返回模型列表

Anthropic: Claude Fable 5在线

anthropic/claude-fable-5
对比对话

Anthropic: Claude Fable 5 是 Anthropic 的 Mythos 级模型,专为自主知识工作和编程而设计。它接受文本、图像和文件输入,生成文本输出,并有推理能力以及 100 万 token 的上下文窗口。该模型擅长处理曾经需要频繁人工监督的长期、复杂和异步任务。其核心优势在于处理通常需要人类花费数小时、数天甚至数周才能完成的端到端工作——解决那些扩展的、模糊的或涉及多个相互依赖步骤的问题。它能以极少的错误执行明确定义的任务,通过内置的验证循环进行自我纠正,并配备了强大的安全保障措施。

由:Anthropic输入类型:输出类型:发布时间:2026-06-09

供应商

在多个供应商之间路由请求。复制供应商标识以设置偏好供应商。

供应商缓存命中率上下文
Anthropic
anthropic
-$10/ 百万 token$50/ 百万 token读取:1/ 百万 token写入:12.5-20/ 百万 token1M2.47s49.7tps
Google Vertex
google-vertex
89.9%$10/ 百万 token$50/ 百万 token读取:1/ 百万 token写入:12.5-20/ 百万 token1M1.8s43.4tps

可用率

AI Gateway 直连请求及各供应商的成功率。

Oct 26, 17:19
Anthropic100.00%
Google Vertex100.00%

吞吐量

AI Gateway 实时流量的 P50 吞吐量,单位为每秒 token 数(TPS)。

Oct 26, 17:00
Anthropic49.7 tps
Google Vertex61.8 tps

延迟

AI Gateway 实时流量的 P50 首 token 延迟(TTFT),单位为毫秒。

Oct 26, 17:00
Anthropic2.47s
Google Vertex1.19s

活动

该模型随时间变化的 token 用量和请求流量。

Token 消耗
Oct 25
Anthropic390.6K
Google Vertex42.9M

按实际处理请求的供应商拆分 token 用量。区块越大,表示该供应商处理的模型流量越多。

基准测试

标准化评测得分。百分比越高越好,并展示排名百分位。

指标来源:Artificial Analysis

Apps

Public apps that send the most traffic to this model. Good signal for what real production workloads look like — and a hint at which use cases this model is best suited for. View All

Token 排行

相关模型

更多模型来自 Anthropic

Anthropic: Claude Haiku 5.5
37.47Btoken

Anthropic: Claude Haiku 5.5 是 Anthropic 迄今为止最经济、最快速且功能最强大的小型模型,专为高容量、成本敏感型工作负载而打造。它能以低延迟处理摘要、精简、数据库查询、分类和子代理编码任务,在实时客户支持、浏览器使用以及其他对速度要求极高的应用场景中表现尤为出色。

Anthropic: Claude Sonnet 5.5
68.34Btoken

Anthropic: Claude Sonnet 5.5 是 Anthropic 升级版的 Sonnet 级模型,性能强于 Claude Sonnet 5,同时运行速度提升超过 30%,且在许多工作负载下成本更低。它专为代理式编码、工具使用和日常专业任务而设计,非常适合开发人员和团队构建快速且功能强大的 AI 智能体。

Anthropic: Claude Opus 5.5
235.48Btoken

Anthropic: Claude Opus 5.5 是 Anthropic 旗下的旗舰模型,专为高要求的推理、编码和长周期智能体任务而设计,是 Claude Opus 5 的继任者。它在处理大型代码库的多步骤变更、代码审查与缺陷查找、金融与科学分析,以及解读密集型图表、示意图和截图方面表现尤为出色。与前代产品相比,它在引用数据和来源时更加严谨,确保仅陈述可证实的内容。 该模型以更少的步骤和 token 完成同类任务,并以更通俗的语言汇报工作成果,清晰地说明其操作过程、发现的问题以及需要用户配合的事项。模型思考过程始终保持自适应,所以“努力程度(effort)”是权衡深度、延迟和成本的主要杠杆,低努力程度的设置在对延迟敏感的工作负载中依然有效。