Claude Fable 5.5 和 Opus 5.5：提升多少才值得换？
现在能比较什么？
| 决策信息 | Opus 5.5 基线 | Fable 5.5 候选项 |
|---|---|---|
| 身份与访问 | 使用当前有文档的路由，并验证自己的账户 | 所查来源尚未确立 |
| 任务质量 | 在自己已通过和已失败的任务上衡量 | 本文没有已验证结果 |
| 成本与延迟 | 记录实际费用、重试与耗时 | 需等可调用路由具备评估条件 |
| 生产角色 | 满足要求即可保留 | 尚未决定；版本号不是验收测试 |
新 Fable 面对的基线，已经不是旧 Opus
xhigh，发布表中多数其他 Opus 成绩使用 max。这是厂商对 Opus 5.5 和 Fable 5.1 的评估，既不是 Fable 5.5 的成绩，也不是 EvoLink 路由实测。 Anthropic 还说明，评测启用了生产环境的安全防护：防护介入时，网络安全任务由 Opus 4.8 接手，生物学或前沿大模型开发任务由 Opus 5 接手。应把这些成绩理解为该评测配置的结果，不能认为每个任务都只由 Opus 5.5 完成。medium，Fable 5.1 为 high。相同窗口不能回答谁能更好地提取信息；不同默认档位则意味着“不改设置直接比较”可能比较的是不同运行条件。未来评估 Fable 5.5 时，应分别记录独立任务数、所有尝试数、首次通过和最终通过。一个标题百分比会掩盖模型究竟改善了首次回答，还是靠重试完成更多任务。真正适合拿来决定分流的，是 Opus 在你的实际预算内仍未解决的任务；高价候选模型需要在这组任务上证明价值。
选择真正可能影响切换的任务
泛泛地问“哪个模型更聪明”，通常无法解决生产选型问题。应先找一个改善结果具有明确业务价值的工作负载，同时纳入日常任务，避免困难样例上的进步掩盖常规流量的退步。
| 工作负载 | 什么算成功？ | 需要记录的失败 | 切换要回答的问题 |
|---|---|---|---|
| 多文件代码修改 | 指定测试通过，目标行为确实改变 | 只修一部分、引入回归、虚构 API | 是否减少审查和返工？ |
| 基于来源的研究 | 结论得到所给证据支持 | 无依据推断、遗漏限制条件 | 是否在不增加事实核查负担的情况下，提高验收通过量？ |
| 工具驱动工作流 | 参数正确，最终状态符合预期 | 工具选择错误、参数无效、重复副作用 | 是否更可靠地完成整个流程？ |
| 常规结构化抽取 | 通过结构与字段级检查 | 格式合法但字段错误 | 在这个调用量下，额外费用或延迟是否值得？ |
这些是建议的任务类别，不是对任一模型已支持功能的断言。只有路由文档与请求验证确认支持后，才测试对应功能。
直接测试跨文件推理与上下文利用
基线与候选模型使用相同样例。以上是建议的测试案例，不是模型输出；少量通过不能建立普遍排名。
接入确认后，怎样做受控比较？
运行候选模型前，冻结一组有版本号、包含预期结果的任务。既包含 Opus 的成功案例，也包含失败案例；只测已知失败，可能让候选模型显得很有吸引力，却看不到它破坏了什么。用于调提示词的开发集，应与最终决策使用的保留测试集分开。
保持输入数据、工具定义、工具环境与评分标准不变。记录精确路由 ID、日期、请求设置、提示词版本与重试策略。不要默认两个模型中同名参数或同名 effort 档位具有相同含义。如果分别需要不同的受支持设置，应公开这些设置，并在相同预算与延迟约束内比较完整配置。
对输出有波动的任务重复运行。条件允许时，让关键案例的审查者看不到模型标签。公开数量与分母，不只给百分比：“20 项中有 18 项通过”能同时说明样本规模。保留有争议的判定记录，不要把小规模回放扩大为普遍性能结论。
把 API 比较与 Claude Code 工作流比较分开
两种实验都有价值。工作流测试回答团队能否在真实环境中更有效地完成任务，却不能单独分离模型、上下文组装和编排各自造成的差异。如果两轮运行中的外围配置同时变化，应把结果标为配置比较，而不是把全部收益归给 Fable 5.5。
比较每个通过验收任务的成本
Token 单价只是工作流成本的一部分。应统计评估窗口内所有尝试的费用，包括失败、重试、工具费用与适用的缓存费用，再除以采用同一验收标准通过的任务数量：
如果没有任务通过，不要报告有限的单任务成功成本，应同时写明通过数为零和总支出。人工审查时间单独记录；如果要折算为金额，应明确说明所用工时单价与假设。
| 评估费用明细 | 配置 A | 配置 B |
|---|---|---|
| 所有尝试中的非缓存输入费用 | 3 美元 | 4 美元 |
| 所有尝试中的输出费用 | 5 美元 | 6 美元 |
| 所有尝试中的缓存读写费用 | 1 美元 | 2 美元 |
| 所有尝试中的额外工具费用 | 3 美元 | 3 美元 |
| 总费用 | 12 美元 | 15 美元 |
| 同一组 12 个任务中的通过数 | 8 | 12 |
| 每个通过任务的成本 | 1.50 美元 | 1.25 美元 |
每笔费用只归类一次。失败尝试和重试已经包含在各类别合计中，再加一行“重试费用”会重复计算。应对照实际账单核对分类，因为路由的 usage 字段可能把缓存 Token 包含在更大的输入总量内，不能先按非缓存费率计算整个输入总量，再重复加上缓存费用。
这个示例中，配置 B 的评估总支出更高，但每个通过任务的成本更低。如果它超出硬性延迟上限或产生严重错误，仍可能不适用。冷启动与重复上下文的运行应分开记录，避免用热缓存结果掩盖首次运行成本。
| 单次请求的 Token 构成 | Opus 5.5 | Fable 5.1 | Fable / Opus 成本比 |
|---|---|---|---|
| 100,000 非缓存输入；无缓存读取；2,000 输出 | $0.4400 | $1.1000 | 2.50× |
| 10,000 非缓存输入；90,000 缓存读取；2,000 输出 | $0.0980 | $0.2225 | 2.27× |
| 10,000 非缓存输入；900,000 缓存读取；2,000 输出 | $0.2600 | $0.4250 | 1.63× |
(10,000 × 4 + 90,000 × 0.20 + 2,000 × 20) / 1,000,000 = $0.098。长历史且缓存已命中的示例缩小了倍数，但没有让 Fable 更便宜，也没有包含建立缓存的费用。真实模型还可能消耗不同数量的 Token，因此应按实际请求构成和适用的 EvoLink 路由费率重算，不能把整张账单直接乘以 2.5。C 为每个提交任务的平均 API 与工具总支出，包含重试；p 为这些任务的验收通过比例，则每个通过任务的 API 成本为 C / p。若候选任务成本倍数为 r = C_candidate / C_Opus，只有 p_candidate > r × p_Opus，它才能降低这一成本。假设基线通过率 80%、候选任务成本为 1.5 倍，候选通过率需要超过 120%，在这个只看 API 成本的口径下不可能实现。若它能节省足够的人工或避免高代价失败，仍可能值得使用，但需要另行估值。这也解释了为什么只升级特定困难任务，可能比替换全部 Opus 请求更合理。只让 Fable 做 advisor，真的能省钱吗？
在相同任务上比较三种配置：当前 Opus 工作流、采用有文档且实际可用配对的 Opus + advisor，以及仅在验证后才纳入的“候选模型作为主模型”。每种配置都统计整个流程，包括主模型请求、咨询、工具费用、重试与最终验收。
保留、按任务升级，还是整体替换？
在看到候选结果之前先确定验收规则。规则应反映应用特点：即使平均质量提升，严重工具错误也可能足以否决放量。明确可接受的最大延迟、支出，以及由谁处理有争议的输出。
- 保留 Opus： 当前配置满足要求，而候选模型尚未证明具有实际收益。
- 只升级部分任务： 已验证的候选模型能改善可识别的困难任务，但会给其他任务增加不必要的成本或延迟。路由分类规则本身也要测试，误分流可能抵消收益。
- 替换默认模型： 只有代表性流量上的质量、严重错误、延迟和成本都达标，并有已测试的回退方案，才考虑更改默认项。
EvoLink 的统一网关可以把模型选择保留在共同接入层，但不意味着模型行为可以互换。应核对每条路由的契约，在访问验证完成前不配置候选项，先审查有限流量的结果，再扩大量级。
常见问题
Fable 5.5 比 Opus 5.5 更好吗？
本文没有经过验证的双模型对比结果。所查来源尚未确认 Fable 5.5 的身份、访问与行为，因此不能判断胜负。
应继续默认使用 Opus 5.5 吗？
如果当前默认配置满足要求，就保留它，直到经过验证的替代项通过自己的评估。正确决策取决于任务结果、延迟与总成本。
型号更大或版本更新，是否意味着代码能力更强？
不能这样推断。应使用有明确预期修改与回归检查的仓库任务；名称不能证明它能在你的代码库中成功。
两个模型是否应该采用完全一样的 effort 设置？
只有文档证明这些设置有实际可比性时才这样做。否则应记录各自支持的配置，在相同运行约束下比较，并解释差异。
只看 Token 价格能决定吗？
不能。重试、输出长度、工具、缓存行为与失败任务都会改变总费用。应使用同一成功定义，比较每个通过任务的实际支出。
如果候选模型只在困难任务上胜出怎么办？
确认访问与行为后，可以考虑按需升级路由，同时统计决定哪些请求需要升级所产生的费用与错误。
这是 EvoLink 的性能实测吗？
不是。本文没有进行 Fable 5.5 鉴权调用。任务矩阵、评估流程和算术示例都是评估辅助材料，不是模型实测结果。
到哪里核查发布状态？
来源与适用范围
- Anthropic 模型概览：已有文档模型的选型建议与身份核查。
- Anthropic 新闻：发布证据核查。
- EvoLink Opus 5.5：当前产品与价格参考。
- Claude Code advisor 官方文档：advisor 上下文、额外用量与缓存行为，不作为 Fable 5.5 支持证据。
