Claude Fable 5: najpotężniejszy model Anthropic i kiedy naprawdę go potrzebujesz

Anthropic ma teraz kilka rodzin modeli, a najłatwiej się w nich pogubić przy górnej półce. Claude Fable 5 (claude-fable-5) to najzdolniejszy szeroko dostępny model - stworzony do najtrudniejszego rozumowania i długich, autonomicznych zadań agentowych, gdzie model pracuje kwadransami bez trzymania go za rękę.

I od razu najważniejsza rzecz, bo tu ludzie robią błąd: Fable 5 nie jest domyślną ścieżką aktualizacji. Jego cennik jest wyższy niż tier Opus. Jeśli ktoś mówi “przejdź na najnowszy model”, docelowo chodzi o Opus 4.8, nie o Fable 5. Fable 5 wybierasz świadomie, do konkretnej klasy problemów.

---

Podstawowe fakty

Parametr	Wartość
Model ID	claude-fable-5
Kontekst	1M tokenów (maksimum jest też domyślne)
Maks. output	128K tokenów
Cena	$10 / $50 za 1M tokenów (input / output)

Dla porównania: Opus 4.8 to $5 / $25, Sonnet 5 to $3 / $15. Fable 5 kosztuje dwukrotnie więcej od Opusa na wyjściu. To nie jest model, którym karmisz masowy ruch. To model do zadań, gdzie koszt błędu albo koszt kolejnej iteracji jest wyższy niż różnica w cenie tokenów.

Jest też wariant Claude Mythos 5 (claude-mythos-5) - te same możliwości, cennik i zachowanie API, ale dostępny wyłącznie w programie Project Glasswing.

---

Myślenie jest zawsze włączone

To pierwsza rzecz, która łamie kod przeniesiony ze starszych modeli.

Na Fable 5 nie przekazujesz w ogóle parametru thinking. Adaptacyjne myślenie działa automatycznie. Każda inna konfiguracja jest odrzucana:

• thinking: {type: "disabled"} - zwraca 400,
• thinking: {type: "enabled", budget_tokens: N} - zwraca 400.

Głębokość rozumowania kontrolujesz przez output_config.effort (od low do max), a nie przez budżet tokenów na myślenie. Ten stary mechanizm budget_tokens nie ma tu następcy - effort to osobna dźwignia na poziomie całego wyjścia.

Druga konsekwencja: surowy łańcuch myśli nigdy nie wraca. Dostajesz zwykłe bloki thinking, ale ich treść zależy od display. Domyślnie ("omitted") pole jest puste; przy "summarized" dostajesz czytelne streszczenie rozumowania. Samo myślenie i tak się dzieje i jest tak samo rozliczane pod każdym ustawieniem - display steruje wyłącznie widocznością.

---

Minutowe tury: największa zmiana strukturalna

To jest punkt, który realnie zmienia architekturę aplikacji wokół modelu.

Pojedyncze żądanie na trudnym zadaniu przy wyższym effort potrafi biec wiele minut. 15-minutowa pojedyncza odpowiedź to norma, gdy zadanie obejmuje zebranie kontekstu, zbudowanie czegoś i samodzielną weryfikację.

Zanim wdrożysz Fable 5, zaplanuj:

• timeouty dopasowane do minutowych tur, nie sekundowych,
• streaming, żeby nie wpaść w limity czasu żądania,
• UX progresu - użytkownik ma widzieć, że coś się dzieje,
• asynchroniczny check-in zamiast blokowania na jednym żądaniu.

Innymi słowy: nie traktuj Fable 5 jak szybkiego czatu. Traktuj go jak pracownika, który dostaje zlecenie i wraca z gotową robotą po kwadransie.

---

Klasyfikatory bezpieczeństwa i stop refusal

Fable 5 uruchamia klasyfikatory bezpieczeństwa na przychodzących żądaniach - celują głównie w biologię badawczą i większość treści cyberbezpieczeństwa (model nie jest przeznaczony do tych domen).

Odrzucone żądanie zwraca status HTTP 200 z stop_reason: "refusal". To ważne, bo kod, który czyta response.content[0] bez sprawdzenia, wywali się na pustej tablicy. Zawsze sprawdzaj stop_reason przed czytaniem treści.

I uczciwe zastrzeżenie: zdarzają się fałszywe pozytywy na sąsiedniej, legalnej pracy - narzędzia defensywne w security, zadania z nauk o życiu. Dlatego Anthropic daje mechanizm fallbacku (opt-in): przy odmowie żądanie może zostać transparentnie obsłużone przez model zapasowy, np. Opus 4.8, w tym samym wywołaniu. Nowy kod na Fable 5 warto od razu pisać z tym zabezpieczeniem, a nie dokładać je później.

---

Wymóg retencji danych

Detal, który potrafi wywrócić wdrożenie z pozornie poprawnym żądaniem: Fable 5 wymaga 30-dniowej retencji danych i nie jest dostępny w trybie zero data retention.

Jeśli organizacja ma ustawione ZDR (albo retencję poniżej 30 dni), każde żądanie do Fable 5 zwróci 400 invalid_request_error, nawet z idealnym payloadem. Gdy migracja nagle zaczyna zwracać 400 bez oczywistego problemu w żądaniu, najpierw sprawdź konfigurację retencji organizacji, a dopiero potem debuguj treść requestu.

---

Kiedy Fable 5 się opłaca

Najlepsze wyniki daje na pracy powyżej tego, co ogarniały starsze modele:

• długie, autonomiczne przebiegi agentowe,
• pierwszy strzał implementacji dobrze wyspecyfikowanego systemu,
• kompleksowe deliverable “od-do” (analizy finansowe, arkusze, slajdy, dokumenty),
• code review i debugging w dużym repo (poza analizą stricte security, gdzie wchodzą klasyfikatory),
• wizja na gęstych albo zaszumionych obrazach.

Praktyczna rada wprost od zespołów z wczesnego dostępu: daj mu swój najtrudniejszy, nierozwiązany problem od razu. Nie ten, który i tak zrobi tańszy model. Fable 5 błyszczy tam, gdzie inne modele się poddają.

I jedna kontrintuicyjna wskazówka: prompty pisane pod starsze modele bywają zbyt szczegółowe dla Fable 5 i obniżają jakość wyjścia. Zamiast wyliczać kroki, opisz cel i ograniczenia. Ten model lepiej pracuje, gdy zostawisz mu przestrzeń na własne planowanie.

---

Podsumowanie

Fable 5 to nie “Opus, tylko lepszy”. To inne narzędzie do innej klasy zadań: najtrudniejsze rozumowanie, długie autonomiczne tury, wysoka stawka za błąd. Jeśli Twój przypadek to szybki czat, ekstrakcja albo masowe zadania - zostań przy Opusie 4.8 albo Sonnetcie 5 i nie przepłacaj. Jeśli masz problem, który realnie wymaga kwadransa skupionej, samoweryfikującej się pracy - wtedy Fable 5 zarabia na swoją cenę.

Więcej o samym Opusie 4.8 (domyślnej górnej półce) piszę w osobnym wpisie.

---

EfektywnyDev pisze o AI w praktyce - o tym, który model do czego, a nie tylko o benchmarkach.