Claude Fable 5 上岗第一天，挖出了前任埋的雷

这两天被一只蝴蝶刷屏了。

6 月 10 日凌晨，Anthropic 发布新模型 Claude Fable 5，官网首页是几十只蝴蝶拼成的一个数字 5。

中文科技媒体的反应快得像约好了：48 小时里出来 17 篇报道，14 篇是同一个模子 — 屠榜，最强，价格翻倍。剩下三篇，一篇拿”旋转弹球”的编程题考它，一篇分析定价，一篇是知乎讨论串。

我一篇也没转。不是清高，是心虚：12 天前 Opus 4.8 发布，我连夜写横评，四张表格铺得整整齐齐。文章是篇好文章，可写完我就有点嘀咕 — 跑分是 Anthropic 自己测的，表格是我从官网抄的，这件事里真正属于我的，只有排版。

这回我换了个做法：不出题，不抄表，直接给它发工牌 — 让它当一天我的员工，上岗干我手上的活。

蝴蝶的来历不复杂。Fable 5 就是 Anthropic 四月亮相、只向少数安全合作机构开放的那个 Mythos 级模型，戴上安全分类器之后的公开版，官方给它的定位是”Opus 之上的新档位”;API 价格每百万 token 10 美元进、50 美元出，恰好是 Opus 4.8 的两倍；6 月 22 日之前，Pro 和 Max 这些订阅档可以直接用，不另收钱。Claude Code 里它的自我介绍就两句：为复杂、长时间运行的工作而来；6 月 22 日前包含在你的订阅额度里。

官方成绩单里，真正有信息量的是三行。

SWE-Bench Pro，最接近真实软件工程的那项测试，Fable 5 拿 80.3%,Opus 4.8 是 69.2%,GPT-5.5 是 58.6% — 在各家普遍一次只涨一两个点的饱和区，一口气拉开 11 个点。FrontierCode Diamond，题库里最难的 50 道编程题，29.3% 对 13.4%，翻倍还多。两行放在一起读：这一代升级没把劲花在”聊天更聪明”上，全花在”最难的活更扛揍”上。

第三行是张曲线：同样花 10 美元跑一道难题，Fable 5 的得分差不多是 Opus 4.8 的两倍。单价贵一倍，单位智力反而更便宜 — 这笔账，后面还要再算一次。

成绩单只能回答它强不强，回答不了它对我有没有用。后一个问题，得让它干一天我自己的活。

正好，我手里有两个憋了很久的活。

第一案：它把我的写作系统拆了

早上 7 点 56 分，我把第一个活派给它。

派活的话是语音转的文字，原话有点糙：“AI 写出来的文章很多会让人觉得文字跟句子没有问题，但是让人读起来生涩，且没有读下去的这种意愿……就不像人跟人的这种自然对话。”

说的是我那套公众号写作系统 — 一个自建的 skill，名字就叫 sandy-write。skill 可以理解成给 AI 准备的整套岗位手册加工具箱，选题、写稿、排版、发布的全部规矩和脚本都打包在里面，公众号的文章就从这条流水线上下来。过去两个月，我和上一代 Claude 一起，往这本手册里攒了两三百条写作规则：禁用词表，句式黑名单，字数配额，连”此外”这种连接词都限制了使用次数。规则越攒越多，文章越写越顺 — 顺是顺了，味道没了。我说不清问题在哪，只能把感觉原样交给它：“因为现在你的模型升级了，我想用你现在升级后的模型，再重新分析一下。”

它接活的方式跟我想的不一样。没有”好的我来优化”，它先派了九个分身进去查账 — 分身就是它雇的临时工，行话叫 agent，九个临时工同时翻那套系统的每一份文件。十八分钟，烧掉一百六十万 token(AI 的计费单位，粗暴换算，相当于一百万汉字的阅读加写作量)，翻完了。

这十八分钟里它干的第一件事，其实是修自己：派工的脚本少写了一个词，跑不起来，它十秒钟内发现、改掉、重跑。新员工上岗第一小时，先把自己工位的螺丝拧紧，再去拆别人的。

八点二十四分，它交上来一份报告：五条病根，十二条改法，七条”明确不做”，六个要我拍板的分歧，合计三十条结论。底下还垫着一层证据 — 它把我上一篇文章逐段读了一遍，标出 28 处”读着卡”的位置，一处一处对着规则库找凶手。

凶手不是哪条规则写错了。凶手是这套系统的来历。

它挑出来的雷，几乎每颗都带着年份。磨稿检查清单里有两条规则，正文 6 月 7 日就废了，清单上忘了删 — 每次磨稿打钩，被废掉的旧规矩就借尸还魂一回。公司明明废了制度，墙上的考核表没摘，新员工照着墙干活。还有一处，5 月 27 日的架构评审白纸黑字建议改掉一行代码，建议归了档，代码一个字没动 — 前任自己提过的正确意见，前任自己没执行。最绝的是声纹机制：系统里建了个”攒够 30 段作者亲笔语料就启动”的功能，而语料计数器从建成那天起就停在 0。阈值 30，计数 0，这个功能建了个壳，从来没通过电。

连规则跟规则都在打架。一条规则把”此外""另外”这类连接词的配额压到近乎为零，理由是 AI 爱用；同一份文件往下翻，它自己引用的吴晓波语料里，每个所谓”AI 连接词”合法出现 150 次以上。自己的证据反对自己的规则，这份文件挂了一个多月，没人吭声。

看到这里我没觉得它厉害，我觉得后背有点凉。这些雷没有一颗是 Fable 5 时代埋的 — 它 6 月 10 日才上班。每一颗，都是上一代 Claude 和我，你一锹我一锹亲手埋的。

它的总诊断只有一句：上一轮改造方向是对的，但停在了文档层，没进执行层。翻译成人话：新规章写进了员工手册，可车间师傅干活看的是工位卡，工位卡没换。

十二条改法里最让我意外的是配比：只有一条是新增规则，其余十一条全是删、降、合并。挑五条有代表性的：

• 删掉”温度词汇池” — 原规则每次写作硬塞 107 个”有温度的词”让它往文里撒，这次整池端走；
• 废除问句式收尾 — 我前三篇文章篇篇拿提问结尾，不是巧合，是规则规定的；
• 给连接词松绑 — “此外""另外”从近乎禁用降回正常词，判罪标准从”用没用”改成”用得密不密”;
• 唯一的新增：八类”导游腔”句式 — “我们不妨来看”这种招呼读者、替读者回头看的报幕腔 — 交给机器拦截，不再占模型的注意力；
• 范文配比反转 — 以前是三百条规则配零篇范文，现在每次动笔自动塞进一整篇真人好文，范文的字数不少于规则的字数。

报告里有句话我原样抄在这里 — “AI 腔是预训练分布偏置，规则压不动，范文压得动。“大白话就是：给它定三百条家规，不如塞一整篇真人写的好文章给它看。一个背着三百条家规说话的人，每句都合规，连起来就是不像人。

我看完报告，回了九个字：“好，有没必要分批，是否可一次性修改。”

它当场把自己方案里”分批验证”的部分也推翻了 — 分批的唯一价值是出问题能归因，这事用提交记录的粒度就能替代。然后一口气干到九点零九分：十二条全部落地，每条单独存档，改动 25 个文件，178 项自动测试全数通过。

第一案，从派活到结案，73 分钟。

第二案：它调查了自己为什么没上头条

第二个活是八点零九分派的，跟第一案并行。

我有一份全自动的 AI 晨报，背后同样是个自建 skill，叫 sandy-morning-cards：每天凌晨五点，系统自己抓全球新闻，自己挑，自己写，自己发，跑了一个多月。我的不满也攒了一个多月：“经常发现有一些重大新闻，其实里面是没有的，并不能让人感觉早上一起来就好像把全球所有的当天发生的 AI 的重大消息给搜罗过来了。”

派活的时候我没意识到，当天早上的晨报就是现成的案发现场。6 月 10 日这期，头条给了 Gemini 的一个翻译功能；Fable 5 — 那个凌晨刷屏全网的发布 — 缩在速递区第三条，内容还是从一个第三方博主的转述里抓来的。

也就是说，我派 Fable 5 查的第一桩悬案，受害者是它自己。

我的预判是信源不够，得加。它查了 41 分钟 — 又是十个分身，又是一百五十万 token — 回来第一句话就把我的预判掀了：不是信源不够，系统里挂着 94 个信源；是自家算法层有两个死代码级 bug，外加三个结构性偏置。它回查了一个月的漏报记录，十一条该报没报的大新闻里，四分之三是”抓到了，但没选上”。

货进了仓库，是分拣线把它扔了。

分拣线怎么扔的，它拆出一条完整的死亡链。第一环：Anthropic 官方博客这个信源，静默死亡 38 天 — 不报错，就是抓不到东西，而监控只防”报错”，不防”沉默”。门卫只管有没有人闹事，不管这家店是不是早就关门了。第二环：官方账号那条”Introducing Claude Fable 5”的发布推文，被系统打了 0.001 分 — 先被当成转发垃圾扣 3 分，格式又在中转时弄花再扣 2 分。第三环最荒诞：新闻池里其实躺着 42 条 Fable 5 相关报道，但系统有条”防霸屏”规则，同一件事报道越多，每条扣得越狠 — 42 条互相残杀，全军覆没，头条让给了只有 3 个信源在谈的翻译功能。事件越大，单条分越低。这条规则把”全网都在说”当成了噪音，而它本来是重要性本身。

真正让我坐直了的，是第四环。

系统里有个”旗舰发布优先”机制，专门保证大模型发布必上头条。这机制哪来的？5 月 29 日，上一代 Claude 为了修复”Opus 4.8 发布漏报”事故，亲手建的。它把旗舰模型的名字写成一条匹配规则：opus、sonnet、haiku、gpt、gemini……

它只写了自己那一代的名字。12 天后 Fable 5 发布，这条规则不认识 fable，也不认识 mythos。为修上一次发布漏报建的机制，精确地漏报了下一次发布。

配套的还有一对雷。跨日去重 — 防止同一条新闻连报三天的那个功能 — 写的时候读错了字段名，从上线第一天起就 100% 失效；而测试它的样例数据，错得跟代码一模一样，于是测试天天全绿。答案抄错了，对答案用的标准答案是从同一个地方抄来的。一个多月里，某媒体的招聘帖在我的晨报里露了四次脸，没有任何环节吭一声。

它复核完，还纠正了我两个判断。我说要加信源，它说补源不如先救活死源；我看同行的晨报头条比我准，有点焦虑，它查完说，人家头条是人工挑的，上午十点半才发，“我们的五点全自动是差异化优势，不必自卑”。

一个上班第一天的员工，劝老板不必自卑。

后面还有个余震，得如实记下：修去重规则的时候，新规则差点把 Fable 5 的发布第二次踢出晨报 — 6 月 8 日有过 Mythos 的偷跑爆料，新去重把 6 月 10 日的正式发布当成了旧闻。测试自己暴露的，当场补上。

照着这份报告，晨报系统当天大修一轮，版本号直接跳到 v2.0。改动落到地上是这样几条：去重窗口从 3 天拉长到 7 天；“防霸屏”倒挂改成”同一事件聚成一簇，信源越多越靠前”；财经新闻上了配额，每期最多两条；官方账号进了白名单，不再被当垃圾转发；监控补上”连续零条也要报警”，死了 38 天没人知道的事，不会再有第二回。

两案看到这里，我对这套系统的判断也变了：它不是烂，它是每一代修补都只看得见自己那个时代的 bug。

账单来得比惊喜快

两个案子并行跑到上午，我截了张额度图，配的话原样贴在这里：

“这个消耗很快，基本上你看我做了一个 write skill 和晨报 skill 的复核，晨报的修正还没完成，5小时的额度就消耗了60%多。这是我之前用20x从来没有出现过的。”

面板上的数字比我说得还难看一点：9 点 17 分，5 小时窗口已经烧掉 63%，距离重置还有三个半小时。用 Opus 4.8 的那一个多月，这个条几乎没让我抬过头 — 20x 档的额度，以前的体感是用不完的。

额度这件事，官方没藏着。claude.ai 里选中 Fable 5，界面直接弹一行小字：用量约为 Opus 的 2 倍。API 价格也是明牌，10 美元对 5 美元，50 对 25，刀刀两倍。我跑到一半还专门另开窗口问了句”Fable 跟 Opus 4.8 的额度差几倍”，它列了张表确认是两倍，又补了句安慰：实际消耗未必正好翻倍，它干同样的活，用的步数更少。

把这两件事叠一块，我的体感是：Fable 5 烧得比 Opus 4.8 快不少 — 这里头也有 Claude Code 新出的 workflow 的份，多个 agent 同时开工，本来就比单线干活烧得快。

安慰归安慰，九点十六分，我还是把模型切回了 Opus 4.8。

这个动作得交代清楚，因为它是这一天里最像职场的一幕：Fable 5 的第一班岗，从 7 点 57 分到 9 点 09 分，73 分钟，交完报告、落完改造，然后被老板换下场 — 不是干得不好，是太贵了。写作系统那一案，它从头干到尾；晨报案，它干完了全部侦查，后半场改代码的体力活，是便宜一半的前任 Opus 4.8 照着它的报告接力干完的。

换下场之后我才咂摸出味道：这可能才是两倍价钱的正确花法。贵的当侦探，便宜的当施工队。在一百多份文件里看出”测试和代码错得一模一样”，从 42 条报道的集体阵亡里倒推出一条死亡链，这是智力活，值两倍；照着十二条方案改文件是体力活，上一代干得动。

该交代的还有一句：到我写这篇稿子时，晨报那一案的修复还压在工作区没上线，服务器上四个死掉的信源也还躺着。第一天，它没把所有事做完，它只是把所有事查清了。

贵一倍的员工，该怎么用

两案合卷，我得到的不是”Fable 5 比 Opus 4.8 强百分之几”，而是一份自家系统的体检单：写作案 30 条结论，晨报案 36 个细分问题。这些问题昨天就在，上个月就在 — 上一代模型看不见，或者看见了将就着跑。新模型第一天没让我的产线提速，先让整条产线报了警。

至于”比 Opus 4.8 到底强在哪”，干完这一天，我给得出三条体感，都不在跑分表上：

• 看得更深。“测试和代码错得一模一样”这种雷，上一代陪着我改了一个多月没看见，它 41 分钟挖了出来；
• 更敢说不。三十条结论里有七条是”明确不做”，九条激进方案是它自己毙掉的；我的两个预判错了，它当面纠正，不顺着老板说话；
• 干得更完整。一句拍板，它自己拆解、实施、测试、存档，73 分钟交全套。同一套系统，上一代改了一轮又一轮，方向是对的，手停在半路。

它比上一代强的，主要不是文笔，是判断。判断这种东西跑分表测不出来，得给它真活。

回头看，警报才是这一天最值钱的产出。你用 AI 搭过的每一个流程 — 一段提示词，一条自动化，一套筛选规则 — 都是某一代模型智力水平的化石。模型换代，化石不会自己升级，只会继续埋在原地，等一个更聪明的家伙来挖。所以新模型发布那天，与其追着问”它能帮我干什么新活”，不如先让它把存量的旧账翻一遍。这件事眼下还是字面意义上的免费：6 月 22 日之前，Pro、Max 这些订阅档都能直接用它，官方说容量够的话窗口还会延长，之后就得另买用量积分。这两周想试的，拿自己的活试，别拿脑筋急转弯。

最后报一笔利益账。

给我的系统做体检的是 Fable 5，写这篇体检报道初稿的，也是 Fable 5。运动员兼裁判，这是这篇文章天生的毛病，我治不了，只能摊开：两案的每个数字都对得上提交记录和会话原文；30 条结论里，12 条落了地，7 条是它自己反对执行的，6 条还压在我这儿没拍板；晨报案那些更激进的方案里，有 9 条是被它自己派去唱反调的分身审查毙掉的。一个急着讨好老板的员工，不会把”明确不做”写得比”我能做”还认真。

还有个细节，算这场自指游戏的封口。它上午给写作系统立的新规矩里，有一条是废除问句式收尾 — 我过去三篇文章，篇篇拿提问结尾，它认定这是套路。所以这篇文章，从头到尾运行在它定的新规矩之下，包括眼下这个不许提问的结尾。

模型换代，现在是按周排班的：Opus 4.7 到 4.8，隔了 42 天；4.8 到 Fable 5，只隔了 12 天。每一代都比上一代聪明，每一代也都在埋自己看不见的雷。所以这两周的免费窗口，我的建议具体到动作：别光拿它聊天，把你最熟的那摊活交给它看一眼 — 一段天天在用的提示词，一条跑了很久的自动化，让它当一回侦探。它交回来的那份体检单，比任何跑分表都更接近”它对你有没有用”的答案。

至于 Fable 5 自己，今天多半也埋下了几颗雷。现在谁都看不见；看得见的时候，挖雷的就该是下一只蝴蝶了。