Claude Fable 5.1登顶智能体实战榜单
Claude Fable 5.1在6796次真实智能体会话中排名第一，但领先表现伴随着榜单最高的单任务成本。
实际会话撑起榜首成绩
Claude Fable 5.1 Max进入Agent Arena后直接升至综合榜首：基于6796次真实智能体会话，其相对榜单平均模型的净改善幅度为15.87%。9月5日的榜单快照显示，它领先于排名第二的Claude Opus 5 High；后者净改善幅度为12.68%，统计样本则达到22594次会话。
Agent Arena并非让模型回答一套固定试题，而是观察模型在实际工作流中调用工具的表现。综合指标涵盖经确认的任务成功、用户表扬与抱怨、按用户要求调整行为的能力、命令行操作失败后的恢复情况，以及工具调用幻觉。这类数据更贴近开发者挑选智能体底层模型时面对的真实问题，但任务构成和用户行为难以完全控制，严谨程度也不能与标准化实验直接等同。
Fable 5.1最突出的两项数据，是确认成功率相对提升22.45%，以及表扬相对抱怨改善42.45%。不过，后者的置信区间达到正负10.94个百分点。其可控性改善仅为0.58%，误差范围横跨正负两侧，目前不足以证明它在这一维度具备明确优势。
更强表现对应更高账单
实时榜单显示，Fable 5.1 Max每项任务的中位成本约为4.19美元，中位输出量约为5.15万词元，是领先梯队中最昂贵的选择。排名第二的Claude Opus 5 High每项任务中位成本约2.35美元，输出约3.02万词元。因此，Fable此次登顶证明的是更高的整体任务成效，并不意味着它在所有工作负载上都具有更好的投入产出比。
这一结果的重要性在于，企业采购智能体模型时越来越需要长流程、真实工具调用数据，而非单轮答题成绩。Fable 5.1取得了早期实战优势，但样本仍较小，可控性结论尚不稳定，词元消耗也明显偏高。随着更多会话进入统计，尤其是GPT-6 Astra开始积累数据，榜首位置仍可能变化。