O czym jest ten film
- Anthropic udostępnił wszystkim modele Fable 5.1 i Mythos 5.1; autor omawia premierę na gorąco, kilka minut po jej ogłoszeniu.
- Badania naukowe (Terminal Bench Science 1.0): ponad 50% wobec ok. 25–29% dla Fable 5 i Opusa 5 — zdecydowany skok w autonomicznym researchu i miażdżący wynik wobec GPT-5.6-Sol.
- Kodowanie agentowe: rekordowe 55,8% (Fable 5 — 42%, GPT-5.6-Sol — 37,3%); w ocenie autora to istotny krok naprzód, nie rewolucja.
- Praca z wiedzą (GDP-Val-AA-V2): 1853 punkty wobec 1723 (Fable 5), 1824 (Opus 5) i 1711 (GPT-5.6-Sol) — około 7% przewagi.
- Obsługa komputera (OSWorld 2.0): 77,9% z progiem oceny częściowej wobec 72,9–75,4% u Opusa 5 — Anthropic odrabia historyczną zaległość względem serii GPT.
- Automatyzacja procesów biznesowych (Automation Bench): skuteczność niemal się podwoiła — z 17,1% do 31,4%.
- Zastrzeżenie autora: benchmarki (także świeżych modeli z z.ai czy Moonshot) nie zawsze oddają realne doświadczenie — w praktyce Fable 5 daje mu lepsze rezultaty niż wyżej notowany Opus 5.
- Ekonomia: przy ok. 17 dolarach na zadanie Fable 5.1 osiąga niemal 40% wobec ok. 15% u Fable 5, czyli ok. 2,5 raza więcej na dolara; tanieją też odczyty z cache — o ok. 25%, a przy pracy agentowej nawet o 45%.
- Naprawione bezpieczniki: o 60% mniej fałszywych alarmów na niewinne zapytania, a przy pytaniach biologicznych i medycznych o 85% rzadziej cofanie do słabszego modelu.
- Teza końcowa: inteligencja modeli przestała być wąskim gardłem — o wygranej zdecyduje cena i skala dystrybucji po gospodarce.
Redakcyjne tłumaczenie
Premiera na gorąco
Fable 5.1 i Mythos 5.1 są dostępne od dosłownie trzech, czterech minut. Chcę poświęcić chwilkę, żeby uporządkować, co te nowości oznaczają dla was w praktyce i jak można je przekuć na realne korzyści — w życiu i w biznesie.
Wyniki benchmark po benchmarku
Na czterech, pięciu najważniejszych testach Fable 5.1 wypada następująco.
Badania naukowe. W teście Terminal Bench Science 1.0, który mierzy, czy agent potrafi samodzielnie prowadzić badania, Fable 5 i Opus 5 zdobywały po około 24,7–29%. Fable 5.1 uzyskał ponad 50%. Biorąc pod uwagę, że to wciąż młody benchmark, taki skok to przełom: znacznie sprawniej będą działać pętle automatycznego researchu bez nadzoru człowieka. Przy okazji nowy model bezlitośnie rozjeżdża GPT-5.6-Sol. I od razu jest dostępny dla każdego, kto ogląda ten materiał.
Kodowanie agentowe. Nowy rekord: 55,8% wobec 42 i 52,3% u modeli poprzedniej generacji oraz 37,3% dla GPT-5.6-Sol. Nie nazwałbym tego rewolucją — to spory, wyraźny krok naprzód względem wczorajszej generacji.
Praca z wiedzą. Na aktualnym teście GDP-Val-AA-V2 model zdobył 1853 punkty — wobec 1723 dla Fable 5, 1824 dla Opusa 5 i 1711 dla GPT-5.6-Sol. To około 7% poprawy w rozumieniu kontekstu zadań związanych z PKB czy tworzeniem wartości — i w faktycznym ich wykonywaniu. Dokładnie to mierzy ten wskaźnik.
Obsługa komputera. Prawdziwa niespodzianka. Uważam, że seria Anthropic odstawała dotąd głównie właśnie w tym polu — zwłaszcza na tle serii GPT od OpenAI. Tym razem wynik to 77,9% na OSWorld 2.0 z tzw. progiem oceny częściowej. Oznacza to tyle, że zalicza się zadania, w których model zrobił większość postawionego celu w przeglądarce — mógł iść okrężną, wieloetapową drogą, ale ostatecznie doprowadził sprawę do końca. Dla porównania Opus 5: 72,9% i 75,4%.
(Informacja dodatkowa: OSWorld to test, w którym model samodzielnie obsługuje komputer — klika, wpisuje tekst i nawiguje po aplikacjach.)
Rozumowanie interdyscyplinarne. 60,9% wobec 57,8% i 56,6% — kolejne jakieś 5% do przodu.
Automatyzacja procesów biznesowych. I prawdziwa bomba, przynajmniej dla mnie — ten temat mam jako zawodowy automatyzator szczególnie bliski sercu. Umiejętność tę mierzy Automation Bench, który sprawdza, czy model potrafi zautomatyzować prawdziwe procesy i systemy działające w firmach — oczywiście w wariancie reprezentatywnym, bo nikt nie wpuszcza modelu na wrażliwe, produkcyjne wdrożenia. Wynik praktycznie podwoił się w porównaniu z poprzednią generacją: Fable 5 niezawodnie automatyzował firmowe procesy w 17,1% przypadków, Fable 5.1 — w 31,4%. Raczej niebawem zobaczymy więc znacznie więcej firm „przerabianych” Fable 5.1: ludzie wykupią subskrypcję Claude Max albo płatny dostęp przez API, pozapłacają modelowi kilkadziesiąt dolarów i wyjdą z gotowym, w pełni zautomatyzowanym procesem — najpewniej napisanym w Pythonie, być może jeszcze dopracowanym w Ruście. Dość ekscytująca perspektywa.
Kodowanie agentowe w Cursorze. Na Agent Coding Cursor Bench 3.2.0: 73,4% wobec 70,5% (Fable 5) i 70% (Opus 5).
Rankingi nie wszystko mówią
Kto jak kto, ale ja oceniałem w ostatnim roku sporo premier — i najciekawsze jest co innego: Opus 5 na większości tych testów wypada naprawdę mocno. Tyle że w samej rozmowie z nim trudno to poznać. W moim przypadku Fable 5 regularnie podaje lepsze rezultaty niż Opus 5 — pomimo że Opus punktuje wyżej w rankingach. Stąd szerszy wniosek: znakomite noty zbiera dziś cała masa modeli, w tym świeże konstrukcje chińskich laboratoriów, ale wcale nie zawsze przekładają się one na to, jak model sprawdza się w żywej rozmowie i przy naprawdę ambitnych zadaniach.
(Informacja dodatkowa: z.ai i Moonshot AI to chińskie laboratoria AI, które w ostatnim czasie regularnie debiutują w czołówkach otwartych rankingów.)
W ciągu najbliższych dwunastu–dwudziestu czterech godzin zobaczymy lawinę testów innego pokroju: nie akademickich, lecz ludzkich, z realu — nazywam je testami gustu. Ludzie rzucą modelowi efektowne zadania: zaprojektuj trójwymiarowy świat, wymyśl nowy sposób interakcji — i będą oceniać efekt na oko. Wspominam o tym, żebyście trzymali tę perspektywę z tyłu głowy. Benchmarki nie pokazują wszystkiego, choć pozostają w miarę ustandaryzowanym narzędziem porównywania.
Ile kosztuje zadanie — nowa miara opłacalności
Fable 5.1 jest wyraźnie lepszy od Fable 5 na wszystkich omówionych testach. Ale dla wielu osób kluczowe pytanie przestało już brzmieć „czy model da radę” — bo te wyniki wskazują, że wchodzimy na poziomy AGI, czyli sztucznej inteligencji ogólnej. Pytanie brzmi: ile mnie to będzie kosztować?
Anthropic opublikował zestawienia skuteczności ze średnim kosztem zadania. Warto wiedzieć, że oś ma skalę logarytmiczną — każdy znacznik to cały rząd wielkości. Z tych wykresów wynika, że Fable 5.1 osiąga wyraźnie więcej za mniejsze pieniądze, niezależnie od poziomu wysiłku wkładanego w przeciętne zadanie.
Konkretnie: Fable 5 przy średnim koszcie około 17 dolarów na zadanie uzyskiwał jakieś 15%. Fable 5.1 za te same 17 dolarów daje równowartość niemal 40%. Rachunek jest prosty: około 2,5 raza więcej na każdego wydanego dolara — przynajmniej według opublikowanego zestawienia.
Skąd w ogóle pomysł na liczenie kosztu na zadanie zamiast ceny tokena? Bo wraz ze wzrostem inteligencji zmienia się liczba tokenów potrzebna do ukończenia pracy. Model sprzed roku może mieć technicznie dużo niższe stawki za tokeny wejściowe i wyjściowe, ale potrzebuje ich do ukończenia roboty wielokrotnie więcej. Nowe modele są tak zoptymalizowane, że każdy token mocniej przybliża je do mety — w naszym przypadku ukończonego zadania. Można się spodziewać, że koszt na zadanie stanie się podstawową miarą opłacalności modeli.
Taniej również dzięki cache
Anthropic zmienił też sposób, w jaki Fable 5.1 trafia w tokeny cache — chodzi o tzw. cache reads, czyli odczyty z pamięci podręcznej, wykorzystywane, gdy zadajemy modelowi wiele zapytań w krótkich odstępach. Efekt: koszt spadł o mniej więcej ćwierć na całej linii, a przy mocno agentowych obciążeniach — jak zapewnia producent — nawet o 45%. Jeszcze za wcześnie na dokładne wyliczenia, ale kierunek jest jednoznaczny: ten model zaprojektowano z myślą o cenie. Nie jest tak, że jest po prostu mądrzejszy, ale przez to droższy w utrzymaniu. To system jednocześnie wyraźnie inteligentniejszy i tańszy.
Inteligencja tanieje o rzędy wielkości
Mamy tu do czynienia z fragmentem większego trendu: za tę samą inteligencję płaci się z każdym rokiem ułamek dawnej ceny. Kilka lat temu najmądrzejszym modelem świata był GPT-3.5 Turbo — ten, na którym stało ChatGPT z premiery w 2022 roku. Dziś za inteligencję o porównywalnej zdolności wykonywania zadań o wartości ekonomicznej płaci się ponad tysiąc razy mniej niż wtedy — choć cenniki tokenów wprost tego nie pokazują.
Wygląda na to, że producenci modeli zdają sobie sprawę, że dawno minął moment, w którym inteligencja była barierą we wdrażaniu AI do zadań gospodarczych. Przeciętnego użytkownika nie interesuje już „czy to możliwe”, tylko „czy to się opłaca”. Fable 5.1 to krok dokładnie w tę stronę.
Bezpieczniki przestały przeszkadzać
A na koniec może najważniejsza zmiana: znacznie poprawiono bezpieczniki. To jeden z najpoważniejszych zarzutów, jakie ludzie mieli wobec Fable. Zapytaliście o coś z nauk o życiu albo o wątek bezpieczeństwa IT — na przykład jak wzmocnić ochronę aplikacji — a model regularnie odpowiadał mniej więcej tak: „Wykryliśmy naruszenie protokołu bezpieczeństwa, więc cofamy cię do słabszego modelu. Oto Opus 4.8”. Ludzie tego naprawdę nie znosili.
W Fable 5.1 uznano to za jeden z najczęstszych problemów i ograniczono o 60% fałszywe alarmy na zapytania niewinne — takie, które brzmią podejrzanie, jakby łamały zasady, ale w gruncie rzeczy niczego nie naruszają. A konkretnie przy pytaniach biologicznych i medycznych, z których — moim zdaniem słusznie — korzysta coraz więcej osób, cofanie do słabszego modelu zdarza się o 85% rzadziej. To naprawdę duża sprawa.
Różnice, których już nie usłyszysz
Zastrzeżenie na koniec: relacjonuje wam to przypadkowy gość z Twittera. No dobra, żartuję — po prostu traktujcie moje słowa z dystansem. Im mądrzejsze stają się modele, tym mniej znaczą — i tym trudniej je wychwycić — różnice kilku punktów na wykresie. Szczerze mówiąc: gdybyście zawiązali mi oczy i puścili mi nagrania odpowiedzi Opusa 4.8, Fable 5 i Fable 5.1, czy naprawdę rozpoznałbym, które jest które? Prawdopodobnie nie. Inteligencja modeli wzrosła tak nagle i tak szybko, że w pewnym momencie przestaje mieć znaczenie, o ile jeszcze wzrośnie. Teraz liczy się to, jak sprawnie rozprowadzimy te modele po całej gospodarce — a to zaczyna się od ceny. I właśnie tę cenę Anthropic tutaj zoptymalizował. Miłego dnia i do zobaczenia w następnym materiale.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Licz koszt na zadanie, nie cenę tokenów
Na czym polega: Przy tym samym budżecie (ok. 17 dolarów na zadanie) Fable 5.1 osiąga niemal 40% skuteczności wobec ok. 15% u Fable 5 — czyli około 2,5 raza więcej na dolara. Powód: nowszy model potrzebuje mniej tokenów, by dojść do celu.
Jak stosować: Wybierając model do automatyzacji, licz pełny koszt ukończenia typowego zadania — najlepiej na próbce 20–50 powtarzalnych poleceń — a nie cennik za milion tokenów.
Na co uważać: Starszy model z niższą stawką za token potrafi zużyć ich wielokrotnie więcej i wyjść droższy w rozliczeniu całego zadania.
2.Automatyzacja procesów biznesowych przestała być loterią
Na czym polega: Na Automation Bench skuteczna automatyzacja firmowych procesów wzrosła z 17,1% do 31,4% — niemal dwukrotnie.
Jak stosować: Wybierz jeden powtarzalny proces w firmie i pozwól modelowi zbudować jego automatyzację; przy dostępie przez API budżet rzędu kilkudziesięciu dolarów może wystarczyć na gotowy workflow, najpewniej w Pythonie.
Na co uważać: Benchmark bazuje na systemach reprezentatywnych, nie produkcyjnych — pilotaż wykonuj na kopii środowiska i z możliwością ingerencji człowieka.
3.Bezpieczniki rzadziej blokują niewinne pytania
Na czym polega: O 60% mniej fałszywych flag na zapytania brzmiące podejrzanie, ale niczego nie naruszające; przy pytaniach biologicznych i medycznych cofanie do słabszego modelu zdarza się o 85% rzadziej.
Jak stosować: Można wrócić do tematów biotechnologicznych czy bezpieczeństwa aplikacji (np. hardening), które wcześniej kończyły się degradacją do Opusa 4.8.
Na co uważać: To redukcja, nie eliminacja — część zapytań nadal może zostać odrzucona, a odpowiedzi medyczne i tak wymagają konsultacji ze specjalistą.
4.Benchmark nie zastąpi własnego testu
Na czym polega: Opus 5 wypada na testach bardzo dobrze, a autor w codziennej pracy i tak dostaje lepsze rezultaty z Fable 5 — rankingi nie zawsze oddają jakość współpracy z modelem.
Jak stosować: Zanim zmienisz model w firmie, przeprowadź własny test gustu: te same prompty, typowe zadania, porównanie efektów.
Na co uważać: W pierwszej dobie po premierze królują efektowne dema — oceń powtarzalność rezultatów, nie pojedynczy spektakularny wynik.
5.Autonomiczny research przekroczył 50%
Na czym polega: Na Terminal Bench Science 1.0 wynik wzrósł z ok. 25–29% do ponad 50% — duży skok w prowadzeniu badań w pętli, bez nadzoru człowieka.
Jak stosować: Wypróbuj tryb auto-research przy przeglądach literatury, zbieraniu danych i wstępnej weryfikacji hipotez.
Na co uważać: Agent bez nadzoru potrafi konsekwentnie brnąć w zły kierunek — kluczowe wnioski weryfikuj samodzielnie.
6.Obsługa komputera: Anthropic odrabia zaległości
Na czym polega: 77,9% na OSWorld 2.0 wobec 72,9–75,4% u Opusa 5 — w obszarze, w którym modele Anthropic dotąd przegrywały z serią GPT.
Jak stosować: Jeśli budujesz agentów operujących w przeglądarce lub na pulpicie, Fable 5.1 to od dziś realny kandydat.
Na co uważać: Wynik liczono z progiem oceny częściowej — zadanie się zalicza, gdy model zrobił większość, choćby okrężną drogą. Przeglądaj ścieżkę wykonania, bo po drodze może zostawić bałagan.
7.Kodowanie agentowe: mocny skok, nie rewolucja
Na czym polega: Rekordowe 55,8% w kodowaniu agentowym i 73,4% na Cursor Bench 3.2.0 (Fable 5 — 70,5%, Opus 5 — 70%).
Jak stosować: Warto powierzać modelowi całe pętle — od zmiany w repozytorium po jej doprowadzenie do końca — zamiast mikroządań.
Na co uważać: Sam autor klasyfikuje to jako ulepszenie poprzedniej generacji, nie przeskok o klasę — nie oczekuj zadań jakościowo nowych.
8.Cache tanieje — kluczowe przy pracy agentowej
Na czym polega: Odczyty z pamięci podręcznej (cache reads), wykorzystywane przy szybkich seriach zapytań, staniały o ok. 25%, a przy mocno agentowych obciążeniach nawet o 45%.
Jak stosować: W dłuższych sesjach utrzymuj wspólny kontekst i wysyłaj zapytania w krótkich odstępach, żeby trafiać w cache i płacić mniej.
Na co uważać: Rzeczywisty wpływ na rachunki dopiero się zweryfikuje — mierz własne zużycie, zanim uwzględnisz oszczędności w kosztorysie.
9.Pytanie brzmi „czy się opłaca”, nie „czy się da”
Na czym polega: Inteligencja z poziomu ChatGPT z 2022 roku (GPT-3.5 Turbo) kosztuje dziś ponad tysiąc razy mniej; barierą nie są już możliwości modeli, lecz cena i dystrybucja.
Jak stosować: Przy każdym wdrożeniu licz opłacalność na pojedyncze zadanie i mnoż przez wolumen — tam powstaje realna przewaga konkurencyjna.
Na co uważać: Niska cena jednostkowa kusi do automatyzowania wszystkiego po kolei; wybieraj procesy o rzeczywistej wartości, bo nadzór i utrzymanie też kosztują.
10.Różnice między czołówką przestają być odczuwalne
Na czym polega: Autor przyznaje, że „na ślepo” nie odróżniłby odpowiedzi Opusa 4.8, Fable 5 i Fable 5.1 — kilka punktów różnicy robi się coraz mniej wyczuwalne.
Jak stosować: Nie przepłacaj za kilka pozycji w rankingu; wybieraj model pod konkretny przypadek, cenę i wygodę pracy.
Na co uważać: Nieodczuwalna różnica w krótkiej rozmowie nie oznacza identycznych wyników w długich pętlach agentowych — tam procenty potrafią się skumulować.