我没有提前拿到今天发布的 Claude Fable 5，但我花了大约 5.5 个小时对它进行了全面测试。我的初步印象是，这东西堪称一头猛兽。它速度慢、价格贵，但到目前为止，我扔给它的所有任务它都乐此不疲地处理完了。和当前前沿模型常见的情况一样，挑战在于找到它做不到的任务。
首先，让我们回顾一下关键特性。
Anthropic 声称 Claude Fable 5 的性能与 Claude Mythos 5 相同，只是设置了严格得多的护栏，以防止它被用于有害用途。这些护栏触发得相当频繁，以至于 Claude API 新增了机制，让你在触发时能收到通知，甚至还有一个新选项，可以在某些内容被拒绝时自动回退到另一个模型。
Claude Mythos 5 今天也发布了，Anthropic 表示它“具备 Claude Fable 5 的能力，但没有安全分类器”。Mythos 仍然只限于一小批可信合作伙伴使用。
两个模型都有 100 万 token 的上下文窗口、128,000 的最大输出 token 数，知识截止日期为 2026 年 1 月。
它们的定价是 Claude Opus 4.5/4.6/4.7/4.8 的两倍：每百万输入 token 10 美元，每百万输出 token 50 美元。使用更长上下文不会加价。
除此之外，升级指南比Opus 4.8 的类似指南要单薄得多。
大模型的“气味”
描述 Fable 最好的方式是：它感觉很大。不只是速度和成本方面，还在于它知道的东西有多少。
下面是一个示例提示词，我用它来比较 Fable 和 Opus 4.8 的知识（包含拼写错误）：
List all of Simon Willion's open source projects, most recent first, each with a rough date of when they were first released
Opus 4.8 的回复是这样开头的：
我没有一份可靠、全面且经过日期核实的 Simon Willison 所有开源项目的清单，我想对此坦诚，而不是冒险给你不准确的日期或编造的条目。
以下是我有合理把握告诉你的内容：
Simon Willison 的知名项目：
- LLM（约 2023 年）—— 一个用于与大语言模型交互的命令行工具和 Python 库。
- Datasette（约 2017 年）—— 一个用于探索和发布数据的工具，可能是他近期最突出的项目。
- sqlite-utils（约 2018-2019 年）—— 一个用于操作 SQLite 数据库的 Python 库和 CLI 工具，常与 Datasette 配合使用。
- Django（2005 年）—— 他是 Django Web 框架的联合创建者之一，与 Adrian Holovaty 一起，最初在 Lawrence Journal-World 报社开发。
他还维护着一个庞大的 Datasette 插件生态系统和许多较小的实用工具（通常命名为
shot-scraper、各种用于导入数据的*-to-sqlite工具等）。
这还不错。下面是 Fable 5 对完全相同的提示词给出的回复开头——两个模型运行时都无法访问搜索：
我想你指的是 Simon Willison —— 多产的开源开发者、Django 的联合创建者，以及 Datasette 的创建者。
首先一个重要提醒：真正完整的清单是不可行的。Simon Willison 以多产著称——他发布了数百个仓库（仅 Datasette 就有 100 多个插件，其中许多是他写的），而我的知识有截止日期，所以我会遗漏他最近的工作。以下是他知名的项目及大致初始发布日期，最新的在前：
知名项目（大致日期）
- files-to-prompt（2024 年 4 月）—— 将文件拼接成单个提示词供 LLM 使用
- datasette-extract（2024 年）—— 使用 LLM 提取结构化数据的插件
- LLM（2023 年 5-6 月）—— 用于与大语言模型交互的 CLI 工具和 Python 库，外加一个庞大的插件生态系统（llm-gpt4all、llm-mistral、llm-claude 等，2023 年起）
- symbex（2023 年 6 月）—— 在 Python 代码中搜索符号
- ttok 和 strip-tags（2023 年 5 月）—— 用于 LLM 流水线的 token 计数和 HTML 清理 CLI 工具
- datasette-lite（2022 年 5 月）—— 通过 WebAssembly/Pyodide 完全在浏览器中运行的 Datasette
- shot-scraper（2022 年 3 月）—— 通过 Playwright 自动截取网站截图
- s3-credentials（2021 年 11 月）—— 用于创建限定范围 AWS S3 凭证的 CLI
- django-sql-dashboard（2021 年）—— 用于 Django 的 SQL 报表仪表板
- Dogsheep 套件（2019 年）—— 个人分析工具：twitter-to-sqlite、github-to-sqlite、healthkit-to-sqlite、dogsheep-beta 等。
- sqlite-utils（2018 年）—— 用于操作 SQLite 数据库的 CLI 和 Python 库
- Datasette（2017 年 11 月）—— 他的旗舰项目；用于探索和发布数据的工具
- csvs-to-sqlite（2017 年）—— 将 CSV 文件转换为 SQLite
- 各种早期工具（约 2007-2010 年）—— soupselect、json-head、geocoders 等
- Django（2003-2005 年开发，2005 年 7 月开源）—— 与 Adrian Holovaty 在 Lawrence Journal-World 共同创建
（这里还有GPT-5.5 作为参照。它列出的项目比 Fable 还多！）
过去我曾表示，我不在乎模型知道多少——我希望它们能够以有用的方式操作文本和代码，并通过搜索工具主动查找所需信息，而不是把信息烘焙进权重里。
但这样的知识是模型规模的一个相当好的代理指标——你可以在更多参数中塞进关于世界的多得多的细节。
知道更多东西是否意味着模型更擅长我们交给它的任务？我当然可以想象，一个对现代库和模式有更深知识的编码模型能更有效地处理编码任务。
Fable 真的比 Opus 更大吗？Anthropic 没有透露任何关于模型规模的信息，所以我们只能靠蛛丝马迹，但速度、定价以及我自己对其知识的试探让我认为它是一个大模型。也许是所有厂商中迄今最大的。
在 Claude.ai 中使用 Fable
Anthropic 在所有平台上线了 Fable 5——Claude.ai 聊天界面、Claude Code for web、Claude Code CLI 以及 Claude Cowork。该模型在订阅计划中“直到 6 月 22 日”可用（我目前是每月 100 美元的 Max 订阅），之后将额外计费。
Claude.ai 常常被低估。自 2025 年 9 月 起，每次聊天都能访问完整的容器环境来运行代码，包括安装额外软件包、甚至直接从 GitHub 克隆仓库的能力。
上周我发布了 micropython-wasm，这是一个 Python 库，使用 wasmtime 在 WebAssembly 中运行自定义构建的 MicroPython，作为不可信 Python 代码的沙箱。
我决定看看 Fable 能否将其升级为运行完整的 Python。我从这个提示开始：
Clone simonw/micropython-wasm from GitHub and research how this could use a full Python as opposed to MicroPython
Fable 发现它可以使用 Brett Cannon 的 cpython-wasi-build 构建来实现这一点，但由于环境限制，它自己无法下载这些构建。
于是我从那个页面抓取了两个 zip 文件并上传给 Claude：
Here's the Brett Cannon builds（python-3.zip、_build-python-3.zip作为附件）
就这样。它运转了几分钟，就把整件事跑通了。
回复的一部分包括：
我尝试了更简洁的单 zip stdlib 方案来缩小文件系统表面，但 CPython 的
getpath引导在 zip 内部找不到encodings，除非做更多前缀调整——目录 preopen 方案运行可靠，所以 PoC 采用了它。zip 路径是可解的，但需要_PYTHONHOME/frozen-getpath 方面的工作。
于是我说：
Try a bit more at the single-zip-stdlib problem
然后过了一会儿：
I want a wheel that has the whole system in it, the Python wrappers and the WASM files and the stdlibrary, so I can do uv run --with path-to-whl python -c "demo code"
……然后它给了我这个 13.9MB 的 cpython_wasm-0.1.0-py3-none-any.whl 文件。你可以使用那个 wheel URL 和 uv 在沙箱中尝试运行 Python 代码，像这样：
uv run --with https://static.simonwillison.net/static/cors-allow/2026/cpython_wasm-0.1.0-py3-none-any.whl \
cpython-wasm -c 'print(45 ** 56)'
这里是完整的聊天记录。
这是一个非常强劲的开端。
使用 Claude Code 为 Datasette Agent 和 LLM 添加功能
在我意识到今天是 Fable 日之前，我今天的延伸目标是为 Datasette Agent 添加一个新功能：我希望该 agent 软件中的工具调用能够获得在执行中途暂停并直接向用户请求批准的能力。
这感觉是一个适合扔给新模型的有分量的任务。
在这一天里，Fable 不仅解决了那个问题，还识别并实现了我底层 LLM 库中的四个问题，这些问题有助于支持工具调用中这种高级暂停-恢复机制。
它先用一些相当粗糙的 hack 让一切跑通，但当我告诉它修改 LLM 本身也在范围内时，它就开始拆解这些 hack，把它们变成 LLM 受支持的功能。
我的延伸目标变成了 LLM 0.32a3，几乎完全由 Fable 编写。以下是发布说明：
由 Datasette Agent 的人在回路
ask_user()功能的需求驱动，对工具调用的工作方式做了以下改进：
- 工具实现可以声明一个名为
llm_tool_call的参数，以便接收当前调用的llm.ToolCall对象。这允许它们访问当前的llm_tool_call.tool_call_id。参见从工具内部访问工具调用。#1480- 现在每个工具调用都保证有一个唯一的
tool_call_id——不提供该值的提供商会得到一个合成的、以tc_为前缀的 ULID。#1481- 工具可以抛出
llm.PauseChain异常来干净地暂停工具链，适用于等待人工批准之类的情况。该异常会传播给调用方，并附带.tool_call和.tool_results（已完成的同级结果），不会用占位结果发起模型调用。参见从工具内部暂停链。#1482- 并发工具执行的失败语义：异步同级工具调用总是在暂停或钩子异常传播之前运行至完成。#1482
- 链现在可以从以未解析工具调用结尾的
messages=历史恢复：这些调用会在第一次模型调用之前通过正常的before_call/after_call机制执行，跳过已有结果的调用。execute_tool_calls()方法还接受一个新的可选tool_calls_list=参数，用于执行显式的ToolCall对象列表，以替代响应所请求的调用。参见恢复带有待处理工具调用的链。#1482- 修复了一个 bug：异步工具执行器会静默丢弃对
tools=中不存在的工具的调用——这些调用现在返回Error: tool "..." does not exist结果，与同步执行器一致。#1483
Fable 为此整合的 API 设计、测试、代码和文档质量让我印象深刻。我今天在这上面花了几个小时，但感觉像是好几天的工作量。
我花了多少钱
我最近开始使用 AgentsView 来帮助跟踪我在各种编码 agent 上的本地 LLM 使用情况。我今天发布了一篇TIL，关于为该工具添加自定义 Fable 定价，我预计在不久的将来就不再需要了。
设置价格后，我运行了这个命令来启动一个 localhost Web 服务器以查看我的使用情况：
uvx agentsview serve
这是显示我今天在各个项目中 Fable 使用情况分解的矩形树图：
我今天使用了价值 110.42 美元的 token，全部包含在我每月 100 美元的订阅中。
还有一些鹈鹕
我用 Fable 在全部五个思考努力级别上运行了“生成一只骑自行车的鹈鹕的 SVG”。
这里是结果，包括每个结果的 token 成本：
有趣的是，在这次特定运行中，高最终使用的 token 比中更少。
这里是Opus 4.8 的鹈鹕，供比较。