Fable 5.1 首日实测，那些老问题还在吗？

本轮包括三套公开测试集，以及一组开源项目 bug 修复任务。

Artificial Analysis（AA）公布的 Terminal-Bench 2.1 成绩为 91.4%。我们的测评中 89 个任务通过 67 个，成功率为 75.3%；其中 8 个因供应商 TOS 403 未取得有效评分，剔除后为 82.7%。

这一成绩和 Qwen3.8 Max 相同，低于 GLM-5.3、Kimi K3、GPT-5.6 Sol 等模型。查看 AA 评测结果↗

同一个模型，公开榜单与实际接入仍可能得到不同结果。运行条件、fallback 与供应商限制都是成绩的一部分。

这一差距主要来自两次评测的运行条件：AA 启用了官方默认 fallback，而我们的测试通过 OpenRouter 固定到 Google Vertex 运行，并出现了拒答和超时。

普通科学问答仍会触发限制，而且可能在推理开始后才被拦住。

GPQA Diamond 的 198 题中，Fable 5.1 答对 165 题、答错 8 题，另有 25 题没有交付答案，占全部题目的 12.6%。已作答部分的准确率达到 95.38%，按全部题目计算则为 83.33%。未交付的题目比答错的题目还多。

如果算上 fallback 的结果，成绩为 93.9%，与 Kimi K3 和 Qwen3.8 Max 持平，略低于 GPT-5.6 Sol、Gemini 3.7 Flash 和 Grok 4.6。

这 25 题集中在生物和化学：14 题涉及生物或生物医学，11 题涉及有机化学，包含遗传学、分子机制和化学反应等内容。运行记录显示，13 题在正式作答前被拦截，另外 12 题已经展开推理，却未能输出最终答案。

Fable 5.1 在 XBench ScienceQA 中也出现了重复空答。四道涉及鲨鱼纳米抗体、空间转录组、组蛋白乳酰化和斑马鱼遗传比例的题，两次运行都没有给出最终答案。至少在这几道题上，重新问一次没有解决问题。

官方仍为 Fable 5.1 保留安全分类器。触发限制后，Claude 产品可能切换到其他模型；API 用户需要配置 fallback，才能让备用模型继续处理。拒答和已经完成模型切换是两种不同结果，可以通过响应中的模型标识和切换记录确认。官方 fallback 说明↗

本轮 Terminal-Bench 中，7 个最终超时的任务累计出现 18,655 次拒答。框架把空回复当成 JSON 解析错误，继续请求同一模型。这些重复请求消耗了时间，也放大了记录费用，不能用于估算模型正常求解的成本。

Fable 5.1 的标准输入、输出价格与 Fable 5 相同：每百万 token 分别为 $10 和 $50。缓存读取从 $1 降到 $0.25，降幅 75%。长对话和 agent 任务反复使用已有上下文时，可以受益于这次降价。官方定价说明↗

但输出量也会影响最终账单。AA 的测试中，Fable 5.1 在 max 推理档的输出 token 用量约为 Fable 5 的 1.7 倍，单任务成本从 $3.14 升至 $3.76，约增加 20%。改用 xhigh 档，单任务成本降到 $2.72，Intelligence Index 得分从 66 降至 65。

这六道 bug 修复题来自不同编程语言的开源项目，修复是否完成以可执行验证结果判定。跨语言取样扩大了测试覆盖，但不能单凭这一点排除模型曾见过相关源码或补丁。

Fable 5.1 和 Opus 5 完成了相同的五个任务，Fable 的费用低约 43%。费用只统计模型调用。

GPT-5.6 Sol 比 Fable 多花 $1.48，完成全部六题，摊到每个成功任务上的费用略低。Fable 在两档高强度推理配置下都完成 5 / 6，费用均约 $8.10，提高档位没有增加任务成功率。

源码漏洞识别已经放宽，渗透测试等限制仍在。官方当前公布的边界如下：

使用条件也有变化。官方默认仍要求保留数据 30 天用于安全监测，但符合条件的企业客户已有例外安排，包括 Enterprise Frontier Safeguards 可用前的零数据保留选项。实际接入时，需要结合账户资格和供应平台确认适用条件。官方数据保留说明↗

关于 Fable 5.1 的更多评测细节，欢迎访问我们的 Research 页面。

本文中的测试完全由 FUMO Lab 自费运行。GPQA 共 198 题；XBench ScienceQA 使用 100 题的等价性评测口径；代码修复共 6 个任务；Terminal-Bench 2.1 共 89 个任务，使用 Harbor 0.20、Terminus-2 和官方规定的超时时间。