Anthropic 近日更新了 Claude 5.1，並一口氣推出 Fable 5.1 與 Mythos 5.1 兩個版本。儘管名稱看似兩檔模型，二者底層實為同一套模型，區別在於 Anthropic 將能力開放範圍單獨拆分：Fable 5.1 負責通用編碼、知識工作和 Agent 任務，Mythos 5.1 則面向經過驗證的網路安全和生命科學研究場景，允許進入更深的工具呼叫和專業任務。這一分化標誌著 Anthropic 正式將“智力”與“許可權”物理剝離，也意味著模型能力與執行許可權開始作為獨立維度被控制。
在 Ramp 的一次測試中，Fable 5.1 無人值守運行了 38 小時，中途識別出實驗中的 label artifact（標籤偽影），重新處理資料，並行啟動 6 組實驗，並根據返回結果繼續修改後續方案。38 小時本身並無太多技術含義，關鍵在於模型在這段時間內沒有沿著一開始的計劃機械執行——當實驗條件發生變化，它能夠修改已有判斷並繼續推進任務。這背後涉及長時 Agent 的核心挑戰：狀態一致性。
長時任務中，模型面臨的上下文與真實環境可能發生嚴重偏差。程式碼可能已被修改多輪，實驗條件瞬息萬變，早先成立的判斷可能被新結果推翻，而這些舊資訊仍殘留在上下文中。原有的“模型論”認為只要上下文夠長 AI 就有記憶，但 Claude 5.1 的設計思路徹底否定了這一點：若不建立一套獨立的、基於外部事實的狀態失效機制，大模型只會守著一堆過時的“垃圾歷史”一本正經地胡說八道。
例如，假設 Claude 在任務開始時讀取過某個服務，並判斷介面採用同步呼叫。幾小時後，它已完成重構，介面換成新的執行路徑，但最早那段分析仍保留在 conversation history 中。若後續推理再次引用舊結論，模型內部理解的任務狀態就會偏離真實程式碼，這種偏差即 state drift（狀態漂移）。單純擴大 context window 並不能解決長期執行——上下文可以儲存更多歷史，卻不會自動處理歷史資訊的有效期。
因此，真正穩定的 Agent 不能把聊天記錄當作唯一狀態來源。程式碼應重新從當前 repository 讀取，實驗結果應繫結具體 run ID、資料版本和配置，任務完成情況應進入單獨的 task state。模型的自然語言記錄可保留推理過程，但程式碼、實驗和任務進度需各有明確的 source of truth。Ramp 那次 38 小時實驗中，模型發現 label artifact 後，問題就不再是補充一句新結論——此前建立在舊資料上的結果已經失效，依賴這些結果的後續判斷也需要重新處理。這涉及狀態之間的依賴關係：若實驗 B 建立在資料 A 上，A 被發現有問題後，B 就不能繼續作為可靠依據。長任務因此需要支援 invalidation（失效機制）：某個前置狀態失效時，依賴它的任務、結論和中間產物也要同步重新評估。
Claude 5.1 證明了 Agent 能熬過 38 小時，靠的不是記住所有廢話，而是擁有隨時清理“過時真相”的能力。一旦開始處理依賴關係，Agent 的任務狀態就更接近一張動態任務圖：有些節點已完成，有些在等待工具返回，有些因新結果需重新執行，有些已無繼續執行必要。模型做的不是簡單生成下一步，而是不斷更新這張圖。
但狀態更新並不保證內容正確。模型生成的程式碼不一定能立刻成為後續任務基礎，實驗跑出的數字也不一定可信。若錯誤結果直接進入長期狀態，後續所有步驟都會在錯誤基礎上展開。因此 state management 後面必須接 verification（驗證）：程式碼修改後需跑 compiler、unit test 或 integration test；系統診斷需看真實 runtime trace；資料處理需重新執行查詢或統計檢查；科研任務需讀取實際實驗結果。關鍵點在於驗證訊號儘量來自模型外部，否則容易產生 correlated error——模型最初理解錯介面，再讓它檢查自己的程式碼，可能仍沿同一套錯誤假設判斷。外部工具則直接給出環境反饋，編譯失敗、測試不過、實驗結果偏離預期，這些訊號不會因模型解釋完整而消失。
長時 Agent 的執行由此形成迴圈：讀取當前狀態、產生動作、執行工具、讀取反饋、驗證結果、再決定是否寫入穩定狀態。只有通過驗證的結果才進入後續任務依賴。這還影響恢復機制：執行幾十小時的任務中，API 超時、tool process 崩潰或模型呼叫失敗並不罕見。已通過驗證的狀態若未儲存，一次區域性異常就可能迫使任務重新解釋大量歷史。因此 checkpoint 的價值不是簡單儲存進度，而是儲存一個可重新啟動的可信狀態：當前 task graph、workspace、已驗證 artifact 及待處理任務。
當 Claude 能穩定維護長執行軌跡後，另一個問題浮現：模型判斷下一步應執行某動作，與系統允許它執行該動作是兩回事。Fable 5.1 與 Mythos 5.1 使用相同 underlying model，卻擁有不同可執行範圍，這比單純釋出更強版本更有意思——Anthropic 實際上把 model capability 與 execution permission 分開處理。模型內部可能已具備理解某類任務的能力，但某次執行能否呼叫該能力，還取決於任務型別、訪問資格和允許使用的工具。
網路安全場景最能看清區別：Fable 可參與軟體漏洞發現，但 penetration testing、exploit generation 或更深入的 binary analysis 會進入限制更嚴格的路徑；經驗證的研究人員則可訪問 Mythos 對應能力範圍。若 Claude 仍是聊天模型，控制相對簡單——系統檢查使用者輸入再決定是否回答即可。但長時 Agent 不同：任務開始時可能只是排查普通軟體崩潰，執行幾輪後開始讀取 crash dump，再進入 binary analysis，任務性質可能持續變化。這意味著任務風險並非在第一個 prompt 時固定，而是隨 execution trajectory 不斷變化，許可權判斷也不能只發生在開始。
系統需持續讀取當前任務狀態、已執行 action、正在請求的 tool 及準備訪問的資源，再重新判斷當前步驟應開放到什麼程度，這就是 capability routing。它與簡單 allow/deny 不同：有些任務可正常繼續，有些可繼續分析但禁止某類工具，有些動作需額外審批，有些任務可切換到更高許可權的 capability profile。Fable 和 Mythos 可理解為該機制中兩種不同執行範圍，而非兩套完全不同的智慧。問題也隨之從安全過濾變成 policy state。
假設任務開始時被判斷為普通 debugging，執行 8 小時後已進入完全不同的分析階段，若許可權系統仍沿用 8 小時前的分類，控制就會滯後於執行狀態。但若每個 action 都從零重新判斷，又易產生大量 false positive。Anthropic 因此專門最佳化 safeguard 誤觸發——長時任務中一次錯誤阻斷影響的不僅是當前步驟，若後續三個任務依賴該 tool call，整個 dependency chain 都會被卡住。更合適的許可權系統需做增量判斷：保留已確認的任務性質、現有授權範圍、資源邊界和歷史 action，並在新行為出現時更新風險狀態，而非每次只看孤立請求。這也解釋了為何 execution trace 逐漸成為重要資料——單獨看一個檔案讀取動作很難判斷任務性質，但把檔案讀取、二進位制分析、後續工具呼叫連起來，系統才能知道 Agent 實際在推進什麼任務。
Fable 與 Mythos 代表的不僅是兩個產品名稱，而是 Anthropic 開始把 capability profile 做成 Runtime 中可獨立控制的一層。一旦能力範圍可按任務、身份和執行狀態細分，Claude 就能接入更專業工具，而不必將同樣執行許可權開放給所有場景。這也是為何 Claude 5.1 的科研案例格外重要——接下來真正複雜的已不是單個工具有沒有能力，而是眾多專業工具如何被組織進同一任務。
Anthropic 展示了蛋白設計、金星地形重建和 GPU kernel 最佳化等科研任務。這些任務雖領域不同，但內部結構接近：Claude 不直接替代領域模型，而是負責組織多個專業工具完成連續工作流。以蛋白設計為例，Mythos 需先理解研究目標，再呼叫蛋白設計和結構工具生成候選方案，根據計算結果篩選，再進入實驗驗證。LLM 主要負責 task decomposition 和下一步決策，具體結構計算仍交給專業模型。
這種工作流比普通 tool calling 複雜之處首先在時間：很多科研工具不會立即返回結果。簡單查詢可能幾秒完成，模型訓練可能持續幾小時，真實實驗週期更長。若 Agent 每提交任務就停下等待，系統吞吐量會很低。因此長時科研任務天然需要 asynchronous execution：模型提交實驗後，Runtime 儲存 job ID 和依賴關係，繼續處理其他可獨立執行任務；實驗返回後，系統再把結果掛回對應節點，由 Claude 決定後續任務。Ramp 同時啟動 6 組實驗就是這種執行結構的直接例子——任務已非嚴格線性 chain，而是不斷變化的 DAG，有些 branch 可並行，有些須等待前置結果，有些可能因新證據提前取消。
這會引出 scheduler（排程器）：多個實驗同時佔用計算資源時先跑哪個；某實驗已足夠推翻當前假設，其他高成本未完成任務是否繼續；兩個結果衝突時下一輪計算預算投向何方。科研 Agent 不能只有 planner，還需排程。非同步任務一多，結果來源問題也浮現：Agent 拿到實驗輸出時，必須知道它對應哪一版資料、哪個模型版本、什麼程式碼 commit 和引數，否則幾小時後上下文同時出現多組結果時，模型易把不同配置產生的 artifact 混在一起。這就是 provenance（來源追溯）——每個重要中間產物需繫結來源鏈，資料版本變化後哪些實驗需重跑、程式碼更新後哪些結果不能直接複用，都依賴 provenance 判斷。這與狀態一致性是同一問題在科研環境的延伸，只是依賴關係擴充套件到了資料、模型、實驗配置和計算結果。
GPU kernel 最佳化又帶出新變化：若科研 workflow 需重複執行某領域模型幾千次，真正拖慢任務的可能是底層計算而非 Claude 本身。Mythos 5.1 可進一步修改 GPU kernel、減少中間結果重複計算，說明 Agent 已開始觀察整個 workflow 的效能瓶頸，而非只決定下一個工具呼叫，這屬於 workflow optimization。模型需判斷瓶頸在推理、外部工具還是計算資源，再把最佳化放到收益更高處。
Anthropic 調低 cache read 價格也與此相關：長時 Agent 會不斷複用穩定上下文（system instruction、tool schema、程式碼背景、任務規則、已確認歷史狀態），每輪真正變化的只是一部分新 observation 和中間結果。若這些穩定內容每次呼叫都完整處理，執行時間越長重複計算越明顯。Prompt caching 讓穩定 prefix 被反覆利用，新計算集中於變化部分。這使 Agent 成本計算方式變化：單看每百萬 token 單價難以判斷 Agent 貴不貴，更有意義的是任務完整跑完需要多少模型呼叫、工具重試、外部計算及無效分支。成本單位開始從單次 inference 變成整個 episode。當狀態、許可權、非同步任務、工具和計算資源全部進入一條 execution trajectory 後，傳統單輪 benchmark 已不足以描述這種系統。
Claude 5.1 較明顯的變化是模型成績與 Agent 成績開始不再是一回事。任務失敗可能是模型判斷錯、舊狀態未及時失效、工具呼叫失敗、許可權系統誤判或並行任務排程問題，這些原因都表現為任務未完成，卻對應不同技術瓶頸。因此 Agent evaluation 需分析完整 trajectory，任務完成率仍重要，但還需知道錯誤發生在哪個階段——是規劃、狀態更新、工具執行、許可權判斷還是排程決策。Anthropic 此次更新表明，長時 Agent 的可靠執行已不單靠模型智力，而依賴一套包含狀態管理、許可權路由、非同步排程與驗證機制的執行時，這或許正是“模型論”走向終結的訊號。