Claude Fable 5 - model o klasę wyżej niż Opus. Co wnosi, co potrafi, czym się różni

9 czerwca 2026 roku Anthropic pokazał model, który wyłamuje się z dotychczasowego schematu. Zwykle nowa wersja jest „następcą” poprzedniej - Fable 5 został pozycjonowany o całą klasę wyżej niż Opus, w nowej rodzinie o nazwie Mythos. Na chwilę zniknął z dystrybucji (kontrole eksportu ze strony administracji USA), ale od 1 lipca 2026 jest znów dostępny - także na kontach abonamentowych. W tym artykule pokażemy, co ten model wnosi, jak wypada na benchmarkach i czym różni się od Opus 4.8. Wszystkie zrzuty pochodzą z naszego konta na claude.ai, z modelem ustawionym kolejno na Fable 5 i - dla porównania - Opus 4.8.

Czym jest Fable 5 i skąd rodzina Mythos

Do tej pory najmocniejsze modele Anthropic należały do klasy Opus. Fable 5 otwiera nową, wyższą klasę o nazwie Mythos. Ważne, żeby nie pomylić dwóch nazw, bo chodzi o ten sam „mózg” w dwóch wydaniach:

• Fable 5 to publicznie dostępny wariant z pełnymi zabezpieczeniami - z niego korzystamy w claude.ai i przez API.
• Mythos 5 to dokładnie ten sam model (te same wagi, czyli ta sama wyuczona „wiedza”), ale bez zabezpieczeń. Anthropic udostępnia go wyłącznie zaufanym partnerom w programie Project Glasswing - docelowo między innymi organizacjom cyberbezpieczeństwa i badaczom biomedycznym.

Zanim przejdziemy dalej, dwa pojęcia po polsku, bo będą wracać. Token to najmniejsza porcja tekstu, jaką przetwarza model - z grubsza kawałek słowa. Okno kontekstu to ilość tekstu, jaką model widzi naraz (im większe, tym więcej dokumentów, kodu czy historii rozmowy zmieści się w jednym zadaniu).

Na naszym koncie Fable 5 pojawia się w liście wyboru modeli, opisany jako „do Twoich najtrudniejszych wyzwań” - nad Opus 4.8 „do złożonych zadań”:

Co wnosi - możliwości modelu

Od strony parametrów Fable 5 obsługuje okno kontekstu do 1 miliona tokenów i potrafi wygenerować w jednej odpowiedzi do 128 tysięcy tokenów. Przyjmuje tekst i obrazy (jest multimodalny). Ale najważniejsza zmiana nie kryje się w liczbach, tylko w tym, jak długo model potrafi pracować nad jednym zadaniem.

Chodzi o zadania agentowe o długim horyzoncie. To takie, w których model wykonuje wiele kroków po kolei, przez dłuższy czas, pilnując celu i wracając do wcześniejszych ustaleń. Anthropic podaje, że Fable „utrzymuje uwagę przez miliony tokenów” - potrafi prowadzić jedno długie, wieloetapowe zadanie bez gubienia wcześniejszych ustaleń, od pierwszego kroku aż po gotowy wynik.

Kilka innych obszarów, w których model pokazuje pazur:

• Pamięć w plikach. Slay the Spire to strategiczna gra karciana, w której o wyniku decyduje planowanie przez setki kolejnych ruchów - dlatego służy do sprawdzania, jak model radzi sobie w długich zadaniach. Gdy Fable mógł zapisywać sobie notatki do plików i później do nich wracać - czyli miał własny „notatnik” poza oknem kontekstu, zamiast trzymać wszystko w pamięci naraz - grał trzy razy lepiej niż Opus 4.8. To praktyczny dowód, że model dobrze wykorzystuje pamięć zewnętrzną tam, gdzie sama pamięć modelu już nie wystarcza.
• Praca naukowa. Przy projektowaniu leków eksperci Anthropic, pracując z modelem, przyspieszyli pracę około dziesięciokrotnie. W projektowaniu białek model dorównał wykwalifikowanym specjalistom lub ich przewyższył w 9 z 14 zadań. Z kolei w biologii molekularnej naukowcy w mniej więcej 80% przypadków woleli hipotezy postawione przez Fable od tych z modeli klasy Opus.
• Wzrok. Fable potrafi grać w Pokémon FireRed, opierając się wyłącznie na obrazie z gry (bez podpowiedzi tekstowych), i osiąga czołowe wyniki w zadaniach wizualnych.
• Regulowany wysiłek rozumowania. Poziom „reasoning effort” (ile model „myśli” przed odpowiedzią) można podkręcać - im wyżej, tym więcej pracy model wkłada w jedną odpowiedź i tym więcej tokenów zużywa.

Tak wygląda praca z Fable 5 w oknie rozmowy: po lewej polecenie i odpowiedź modelu, po prawej gotowy, wyrenderowany wynik (tutaj grafika, którą model przygotował na podstawie opisu):

Jak wypada na benchmarkach

Anthropic pokazuje Fable 5 jako model osiągający czołowe wyniki na większości testów. Dwie liczby, w których widać różnicę wobec Opus 4.8 najwyraźniej, dotyczą kodowania:

Poza kodowaniem Anthropic raportuje, że na teście FrontierCode (od twórców Cognition) Fable ma najwyższy wynik wśród czołowych modeli nawet przy średnim poziomie wysiłku, w analityce jako pierwszy przekroczył 90% (skok o 10 punktów nad Opus), a w zadaniach finansowych osiągnął najwyższy wynik w rozumowaniu na poziomie seniora. Reguła, która się z tego wyłania, jest prosta: im dłuższe i bardziej złożone zadanie, tym większa przewaga Fable. Na krótkich, prostych poleceniach różnica potrafi być niewielka - co za chwilę zobaczymy na żywym przykładzie.

Czym różni się od Opus 4.8

Fable to nie „nowy Opus”, tylko wyższa półka za wyższą cenę. Najkrócej różnice wyglądają tak:

Cena jest kluczowa: Fable kosztuje mniej więcej dwa razy więcej. Opus 4.8 zostaje więc bardzo sensownym wyborem tam, gdzie liczą się koszty albo zerowa retencja danych - zresztą sam Fable używa Opusa jako „hamulca bezpieczeństwa” (o tym w następnej sekcji).

Żeby pokazać różnicę na żywo, daliśmy obu modelom dokładnie to samo polecenie przy tym samym, wysokim poziomie wysiłku: „narysuj kota jadącego na rowerze jako grafikę SVG”. To proste, żartobliwe zadanie rysowania kodem - najważniejsze, że oba modele dostały identyczne polecenie. Oto wyniki obok siebie:

Obie wersje wyszły dobrze - każdy model podszedł do tematu inaczej: Fable postawił na dynamiczną, pochyloną pozę z liniami ruchu, Opus dorzucił pełniejsze tło ze słońcem i łąką. Na tak krótkim zadaniu różnica jest w zasadzie kosmetyczna - i dobrze to ilustruje wcześniejszy wniosek: prawdziwy dystans między tymi modelami widać dopiero na długich, wieloetapowych zadaniach, a nie na jednym poleceniu.

Jak Fable pilnuje bezpieczeństwa

Skoro Mythos to mocniejsza klasa, Anthropic obudował publiczny wariant dodatkowym mechanizmem. W Fable 5 działa klasyfikator (mały model pomocniczy oceniający treść zapytania), który wrażliwe zapytania - z trzech wąskich obszarów wysokiego ryzyka, wymienionych niżej - kieruje do bezpieczniejszego Opus 4.8. Wygląda to tak:

Mechanizm uruchamia się rzadko: średnio w mniej niż 5% sesji. Wszystkie zapytania i odpowiedzi klasy Mythos Anthropic przechowuje u siebie przez 30 dni (to tzw. retencja danych - czas, po którym są kasowane) i nie używa ich do trenowania modeli. Odporność na obejścia zabezpieczeń wygląda solidnie - w ponad tysiącu godzin płatnego programu wyszukiwania błędów nie znaleziono uniwersalnego „jailbreaka”, a wobec 30 publicznych technik obchodzenia zabezpieczeń model nie wygenerował ani jednej szkodliwej odpowiedzi w pojedynczej turze. To także powód, dla którego Opus 4.8 - którego można używać z zerową retencją, czyli w ogóle bez zapisywania danych - bywa lepszym wyborem dla danych wrażliwych.

Realne przykłady działania

Cały ten artykuł zbudowaliśmy na dwóch zadaniach uruchomionych na naszym koncie - oto one w pigułce:

• Aplikacja w jednym pliku (kod). Jedno polecenie po polsku - „zbuduj interaktywny wizualizator algorytmów sortowania z ciemnym motywem, czterema algorytmami, suwakami i licznikami” - i Fable 5 zwrócił kompletny, uruchamialny plik HTML, który widzisz na grafice otwierającej ten artykuł. Estetyczny i działający za pierwszym razem, bez poprawek.
• Grafika na porównanie (SVG). To samo polecenie o kocie na rowerze na Fable 5 i na Opus 4.8. Oba modele poradziły sobie dobrze, a różnica okazała się drobna - co jest równie ważnym wnioskiem jak same benchmarki.

Z tego wychodzi praktyczna wskazówka, kiedy w ogóle sięgać po droższy model. Fable 5 zwróci swoją wyższą cenę tam, gdzie zadanie jest naprawdę długie i złożone: duży refaktor, wieloetapowa praca agentowa, trudna analiza czy badania naukowe. Do codziennych zadań, gdzie różnica jakości i tak nie przeważy dwukrotnego kosztu, Opus 4.8 albo Sonnet najczęściej w zupełności wystarczą. Warto też pamiętać, że model to jedno, a umiejętność pracy z nim to drugie - dopiero dobrze poprowadzony agent (jasny cel, kontekst, ograniczenia) pokazuje, na co go stać.

Jeśli chcesz zobaczyć na żywo, jak pracować z takimi modelami Anthropic w praktyce - od pojedynczego polecenia po zespoły agentów w narzędziu Claude Code - mamy na to konkretne szkolenie. Szczegóły o samym modelu znajdziesz też na oficjalnej stronie Anthropic.

✕