长时任务

引子：当模型学会"连续工作38小时" 如果说GPT-6 Astra定义了"最强单点智能"，那么Anthropic在2026年9月1日发布的Claude Fable 5.1，定义的是另一条赛道——长时智能体（long-horizon agent）。 过去两年，所有Agent Demo都有一个共同的软肋：演示很酷，一旦任务拉长到几十步，模型就开始跑偏、忘记目标、重复犯错。Anthropic这次要解决的，恰恰是这个"跑不长"的问题。Fable 5.1最扎眼的宣传点不是某一项基准刷了多少分，而是它可以连续自主运行38小时而不需要人类干预。这在AI智能体领域，是一个质变级别的数字。 一张成绩单：Terminal-Bench 4.0的55.8% 衡量长时智能体，不能只看聊天基准，要看它在真实终端环境里能不能把一件事从头做到尾。 评测项 含义 Claude Fable 5.1 Terminal-Bench 4.0 终端环境多步任务完成率 55.8% Intelligence Index 综合智能指数 66 连续自主运行时长 无人工干预上限 38小时 缓存读取成本 对比上一代 下降75% Terminal-Bench 4.0的55.8%需要放在历史坐标里看。一年前，即便是最顶尖的智能体模型，在这一类多步终端任务上的完成率也长期卡在20%–30%区间。55.8%意味着过半的复杂任务可以由模型独立闭环——这个比例在工程上已经跨过了"可用"的门槛。 Intelligence Index拿到66，则是Anthropic自家综合评测体系的新高位。它把推理、代码、多模态、长时规划揉在一起打分，66分的位置标志着Fable 5.1在通用智能上紧跟第一梯队，而不是只在Agent这一单项上偏科。 数据来源：Anthropic发布公告与技术报告，2026年9月1日 关键的工程突破：75%的缓存成本下降 很多人把目光放在"38小时"上，但真正决定Fable 5.1能否规模化商用的，是那个容易被忽略的数字——缓存读取成本下降75%。 长时智能体为什么烧钱？因为它要在几十小时里不断回顾自己之前的操作记录、代码上下文、历史决策。这些历史Token会被反复读取，构成推理成本里的大头。Anthropic通过改进Prompt缓存机制，把这部分读取开销砍掉了四分之三。 成本构成 上一代 Fable 5.1 常规输入 基准 基准 缓存读取 100% 25% 长任务累计开销 高 显著降低 这个优化的商业意义极大：它让"让Agent自己跑一天"从一个昂贵的Demo，变成一个企业可以批量采购的服务。当缓存读取成本降到原来的四分之一，长时任务的单位经济性第一次成立了。 它到底能做什么：38小时不是噱头 要理解38小时的含金量，得想清楚一个长时智能体在这段时间里要面对什么： 状态不漂移：几十步之后还记得最初的目标是什么，不被中间的报错带偏 错误自恢复：跑挂了能自己看日志、定位原因、重试，而不是停下来喊人 资源管理：在有限的上下文里决定记住什么、忘掉什么 外部工具调用：跨文件系统、代码仓库、网络请求连续作业 这四件事，任何一件做不好，任务就会在中途崩掉。Fable 5.1能把这四件事串起来跑满38小时，靠的不是单次推理更强，而是规划与自我纠错能力的系统性提升。这是一种和"刷分"完全不同的能力维度——它衡量的是模型在真实、嘈杂、不完美环境里的韧性。 与GPT-6 Astra的错位竞争 把Fable 5.1和GPT-6 Astra放在一起，会发现它们其实在打不同的仗。 维度 GPT-6 Astra Claude Fable 5.1 强项 单点极限推理、操作专业软件 长时连续作业、终端任务闭环 标志成绩 ARC-AGI-3 99.9% Terminal-Bench 4.0 55.8% 商用切入点 企业级高价值岗位 可批量采购的自动化流程 成本策略 旗舰溢价 缓存成本大幅下调 Astra像一个智商极高但按次收费的专家，Fable 5.1像一个可以长时间顶岗的熟练工。对企业用户来说，这不是二选一，而是组合使用：需要极限推理的硬骨头交给Astra，需要连续盯一天的运维、测试、数据流水线交给Fable 5.1。 ...