工程任務時，實際帳單卻可能出現數倍的落差——而落差的方向，取決於你怎麼設定它。
同一時間，OpenAI 釋出題為《Path to Astra》的報告，宣布其下一代旗艦 Astra 成為公司史上第一個在內部安全框架下達到最高「Critical」網路安全門檻的模型：它能在無人引導下，於高度加固的真實系統中發掘並武器化零日漏洞。OpenAI 的處理方式不是把模型鎖起來，而是把模型的一部分能力鎖起來。
一邊是「標價未動、交付成本重新洗牌」的長任務代理，另一邊是「能力強到必須分層發放」的前沿模型。這兩件事指向同一個轉向：AI 的競爭重心，正從「誰的基準測試分數更高」，移往「誰能在複雜的真實環境中連續穩定工作數十小時」、「交付一個完整任務到底要花多少錢」，以及「最鋒利的那一段能力該交給誰」。
一、反直覺的帳單：為什麼標價沒動，成本卻能差三倍？
要理解 Fable 5.1 的成本結構，得先分清「單次問答」與「長程代理」在計費上根本不是同一件事。
單次問答像門診的一次諮詢：問題進來、答案出去，成本就結清了。長程代理更像一段住院照護——每天交班、每次會診，都得把整本病歷從頭讀一遍。當編碼代理去修一個數萬行的專案時，它會反覆讀取專案結構、寫補丁、跑測試、接住錯誤日誌，再把日誌連同完整上下文塞回模型重新推理。在連續數十甚至上百個回合裡，真正燒錢的不是每回新生成的那幾行程式碼，而是被一再重讀的那份歷史紀錄。
1. 上下文快取（Context Caching）費率砍掉 75%
Anthropic 這次做了一項關鍵調整：將快取讀取（Cache Read）費用從每百萬 Token 1.00 美元降至 0.25 美元，降幅 75%。
換算成比例更能看出反常之處：Fable 5.1 與 Mythos 5.1 的快取讀取價格是基礎輸入價的 0.025 倍，而其他 Claude 模型一律是 0.1 倍。於是出現一個奇特的價格輪廓——Fable 5.1 的一般輸入輸出是 Opus 5 的兩倍貴，但它的快取輸入只有 Opus 5 的一半；即使基礎輸入價是 Sonnet 5 的五倍，快取讀取也只比 Sonnet 5 高出 25%。五分鐘快取寫入維持每百萬 12.5 美元、一小時寫入 20 美元，價格全押在「寫一次、讀很多次」這個結構上。
- 官方估算：一般工作負載綜合可省約 25% 成本。
- 高度依賴循環上下文調用的代理型任務，節省幅度最高可達約 45%。
2. 「努力檔位」與單任務經濟學
Fable 5.1 開放了五個努力（effort）檔位，而檔位曲線是整份發布裡最值得看的一張圖。官方在使用指南中也建議：不要習慣性把推理強度拉滿，先從較低檔位試起。
| 設定 | 分數 | 每任務約略成本 |
|---|---|---|
| Fable 5（最高檔位） | 24.7% | 約 $44 |
| Fable 5.1（最低檔位） | 約 26% | 約 $11 |
| Fable 5.1（最高檔位） | 52.6% | 約 $38 |
讀法是這樣：新模型最省的設定，用四分之一的錢打贏了舊模型最貴的設定。若目標是把分數推到 52.6%，代價則是每任務約 38 美元。同一個模型，配置對錯之間差的不是幾個百分點，是幾倍。
3. 「降價 75%」與「成本上升 20%」並存的陷阱
第三方評測機構 Artificial Analysis 給出了一組反向數據：在最高努力檔位下，Fable 5.1 完成一項 Intelligence Index 任務平均要 3.76 美元，而 Opus 5 只需 2.34 美元——貴了約兩成。快取雖然便宜了，省下的錢卻被輸出吃掉。
原因不難理解。Fable 5.1 為了想透難題，輸出 Token 數量約為上一代的 1.7 倍，而輸出價格仍是每百萬 50 美元，是快取讀取（0.25 美元）的 200 倍。一旦模型話多起來，快取那點折扣瞬間蒸發。
這確立了一項新常態：判斷模型貴不貴，看的不再是輸入輸出單價，而是「單任務完成成本（Cost per Completed Task）」——由檔位設定、快取命中率、任務完成率與重試次數共同決定。
二、長程耐力：從終端評測到 38 小時無人值守
Fable 5.1 能在較低檔位完成複雜任務，核心在於它針對長程任務（long-horizon）與代理式工作（agentic work）的強化。它擁有 100 萬 Token 上下文視窗與 12.8 萬 Token 最大輸出，適應性思考預設開啟——這是長時間運作在工程上的前提。
其他幾項也呈現同一個模式——凡是需要「撐得久」的任務，進步幅度最大：
- Terminal-Bench 4.0：Fable 5.1 拿下 55.8%（上一代 Fable 5 為 42.0%）；放寬安全限制的 Mythos 5.1 更達 60.9%。
- CursorBench 3.2：73.4%，對比 Fable 5 的 70.5%。
- AutomationBench：從上一代的 17.1% 躍升至 31.4%。
讀跑分前的提醒。電腦操作與自動化類基準的部分測項會被安全護欄攔下並轉由其他模型完成，這些數字可能低估了原始能力。同理，Mythos 5.1 在 Terminal-Bench 4.0 高出 Fable 5.1 五個百分點，差的不是模型本體，而是護欄。
launch partner 的說法，與該打幾折
Anthropic 這次的發布放進了二十多則早期客戶回饋，其中三則被各家媒體反覆引用：投資機構 Millennium 說模型找出了一個約百萬次執行才發生一次、團隊四五年都沒能解釋的崩潰成因；支出管理商 Ramp 記錄了一次連續 38 小時的無人值守機器學習任務，模型自行推翻了先前一項結果、重跑實驗並帶回結論與後續建議；Browserbase 則說在自家最難的瀏覽器代理測試上完成率 82%，對比 Opus 5 的 74% 與 Fable 5 的 57%，且用掉的 Token 更少。
這些數字值得看，但必須知道它是什麼：由廠商在發布時徵集的客戶證言，不是獨立複現的評測——VentureBeat 在報導時特別加註了這一點。它們的價值不在數值本身，而在描述的失效模式：罕見根因追查、自我排程的長時間運作、跨回合不走偏——恰好是過去模型最會出事的地方。
從品質管理的角度看，82% 這個數字反而該讓人謹慎。它同時意味著近五分之一的任務會失敗，而且我們並不知道失敗是安靜地失敗，還是帶著一份看起來很完整的錯誤結果回來。前者只是浪費時間，後者才是真正的風險。醫療現場對「偶發但無聲的錯誤」向來比對「明顯的失敗」更戒慎——長程自主運作的進步，改變的是驗收的頻率與方法，不是驗收本身可以被省略。
三、科研落地：讓成果去接受實驗與數據的檢驗
比起跑分，這次發布裡更值得注意的是三個已接受外部驗證的科研應用。以下數據均出自 Anthropic 官方發布，讀者可自行查核原始說明。
| 領域 | 模型做了什麼 | 結果 | 對照基準 |
|---|---|---|---|
| 蛋白質結合劑設計 | Mythos 5.1 以開源設計與折疊工具產生候選分子，交由兩個外部機構做濕實驗驗證 | 12 個標靶命中率接近 50%；其中三個標靶的結合親和力達競賽最佳作品的 10 倍 | 該領域常態命中率 10%～15%；競賽為 Adaptyv Bio 公開賽 |
| 金星地形重建 | Fable 5.1 訓練神經網絡，處理 NASA 麥哲倫號三十多年前的雷達資料 | 覆蓋金星約 1/3 表面，解析度 2~3 公里，高度精度最多改善 25% | 原有地圖解析度 10~20 公里；成果以 CC 授權釋出 |
| GPU 內核最佳化 | Mythos 5.1 撰寫客製 GPU 內核並快取中間結果，對象為七個計算生物學開源模型 | H100 上最高加速 2.5 倍且輸出完全一致；全基因體分析 GPU 成本降 30%～60% | 同等最佳化通常需效能工程團隊投入數週；Anthropic 將開源 |
這三例的共同點，不是模型答對了什麼題，而是它的產出被送去接受了濕實驗、觀測資料與數值驗證的檢核。這也是我認為醫療端最該學走的一件事：AI 的成果要能被既有的驗證流程接住，才算真正落地。
四、雙生模型與安全邊界：誰能拿到那把未受限的手術刀？
這次發布最值得玩味的細節，在 Fable 5.1 與 Mythos 5.1 的關係。官方明確說明：兩者是同一個底層模型。差別只在「安全護欄與能力控制層（safeguards）」，以及使用者的審核資格。
| 維度 | Claude Fable 5.1（一般供應版） | Claude Mythos 5.1（受限版） |
|---|---|---|
| 開放對象 | Claude API（claude-fable-5-1）、AWS、Google Cloud、Microsoft 等主流雲端平台，以及 Claude 各級訂閱方案 | 經審核的美國網路安全與生命科學組織，透過 Project Glasswing 下的 Cyber Verification 與 Life Sciences Verification 兩個計畫；Anthropic 表示未來將擴及國際夥伴 |
| 安全策略 | 重新校準分類器：允許漏洞發現，但不允許漏洞利用開發；Claude Code 每次工作階段的安全干預次數減少約 60%。滲透測試、exploit 生成與二進位漏洞掃描仍改由 Opus 處理 | 解除特定限制，支援完整的滲透測試、漏洞研究與底層科學分析 |
| 生命科學 | 對良性生物醫學請求的誤觸發下降 85%，但研發性質的任務仍強制轉向 Opus | 經 Life Sciences Verification 計畫審核者可用，該計畫與美國政府合作建立 |
之所以要築起這道牆，理由其實很樸素：能幫防守方找出弱點的能力，同一份能力也能幫攻擊方。差別只在誰的手上。
OpenAI Astra：第一個踩上 Critical 門檻的模型
如果 Anthropic 的分級體現的是商業與防禦上的謹慎，OpenAI 同期發布的《Path to Astra》則直接把警報拉到最高一級。
- Astra 是 OpenAI 史上第一個在 Preparedness Framework 下達到最高「Critical」網路安全門檻的模型。該門檻的定義是：模型能在無人類介入下，於多個高度加固的真實關鍵系統中識別並開發出可用的零日漏洞利用程式。
- 在專家主導的評測中，Astra 於一個加固過的瀏覽器與作業系統上找出原先未知的漏洞，並串接成可運作的攻擊鏈——包含從瀏覽器沙箱逃逸並在主機上執行命令，以及把作業系統的多個漏洞組合成從一般使用者提權至 root 的鏈條。
- 它在 ExploitBench 上取得 100% 滿分，以致 OpenAI 必須另外以模型知識截止後、六至八月間新披露的漏洞重建一份刷新版基準來重測。
- 分層方式才是重點：一般推理、編碼與軟體工程能力仍會經正常管道開放給所有 ChatGPT 與 API 使用者；只有跨過 Critical 門檻的高階攻擊性網安能力先限於少數 alpha 測試者，再經 Daybreak Blue 擴及審核過的防禦方夥伴。被關進籠子的不是模型，而是模型的一部分能力。
企業防護、對話完整性與水印
為因應強大模型進入企業核心系統的合規需求，Anthropic 同步推出「企業前沿防護（EFS）」機制，讓客戶把資料留在自有雲端架構中進行監控與審查。
API 端也有一項容易被忽略的變動：保留 Claude 原始思考區塊（thinking block）的新帳戶，將無法任意竄改上下文歷史、工具調用或系統提示——對話紀錄實質上被轉為「唯追加（append-only）」，大幅提高批量提取推理軌跡的門檻。
此外，Fable 5.1 的輸出帶有隱形水印。這不是反蒸餾措施，而是法遵：歐盟 AI Act 第 50 條自 2026 年 8 月 2 日起要求供應商以機器可讀方式標記合成內容並使其可被偵測，水印適用於該日之後發布的模型，且不含任何使用者資訊。原本預期的免費偵測 API，實際上是以私人預覽形式開放給特定資格單位——包含監管機關、執法機構、媒體、事實查核者、獨立研究者、教育機構與歐盟公民社會組織，尚未公布全面開放時程。
五、結語：前沿 AI 競爭的四個維度
「在某個基準上多贏 1 分」、「每百萬 Token 便宜幾美分」的時代已經過去。現在的前沿競爭同時發生在四個維度上：