Anthropic推出最強模型Fable 5.1！評測跑分史上最高、降價 75%，單一任務成本為何反而貴2成？|數位時代 BusinessNext

Anthropic 於美國時間 9 月 1 日發表新一代旗艦模型 Claude Fable 5.1 與 Claude Mythos 5.1。兩者是同一個模型，差別在防護等級：Fable 5.1 全面開放，Mythos 5.1 僅提供給通過審核的資安與生命科學專業人士及機構。

新模型在第三方評測機構 Artificial Analysis 的智慧指數拿下 66 分，是該機構測過的最高分；Anthropic 同步把快取讀取價格調降 75%，但同一份評測的試算顯示，實際跑完一項任務的成本反而比前代貴 2 成。

同一個模型、兩種門檻：Mythos 為何要審核？

目前，開放給大眾使用的 Fable 5.1 已經在各大雲端平台（如微軟、Google）全面上線，所有人都能用；至於開放給專家使用的 Mythos 5.1，這次「安全限制」大幅放寬，以支援那些因為工作需求（如病毒研究、找漏洞），卻老是被 AI 防護機制拒絕回答的資安與生科專家。目前只開放給美國機構（資安或生科領域），未來會逐步擴大。

以前 AI 常因為「太過小心」而誤擋正常指令，這次 Fable 5.1 將這種「誤殺率」大幅降低了 60%。它可以幫你找出軟體漏洞，但依然嚴格禁止幫忙寫駭客攻擊程式。

Anthropic 這次也推出了新機制（EFS），讓企業可以直接把資料存放在自己的雲端裡，不需要傳到 Anthropic 的伺服器，做到完全不留痕跡。這項新功能預計 2026 年秋季分批上線。

而為了避免 AI 生成內容遭濫用，Fable 5.1 寫出來的所有文字都會加上隱形浮水印。不過，目前只有特定機構才有專屬工具能偵測出這個浮水印。

跑分登頂，單一任務成本卻反升 2 成

Artificial Analysis 參與了 Fable 5.1 的發布前評測。在該機構整合多項基準測試的智慧指數（Intelligence Index）上，Fable 5.1 以最高推理強度拿下 66 分，超越 Claude Opus 5 的 63 分、前代 Fable 5 的 62 分，以及 GPT-5.6 Sol 與 Grok 4.6 的 61 分。

官方測試的落差更大。在 Terminal-Bench-Science（讓模型自主操作電腦完成科學研究任務的實測）上，Fable 5.1 拿下 52.6%，是前代 24.7% 的兩倍以上。Anthropic 也舉了實例：投資公司 Millennium 在測試中讓 Fable 5.1 找出內部系統一個罕見當機的原因，這個問題該公司工程師和其他模型追了數年都無法解釋。

價格方面，輸入與輸出單價不變（每百萬 token 各為 10 美元與 50 美元），但快取讀取費用從每百萬 token 1 美元降到 0.25 美元。快取讀取指模型重複讀取先前已處理過的內容，在長時間、多步驟的 AI 代理任務中占成本大宗。Anthropic 估計，典型工作負載的總成本可因此降約 25%，高度代理型任務最多省 45%。

不過 Artificial Analysis 的試算給出另一面：以最高推理強度跑完智慧指數的一項任務，Fable 5.1 平均花 3.76 美元（約新台幣 119 元），比前代的 3.14 美元貴 20%。原因是新模型完成同樣任務的輸出 token 用量約是前代的 1.7 倍。換句話說，快取降價省下的錢，追不上輸出量的增加；該機構估算，若沒有這波降價，單一任務成本還會來到約 5.16 美元。

要留意的是，Anthropic 的「典型工作負載省約 25%」與第三方的「單項任務貴 20%」並不直接矛盾，兩者採用的工作負載組合與推理強度不同，前者是一般使用情境的平均帳單，後者是最高推理強度下的基準測試單題成本。

該評測也點出跑分之外的代價：Fable 5.1 答題更敢出手，在沒答對的題目中選擇硬答（而非承認不知道）的比例，從前代的 63.6% 升到 72.6%，幻覺因此變多。

AI 開始做科學：重繪金星地圖、設計蛋白質

這次公告最不像「模型發布」的部分，是 Anthropic 用大量篇幅展示 AI 做科學研究的實例，並稱這些成果是「AI 模型將對科學發現做出重要貢獻」的早期證據。

Fable 5.1 以 NASA 麥哲倫號（Magellan）探測器 30 多年前拍攝的雷達影像，加上既有涵蓋金星五分之一表面的地圖，訓練神經網路重建出金星約三分之一表面的高程地圖：地形細節從過去 10 至 20 公里的解析度提升到 2 至 3 公里，高度精確度最多改善 25%。這份地圖已以創用 CC 授權公開，趕在 NASA 的 VERITAS 與歐洲太空總署的 EnVision 兩項金星任務之前，供未來觀測選點參考。

生物領域的成果來自 Mythos 5.1。在蛋白質結合體設計（許多新藥開發的第一步，目標是設計出能緊咬病灶標靶的蛋白質）上，12 個標靶的實驗驗證命中率接近 50%，遠高於業界典型的 10% 到 15%。它也替 7 個開源生物運算模型手寫 GPU 加速程式，最高讓推論速度快 2.5 倍，估計可省下 30% 到 60% 的 GPU 運算成本；這類最佳化過去要一組效能工程師花數週，模型幾天內完成。

延伸閱讀：Discord跟LINE有什麼不同，為何Z世代都在用？新手教學：伺服器、頻道、身分組設定一次懂

本文初稿為AI編撰，整理．編輯/ 李先泰

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。