اگر مدیر فنی هستید و وظایف پیچیده و خودکار کدنویسی را مدیریت می‌کنید، Claude Fable 5 جهشی عظیم در توانایی‌هاست؛ اما احتمالاً صورت‌حساب ماهانه آن با حقوق یک برنامه‌نویس جونیور برابری کند. این مدل که در ۱۰ ژوئن ۲۰۲۶ عرضه شد، نخستین عضو عمومی از «کلاس Mythos» است و به‌جای چت‌های سریع، برای کارهای سنگین و غیرهمزمان طراحی شده است.
این عرضه در حالی رخ می‌دهد که صنعت هوش مصنوعی از رابط‌های ساده‌ی چت به سمت گردش‌های کاری عامل‌محور (Agentic Workflows) — شبیه به داشتن کارمندانی که نه فقط حرف می‌زنند، بلکه تکالیف را تا انتها پیش می‌برند — حرکت می‌کند. در حالی که مدل‌های قبلی بر کمک‌های عمومی تمرکز داشتند، کلاس Mythos هدفش رسیدن به بالاترین سطح استدلال و مقیاس است. این استراتژی، Anthropic را در موقعیتی قرار می‌دهد تا مستقیماً با توانمندترین مدل‌های پیشرو OpenAI و گوگل رقابت کند و از لایه‌های سنتی Haiku، Sonnet و Opus فراتر رود.
درک کلاس «Mythos»
از نظر فنی، عنوان «Mythos» در هاله‌ای از ابهام قرار دارد. طبق گفته‌ی دن شیپر، مدیرعامل آنتروپیک، کارکنان این شرکت به او گفته‌اند که هیچ چیز خاصی در خودِ معماری وجود ندارد. در خانواده‌ی موجود شامل Haiku، Sonnet و Opus، عبارت «Mythos» صرفاً به بزرگ‌ترین و توانمندترین مدل در این رده اشاره دارد. سایمون ویلیسون، توسعه‌دهنده معروف، نیز گمان می‌کند موضوع همین باشد و اشاره می‌کند که Fable نه تنها از نظر سرعت و هزینه، بلکه از نظر حجم عظیم پایگاه دانش خود، «بزرگ» به نظر می‌رسد.
مدل Fable 5 نخستین نسخه‌ی عمومی از این کلاس است. این مدل مدل پایه خود را با Claude Mythos 5 به اشتراک می‌گذارد، هرچند نسخه‌ی دومی همچنان برای گروه کوچکی از کاربران محدود شده است. برای عمومی کردن Fable، آنتروپیک محدودیت‌های شدیدی (Guardrails) را برای مسدود کردن درخواست‌های مربوط به زیست‌شناسی، شیمی، امنیت سایبری و استخراج دانش مدل (Model Distillation) اضافه کرده است.
عملکرد و بنچمارک‌ها
به گزارش the-decoder.com، مدل Fable 5 در حال حاضر تقریباً در تمام تابلوهای امتیازات پیشتاز است. شکاف در دانش به‌ویژه چشم‌گیر است: در بنچمارک AA-Omniscience که میزان دانش و توهم مدل را می‌سنجد، Fable با کسب ۴۰ امتیاز، ۷ امتیاز از Gemini 3.1 Pro جلو زده است. این شکاف معمولاً با اندازه مدل در مدل‌های بازمتن (Open-weight) همبستگی دارد.
در شاخص هوش Artificial Analysis نیز این مدل با ۶۴.۹ امتیاز، حدود ۵ امتیاز بیشتر از نزدیک‌ترین رقیب خود یعنی GPT-5.5 کسب کرده است. در وظایف دنیای واقعی عامل‌محور که توسط GDPval-AA اندازه‌گیری شده، امتیاز Elo این مدل به ۱,۹۳۲ رسیده است. همچنین در آزمون «آخرین امتحان بشریت» (Humanity's Last Exam)، مدل Fable به دقت ۵۳ درصد دست یافت که بیش از ۷ درصد بالاتر از Opus 4.8 است. نکته تکان‌دهنده این است که طبق گزارش‌ها، تنها یک بار اجرای این تست خاص، حدود ۲,۲۰۰ دلار هزینه داشت که شامل هزینه‌های بازگشتی (Fallback) نیز می‌شد.
در حوزه کدنویسی، این مدل یک جهش نسلی را نشان می‌دهد:
- SWE-bench Verified: امتیاز ۹۵٪
- Vibe Code Bench: امتیاز ۹۰.۳۵٪ (جهشی عظیم نسبت به امتیازات زیر ۲۰٪ که شش ماه پیش دیده می‌شد)
- FrontierCode: بالاترین امتیاز ثبت شده توسط ابزار کدنویسی Devin
- Senior Engineer Benchmark: امتیاز ۹۱ از ۱۰۰ (در مقابل ۶۳ برای Opus 4.8 و ۶۲ برای GPT-5.5)
با این حال، برخی منتقدان در Hacker News معتقدند این پیشرفت تدریجی است و نه انقلابی، و احتمال دارد مدل روی داده‌های بنچمارک بیش‌برازش (Overfitting) شده باشد. سایمون ویلیسون اعتراف کرد که برداشت‌های مثبت او تاکنون «صرفاً بر اساس حس کلی» (All vibes) بوده و هنوز یک تست علمی و مقایسه‌ای رسمی انجام نشده است.
گردش کار «وارپ درایو»
کاربران اولیه این مدل را «وارپ درایو» (Warp Drive) برای کارهای بزرگ توصیف می‌کنند. پروفسور اتان مولیک این موضوع را با استفاده از Claude Code به نمایش گذاشت؛ او از Fable خواست تا یک نقشه زمانی سفر (Isochrone travel time map) پژوهشی بسازد. مدل به‌طور خودکار عامل‌های فرعی ارزان‌تری را به خدمت گرفت تا داده‌های بیش از ۲,۲۰۰ مسیر پرواز، برنامه‌های قطار و سرعت جاده‌ها را از مقالات دانشگاهی استخراج کرده و کدها را به‌صورت موازی نوشته و تست کند.
سایر کاربردهای سطح بالا و تاثیرگذار شامل موارد زیر است:
- رندرینگ سه‌بعدی: ساخت یک رندر سه‌بعدی قابل پیمایش از «کتابخانه بابل» اثر بورخس.
- ابزارهای پژوهشی: ساخت ابزاری برای کالیبره کردن قضاوت‌های انسانی و AI که تکمیل آن ۹.۵ ساعت زمان برد.
- تحلیل تجاری: تحلیل یک نظرسنجی که به گفته دن شیپر، مشکل نرخ تبدیل (Conversion) را دقیق‌تر از هفته‌ها کار انسانی شناسایی کرد.
اما این استقلال با کاهش کنترل همراه است. مولیک می‌گوید احساس می‌کند بیشتر شبیه به «مشتری است که چک امضا می‌کند» تا جادوگری که طلسم می‌خواند، چون صدها تصمیم کوچک مدل برای او نامفهوم و کدر است. همچنین سرویس CodeRabbit هشدار داده که در حالی که Fable در کارهای خودکارِ بدون جزئیات (Underspecified) عالی است، اما در دقتِ بازبینی کد (Code Review) از Opus 4.8 عقب‌تر است و گاهی اوقات وظایف را تا زمانی که سیستم آن‌ها را متوقف کند، ادامه می‌دهد.
تضاد بین امنیت و رقابت
بحث‌برانگیزترین بخش این عرضه، فیلترهای امنیتی سخت‌گیرانه است. Fable در ۸ تا ۹ درصد از وظایف، به‌خصوص در پژوهش‌های علمی، پاسخ را رد می‌کند یا به مدل ضعیف‌تر (Opus 4.8) بازمی‌گردد. گزارش‌ها نشان می‌دهد این فیلترها بیش از حد تهاجمی هستند:
- فیزیک پزشکی: یک فیزیک‌دان اشاره کرد که کلمه «هسته‌ای» (Nuclear) اغلب باعث مسدود شدن پاسخ می‌شود و مدل را برای حوزه کاری او غیرقابل استفاده می‌کند.
- زیست‌شناسی: درخواست‌هایی درباره بخش‌بندی تصاویر MRI به‌اشتباه به عنوان «تروریسم بیولوژیکی» طبقه‌بندی شدند.
- بهداشت عمومی: سوالی درباره انتقال مالاریا توسط پشه‌ها مسدود شد.
- امنیت: بازبینی‌های امنیتی پایه به عنوان ریسک‌های امنیت سایبری علامت‌گذاری شدند.
علاوه بر این، کارت سیستم ۳۱۹ صفحه‌ای مدل، وجود «مداخلات نامرئی» را افشا می‌کند. سایمون ویلیسون اشاره کرد که آنتروپیک به‌طور عمدی عملکرد مدل را زمانی که کاربر قصد طراحی شتاب‌دهنده‌های یادگیری ماشین (ML Accelerators) یا خطوط لوله پیش‌آموزش (Pretraining Pipelines) را دارد، کاهش می‌دهد. برخلاف فیلترهای سایبری یا بیولوژیکی، در اینجا هیچ بازگشت آشکاری به مدل ضعیف‌تر وجود ندارد؛ بلکه آنتروپیک به‌طور بی‌صدا پاسخ‌ها را از طریق بردارهای هدایت (Steering Vectors) یا تغییر در پرامپت دستکاری می‌کند. اگرچه آنتروپیک ادعا می‌کند تنها ۰.۰۳٪ از ترافیک تحت تاثیر قرار گرفته، اما جامعه توسعه‌دهندگان این اقدام را یک حرکت ضد رقابتی برای کند کردن رشد مدل‌های پیشرو رقیب می‌بینند.
اقتصاد هوش مصنوعی سطح بالا
برای بسیاری، هزینه Fable 5 غیرقابل تحمل است. در حالی که طرح‌های یارانه‌ای وجود دارد، صورت‌حساب‌های سازمانی می‌تواند تکان‌دهنده باشد. شرکت‌ها برای Harness هزینه جداگانه‌ای می‌پردازند و توکن‌ها با نرخ‌های استاندارد API محاسبه می‌شوند. یک توسعه‌دهنده گزارش داد که انتقال از طرح ثابت ۲۰۰ دلاری به صورت‌حساب سازمانی، هزینه Opus را به ۱۰,۰۰۰ دلار در ماه رساند و تخمین زده می‌شود هزینه Fable برای همان میزان استفاده، ۲۰,۰۰۰ دلار باشد.
در بازارهای خارج از آمریکا، این قیمت‌گذاری غیرمنطقی به نظر می‌رسد. برنامه‌نویسی که ماهانه ۲,۵۰۰ دلار درآمد دارد، استدلال می‌کند هیچ شرکتی ۲۰,۰۰۰ دلار در ماه هزینه نمی‌کند وقتی می‌تواند با همان مبلغ ۱۰ برنامه‌نویس اضافی استخدام کند. همچنین منتقدان می‌گویند چالش واقعی در نرم‌افزار، حل مسئله نیست، بلکه تعریف محدوده (Scope) و معیارهای پذیرش است؛ چیزی که AI هنوز در آن مشکل دارد و اغلب باعث می‌شود راهکارهای تولید شده دور ریخته شوند و دوباره ساخته شوند.
برای مدیریت هزینه‌ها، یک رویکرد ترکیبی در حال شکل‌گیری است: استفاده از مدل‌های ارزان‌تر مثل DeepSeek v4 برای کارهای روزمره و رزرو کردن Fable یا Opus برای برنامه‌ریزی‌های سطح بالا یا رفع باگ‌های سخت. یک گردش کار پیشنهادی شامل پیش‌نویس برنامه با Opus 4.8، ساده‌سازی آن توسط Fable و سپس انتقال به یک حلقه اجرای ارزان‌تر است.
محدودیت‌های فنی و سیاست داده‌ها
مدل Fable 5 دارای پنجره متنی (Context Window) یک میلیون توکنی و سقف خروجی ۱۲۸,۰۰۰ توکنی است و داده‌های آموزشی آن تا ژانویه ۲۰۲۶ به‌روز است. با این حال، محدودیت‌های نرخ درخواست (Rate Limits) بسیار سخت‌گیرانه است. برخی کاربران گزارش داده‌اند که کل پنجره پنج‌ساعته طرح Max خود را در یک جلسه مصرف کرده‌اند، در حالی که برخی دیگر می‌گویند تنها یک پرامپت باعث عبور از حد مجاز طرح Pro شد.
نکته حیاتی، معرفی سیاست جدید حفظ داده‌های ۳۰ روزه برای مدل‌های کلاس Mythos توسط آنتروپیک است. این قانون حتی برای کاربرانی که قرارداد «عدم حفظ داده» (Zero-data-retention) دارند اعمال می‌شود و یک مانع قانونی و امنیتی فوری برای بسیاری از مشتریان شرکتی ایجاد کرده است.
این تغییر نشان می‌دهد که اگرچه Fable 5 از نظر فنی یک «هیولا» است، اما توجیه تجاری آن به این بستگی دارد که آیا شرکت‌ها حل مسئله به‌صورت خودکار را ارزشمندتر از تعداد نیروی انسانی و حریم خصوصی داده‌ها می‌بینند یا خیر.
اگر قصد مهاجرت به این مدل را دارید، منتظر تغییرات ۲۳ ژوئن باشید؛ جایی که احتمالاً دسترسی‌های اشتراکی با یک سیستم مبتنی بر اعتبار (Credit-based) جایگزین می‌شوند تا فشار روی ظرفیت سرورها مدیریت شود.
گام بعدی شما
- اگر از Claude Code استفاده می‌کنید، برای کارهای پیچیده استدلالی از Fable 5 و برای بازبینی‌های دقیق کد از Opus 4.8 استفاده کنید.
- در صورت استفاده سازمانی، بندهای جدید حفظ داده‌های ۳۰ روزه را با تیم حقوقی خود بررسی کنید تا تداخلی با استانداردهای حریم خصوصی شما نداشته باشد.
- برای کاهش هزینه‌ها، گردش کاری «برنامه‌ریزی با Fable $\rightarrow$ ساده‌سازی با Opus $\rightarrow$ اجرا با مدل‌های ارزان» را امتحان کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو