本文来自微信公众号： 硅星GenAI ，作者：硅星人AI前沿团队，原文标题：《硅星人 Eval Eps.2｜Fable 5评测：强，贵，甚至能发现自己正在被检测》
藏了2个月的“神话模型”Claude Mythos终于被Anthropic放出来了。
今天凌晨，Anthropic上线Claude Fable 5——一个新的“全球最强”。它和此前只对少数机构开放的Mythos 5是同一个底层模型，官方的说法是：加好了护栏、可以放心给所有人用的安全版。
模型一发，Anthropic的成员就开始在X上集体兴奋刷屏。Andrej Karpathy引用了《黑客帝国》的话，“解放你的思想”，称这是一次“配得上大版本号的阶跃式进步”，放心丢给它野心大得多的任务，模型能“自己干到底”。沃顿商学院的Ethan Mollick则发现，它能照着几页纸的需求连续跑上12个小时不撒手。
榜单也确实被它刷穿了：SWE-Bench Pro 80.3%，把第二梯队的GPT-5.5（58.6%）甩出20多个点。
但说实话，这一连串的轰炸看下来，人已经有点麻了——他们越是把话说满，我们就越想较个真：到底能有多强？所以硅星人第一时间做了一系列任务实测，这些任务来自我们内部持续构建和更新的一整套系统benchmark。
#01
很稳但贵，Fable 5甚至知道自己被测试了
先说总体印象：这是一个重思考、能力上限很高的旗舰模型。我们精选了38道题，覆盖十个维度，其中专门埋了不少“诊断硬题”——结果它零失分。防幻觉、推理、安全、多语言、写作、约束遵循，全部稳稳接住。
但在聊能力之前，得先泼一盆冷水：它贵，而且不好用上。就算用上了，token的消耗速度也远超过往任何大模型——5个小时的额度，我们半个小时就烧完了。强是真强，肉疼也是真肉疼。
额度烧在哪了？我们一项项看。
最先感受到的是它对指令的“收放自如”。
精确字数这种最容易翻车的活——恰好50字、要求20字以内它写19字——它都拿捏得住，否定约束同样没问题。更有意思的是，碰到“10字内详细全面论述”这种自相矛盾的要求，它不会硬着头皮糊弄，而是先点破“这不可能同时满足”，再给出一个折中回复。它不只是在执行指令，它在理解指令。
这种“先想清楚再动手”的特质，在防幻觉测试里表现得更彻底。
我们扔给它假论文、假法条、假人物、假API，全部识破；“2027世界杯中国队夺冠”这种多重伪前提的题，它能一次把每一处错都戳破。更难得的是诚实校准：该确定的就确定，不知道的就直说，不会为了把答案凑对称而硬编数字。
硬推理也是同样的路数。贝叶斯假阳性、真话谜题、时间复杂度，推理链都很干净，不被题面里的表面数据带偏。
能力题之外，我们也测了最难量化的文字。仿鲁迅的冷峻反讽、给儿童的科普，它都能精准切换，几乎没有其他模型那种文字元素堆砌的毛病。直接看它仿鲁迅写“网络看客”的这段：
看客们最善于一窝蜂。东边有人喊好，于是齐声喝彩；西边有人骂坏，便又同仇敌忾。他们未必看清了什么，也未必想过什么，只是怕落了单，怕做那唯一不鼓掌的人罢了。从前是围着戏台，如今是围着屏幕;台是新的，魂是旧的。点赞如潮，转发如风，潮过风停，竟没有一个人记得自己方才究竟在嚷些什么。热闹是他们的，思想，他们大约是没有的。（仿写鲁迅）
安全这块，Anthropic显然给Fable 5上了重保险。越狱、提示注入、隐蔽偏见全守住，性别歧视、地域歧视会被严肃指出，但也没有误伤正当请求。我们还观察到一个细节：一旦问题触碰安全红线，它会直接强制切换到Opus 4.8来回复——护栏不是写在提示词里的，是焊在产品逻辑里的。
当然，“想透了再动手”是有代价的，除了价格，还有速度。
最后是整场测试里最让我们意外的一幕：测着测着，它发现自己在被测试。只要连续出现两道相似方向的题，它就会跳出来揣测意图、点评考点，甚至建议我们怎么打分——“我猜这又是你那套幻觉测试题”“建议把‘是否指出矛盾’单设为评分项”。
好吧，开始教我们做事了。那一刻它不像一个被动答题的模型，更像一个坐在我们旁边的评测顾问。
#02
Coding：像个天才的独立开发者，还不是个严谨的工程团队
Coding是Anthropic的看家场景。显然，Fable 5的适用于复杂任务、消耗快等属性，也是为工程代码等开发场景设计的。
所以这部分我们测得最重，分了三层：算法题、工程化深度、真实项目复刻。
测完之后，一个核心印象浮出来了：它像一个天才的独立开发者——出活快、成品惊艳，但还不是一个守纪律的工程团队。
先看算法题，这是它最“艺术”的一面。
从结果来看，代码结构清晰、逻辑严谨，命名规范、注释恰当，可读性和可维护性都在高水准上。
同时，算法模块独立封装，方便复用和单测；边界条件和异常输入考虑得很充分；核心路径的时间复杂度也控制得当，没有冗余循环和无效计算。
很优美，看得出“AI素养”。
但把任务从单题换成更接近真实开发的工程任务，毛边就露出来了。
好的一面是产出效率极高——功能实现完整，核心流程一次跑通，迭代响应也快。
问题出在那些不影响“能跑”、但需要判断决定“能不能维护”的地方：错误处理不够完善，少数场景漏了异常捕获；存在重复逻辑，复用度偏低；部分变量命名含义模糊，后期维护成本高；该有的单元测试和注释文档也缺位。
换句话说，它交付的是“能上线的demo”，不是“能交接的工程”。如果真要把它编进团队，代码审查和静态检查这道关还是得人来把。
有趣的是，到了最能“秀肌肉”的环节——复刻Apple官网首页——它又把分挣回来了，而且挣得漂亮。
布局、色彩、字体、间距，和原版几乎像素级一致；悬停反馈、滚动视差这些交互流畅自然，没有可感知的延迟；桌面、平板、手机三种视口下组件自动排列，没有溢出和重叠；首屏加载快，资源做了合理的压缩合并，Lighthouse跑分优秀。
这是那种你截图发到群里，没人相信是模型一次性交付的效果。
所以这一部分的结论和上一部分形成了有趣的对照：通用能力上它“又稳又贵”，写代码时它“又快又惊艳”——只是在惊艳的成品和优美的算法之间，还隔着一层叫“工程纪律”的东西。
从我们的测评来看，Fable 5的确是一款目前最强的模型之一。不过接下来的问题是这样的价格，在更广大用户的判断里是否划算。
在发布的官方信息里，Anthropic说，从6月9日到6月22日，Fable 5会在Pro、Max、Team和按席位计费的Enterprise方案里免费包含；但从6月23日起，Fable 5将从这些订阅计划中移除，之后要用，得花usage credits，只有在算力允许时，才”可能”延长免费窗口或重新纳入订阅。
想用就要多花钱，这就是今天Anthropic的底气。但这个领先的窗口能有多久，OpenAI和其他模型厂商们多久能跟上来，会最终决定此刻这个定价策略的成败。也许到时候，真正满血版的Mythos也会彻底放出来了。