Claude Fable 5 发布了，Claude Fable 5 下线了，这是在 2026 年 6 月初发生在前后脚的事情。
Anthropic 在 2026 年 6 月 9 日发布了 Claude Fable 5。它被称为一个带有安全限制的 Mythos 模型，面向 Pro、Max、Team 和 Enterprise 用户开放，本来这个开放窗口就很短：从 6 月 23 日开始，Fable 5 不再包含在默认订阅计划中，而是要消耗额外额度。
然后没几天，美国政府以国家安全为由，对 Anthropic 的 Fable 5 和 Mythos 5 实施出口管制，限制外国政府、外国公司和非美国人员访问这些模型。由于 Anthropic 难以在现有系统中可靠地区分用户国籍和访问资格，最终选择暂停所有客户对这两个模型的访问。
这个新闻当然炸裂。它牵涉模型能力、安全边界、出口管制、地缘政治等等因素。
但我想谈的是另一个问题：即使 Fable 5 没有下线，我们真的应该默认使用最强模型吗？
Fable 到底是贵，还是便宜？
Fable 5 发布后，围绕它的一个很有意思的讨论是“它到底值不值”。乍一看，像是在讨论价格，其实是跟工程决断有关。
国外 Mitchell Hashimoto 在社交媒体分享过一个的测试，他让 Fable、GPT-5.5 和 GLM-5.1 处理普通的“实现这个功能”类的编码任务，最终三个模型都给出了可接受的结果。不过成本差距非常明显：GLM-5.1 不到 1 美元，GPT-5.5 大约 1.50 美元，而 Fable 跑了 40 分钟，花了 9 美元。
如果只看这个任务，Fable 显然太贵了。
他又给了 Fable 一个更难的问题：优化一个用 Go 写的 SwiftUI 布局解析器。这个任务不是普通的代码生成，而是需要理解系统结构、找到性能瓶颈，并做出高质量优化。Fable 最终花了两个小时，成本大约 40 美元，做出了 Mitchell Hashimoto 认为他自己很难手动完成的性能改进。
这个时候，40 美元还贵吗？如果它替代的是几小时甚至几天的高级工程师时间，它可能不但不贵，反而非常便宜。
问题不在于 Fable 的绝对价格，而在于你把它用在了什么任务上。同一个模型，在普通任务里可能贵得离谱，在高价值任务里又可能便宜得惊人。这不是矛盾，而是模型路由的核心。
最强模型没必要事必躬亲
过去讨论模型的时候，我们经常会问一个问题：谁最强？
这个问题在单轮对话时代还算有用。你打开一个聊天窗口，输入问题，等待答案。模型越强，体验通常越好。但对于 Agent 工作流，答案不是这样简单直接。一个真实的 AI 编码任务，往往包含很多步骤：理解需求、阅读代码、制定方案、修改文件、运行测试、分析错误、再次修复、生成总结。它不是一次回答，而是一组循环。每一步都调用最强模型，当然省心，但也可能非常浪费。
更合理的做法是分工。
强模型适合做规划、架构判断、复杂推理和最终审查。便宜、快速、稳定的模型适合处理执行型任务，比如常规代码修改、格式调整、文档整理、简单测试分析。工具、脚本和静态检查则适合处理确定性更强的部分。
这就是所谓的模型路由：根据任务类型、成本、风险和质量要求，把不同环节交给最合适的模型。
它不是为了省钱而牺牲质量，而是把昂贵的智能用在最有杠杆的位置。
AI 工作流正在从 Prompt Engineering 变成 Loop Engineering
Prompt engineering 关注的是如何写好一次输入，让模型给出更好的输出。
但 Agent 时代的问题已经变了。我们不再只是写 prompt，而是在设计一个循环：模型读取状态，做出决策，采取行动，观察结果，再进入下一轮。这个循环里有很多隐含选择：谁来规划？谁来执行？谁来验证？失败后谁来接手？上下文太长时谁来压缩？成本失控时谁来降级？
这些选择加起来，就是真正的 AI 工程实践。
所以，高效使用 AI 的人，未必是最会追最新模型的人，而是最会调度模型的人。他知道哪些环节值得用最强模型，哪些环节应该交给便宜模型，哪些环节根本不该用大模型，而该用测试、规则、脚本或静态分析工具。
模型越多，价格越动态，模型路由能力就越重要。
降价不会消除模型选择问题，反而会让它更复杂。因为每一次价格变化，都会重新改变“哪个模型适合哪个任务”的答案。模型能力在变，价格在变，可用性也在变。Fable 5 的下线事件又提醒我们：模型并不是稳定的基础设施，它也可能受到容量、政策、安全和商业策略的影响。
模型崇拜会让成本变高，模型路由会让人变强
很多人使用 AI 的方式仍然很直觉：哪个模型最强，就默认选哪个。
这个习惯在早期没有太大问题，因为任务短、模型少、成本感知也不强。但当 AI 开始进入真实工程工作流，尤其是进入编码、数据分析、研究和企业自动化之后，这种习惯会越来越贵。
模型崇拜关心的是排名：谁最强，谁 benchmark 更高，谁刚刚发布。
模型路由关心的是匹配：这个任务需要什么能力？失败成本有多高？速度是否重要？输出是否需要审查？上下文是否会膨胀？有没有更便宜的模型能完成 80% 的工作？
前者把模型当偶像，后者把模型当资源。
这可能是 AI Agent 时代最重要的变化之一。我们不再只是“使用一个 AI”，而是在管理一组能力不同、成本不同、可靠性不同、可用性也不同的模型。人的角色也随之变化：从提示词编写者，变成一个小型智能团队的调度者。
所以，真正值得问的问题已经不是：
哪个模型最强？
而是：
这个任务，值得用最强模型吗？