Azure 目录现 Anthropic Fable 5.5，新模型瞄准目标推断

这个名字开始出现在公司通常不会用来预埋消息的地方。10 月 13 日，LiteLLM —— 一个跨模型提供商标准化 API 调用的开源库 —— 合并了一个把「azure_ai/claude-fable-5-5」加入其模型定价文件的拉取请求。创建该 PR 的机器人注明这一标识符直接取自 Azure 的 East US 2 模型目录 —— 微软部署 Anthropic 模型的云基础设施。该条目随后被移除，但在此之前已被观察者记录在案。The Information 今天发表的一篇报道描述了一个已被至少一名外部测试者测试过的模型，其决定性特征是推断用户指令背后的目标，而不只是执行字面请求。随后，The Information 的联合执行主编 Amir Efrati 在 X 上公开发问，Anthropic 是否即将发布 Fable 5.5，并补了一句：「看起来是。」

命名证据还不是已确认的公告。Anthropic 没有发表任何官方声明，The Information 的记者 Stephanie Palazzolo 后来澄清，发布预计在「未来几周内」，而非立即。但这些迹象的汇合 —— 取自 Azure 实时模型目录的基础设施条目、早期的路由信号、一名外部测试者的说法，以及 The Information 自己的编辑关注 —— 使这成为自 Fable 5.1 发布以来 Anthropic 主要模型最强的发布信号。报道核心的那项能力本身也意义重大：一个不只回答你所问、还试图推理你实际需要什么的模型。

这一切发生在一个三周的时段内，期间 Gemini 4 Argon 已全球可用、GPT-6.1 Sol 在 OpenAI 的 DevDay 发布，Google 和 OpenAI 也都预告了更多发布。问题不再是竞争浪潮是否将至。而是 Anthropic 显而易见的押注 —— 用目标推断而非视觉广度或激进定价来区隔下一代模型 —— 在技术上能否交付。

路由信号：Fable 5.1 早已指向某处新东西

有东西在准备中的第一个迹象出现在本月早些时候，早于任何基础设施条目。一波开发者注意到，Anthropic 当前的旗舰 Fable 5.1 正被悄悄路由到一个行为不同的模型 —— 更有能力，显然未经宣布。

这些信号足够具体，令人信服而非一厢情愿。被路由到的模型知道「Tibo」，这是一位热门社媒人物的昵称，最近才成为梗 —— 在 Fable 5.1 的训练截止之后，表明接收流量的模型有更晚的知识边界。发现自己被路由到新模型的开发者，用他们日常工作流要求的任务来跑它：生成动画、运行 3D 物理模拟、从零构建可用代码。

一名用户构造了一个四行的提示，要求模型生成一个题为「A Person's Life」的逐帧 JavaScript 动画。据这位开发者描述，模型运行了一段较长的会话，消耗了数百万 token 来完成它。另一名用户就同一个提示 —— 构建一个带真实阻力和回弹物理的交互式 3D 水母 —— 直接对比了 GPT-6.1 Sol。按这位观察者的评估，被路由到的 Anthropic 模型产生了更令人信服的弹性行为。

静默路由 —— 把一部分生产流量发给未发布的模型 —— 是 AI 实验室在正式发布前收集真实世界性能数据的标准做法。它不是发布日期的确认。但当这类路由数据与基础设施条目和外部测试者报道落在同一周时，「发布临近」的推断就变得强得多。

代码仓库的痕迹

Azure East US 2 模型目录中「claude-fable-5-5」的条目出现在 10 月 13 日 —— 正是承载 Azure 与 Anthropic 模型 API 集成的那套基础设施。自 Anthropic 模型通过 Azure AI 平台可用以来，Azure 和 Anthropic 一直有活跃的部署关系，所以一个 Anthropic 模型名在目录中注册在结构上并不意外 —— 但时机值得注意。

LiteLLM 当天也加入了自己的条目，路径为「azure_ai/claude-fable-5-5」。提交说明注明模型名源自 Azure 的模型接口文档。该条目不久后被移除，而这本身成了记录痕迹的一部分 —— 开发者在删除前存档了该提交。

两个条目都不构成 Anthropic 的官方公告，而仓库注册可能比发布提前数天、数周或更久。这些条目确实确认的是，「claude-fable-5-5」已在真实的基础设施语境中、在与 Anthropic 相邻的命名空间下出现 —— 这是一类不同于社媒猜测的证据。

The Information 的 Efrati 注意到这一模式，并在 X 上直接发问是否有临近的发布。Palazzolo 的更正 —— 「未来几周」而非第二天 —— 值得仔细读。Fable 5.1 和 Opus 5.5 都在周二发布，这助长了「10 月 20 日周二是目标日期」的猜测。Palazzolo 的澄清排除了这个具体日期，同时确认发布窗口很短。

Claude Code 已经展示出这种思路的一个版本

在新模型到来之前，值得审视当前的 Claude 在被给予狭窄指令和广阔语境时已经做了什么 —— 因为测试者为 Fable 5.5 描述的能力，在 Anthropic 的现有系统中并非全无先例。

两天前，一名 Mac 用户在 Reddit 上发帖，这个帖子在 X 上广泛传播。他要求 Claude Code 为他的电脑写一个小的温度监控应用。够直白的。Claude 开始读取传感器数据，注意到 CPU 温度达到 112°C —— 这个读数表明有东西在消耗大量算力 —— 它没有把这个数字显示在菜单栏里就算任务完成，而是去调查了。

它发现一个叫 xmrig 的进程以约 1175% 的 CPU 占用率运行，相当于同时把全部十二个核心跑满。Xmrig 是一个众所周知的加密货币挖矿程序。Claude 随后进一步追踪该进程：该二进制文件被藏在一个系统目录中，带有一个在用户请求温度计应用前数周就植入的自启动机制。这个恶意软件已经悄悄运行了数周。

Claude 没有自作主张删除任何东西。它呈现了自己的发现，并在采取任何移除行动前请求许可。用户同意了。温度监控器导向了一次恶意软件清除。

这是当前的 Claude —— 不是新模型 —— 在做一件结构上与 Fable 5.5 测试者所描述的类似的事：收到一个狭窄的指令，识别出潜藏在其背后的更广问题，并在就这个更广问题采取行动前请求许可。测试者归于新模型的区别在于，这种行为更一致、更审慎，也更能在复杂或抽象的领域推断用户的实际目标 —— 不只是在一个明目张胆的异常（1175% CPU）明显呈现自己的情况下。

新模型据称增加了什么

测试者在 The Information 中的说法描述了一个推断请求背后目标、而不是把请求当作任务完整规格的模型。

编码的例子是两个说明中更干净的一个：一名开发者要求模型修复一个 bug。当前的 Claude 修复那个 bug。新模型据称会检查这个 bug，识别出产生它的那一类错误，定位代码库中该类 bug 的所有其他实例，然后询问开发者是否想处理完整范围 —— 而不只是所报告的那个错误。这不只是把思维链推理应用于所陈述的任务。它是把推理应用于隐含的任务 —— 开发者实际需要完成、却没有完整说明的那个。

第二个例子在含义上更具推测性。被问及一个关于股票评估的常规问题时，新模型据称不去抓标准指标，而是提出一种预测未来价格行为的原创算法方法。测试者把这呈现为某位 AI 评论者所称「跳出框框思考」的证据 —— 以与所问问题不同的方式框定问题。AI 刊物 TestingCatalog 称这一能力意义重大：「跳出框框思考一直是大模型的难题；如果一个模型能可靠地做到这一点，AI 就正式进入了『创新者』阶段。」

投资那个例子代表一项有用的能力还是一种风险，很大程度上取决于语境。一个在被问一般性财务问题时提出新颖交易策略的模型，可能产生洞见 —— 也可能抛出一个用户没有依据评估、也没有要求的方法。适用于修 bug 例子的编辑性告诫，适用于财务推理时分量更重：目标推断只有在推断出的目标确实是用户的目标时才有价值。

意图推断背后的架构

作为一个技术概念，目标推断有一段早于语言模型的历史。在协作式逆强化学习中，智能体推断出最能解释人类指令或观察到的行为的奖励函数 —— 实际目标 —— 而不是把指令当作完整规格。Stuart Russell 把这一框架形式化的工作主张，一个为所陈述的偏好而非底层目标优化的 AI 系统，每当所陈述的偏好是对人类真正想要之物的不完整或不精确代理时，就会系统性地失败。

应用到一个生产语言模型上，目标推断意味着模型把「修复这个 bug」当作关于一个潜在目标 —— 「维护一个稳定的代码库」—— 的证据，而不是任务本身。当前 Claude 模型大量使用的思维链推理，把给定任务分解为子步骤。它不质疑任务。目标推断会：它追问什么样的目标会产生这条指令，然后朝那个目标推理。

产出可靠目标推断所需的训练方法未知；Anthropic 没有发表任何描述它的论文。可能的方法包括按目标对齐而非指令完成来校准的强化学习，或设计用来奖励那些识别根因而非表层修复的模型的合成训练数据。Anthropic 的宪法式 AI 框架及其关于模型自我批评的工作提供了相邻的技术语境，但公开研究中没有任何东西直接描述测试者归于这个模型的目标推断能力。

测试者的描述确实揭示的是一个具体的设计模式：模型把它推断出的更广目标呈现为一个假设，并在就它采取行动前请求确认。在修 bug 的场景中，它询问用户是否想处理这一类 bug —— 它不会单方面直接应用更广的修复。那个澄清步骤是关键的安全枢纽。一个推断出目标然后不经确认就就该推断行动的模型，可能把未经请求的更改应用到生产代码、财务账户或数据流水线上。这种澄清行为表明 Anthropic 把范围确认问题当作一等设计要求，而不是事后补丁。

这也是新失败模式出现的地方。目标推断引入了纯粹指令遵循系统中不存在的一种风险：模型推断出错误的目标，提出在抽象上正确、但对用户实际处境错误的更改。一个在紧急压力下要修补一行具体代码的开发者，不想让模型抛出一个系统性的代码库审计，无论那在技术上多么恰当。模型的确认行为是否足够稳健，能一致地、跨复杂任务图和不寻常领域地捕捉到其目标推断与用户实际意图之间的分歧 —— 这是部署数据需要确立的。

确认行为本身也造成摩擦。一个会问「你想让我处理整个这类 bug 吗？」的模型，给每一次它检测到更广问题的会话都加了一次往返。在交互式编码工作流中，如果模型抛出得太激进 —— 把普通指令当作说明不足，而用户其实只想把字面任务做完 —— 频繁的澄清提示会降低体验。校准是工程挑战：模型必须区分「用户的字面指令确实没充分说明其实际目标」的情形，和「用户想要的恰恰就是他们所说的」的情形。当前 Claude 的 xmrig 检测之所以奏效，是因为那个异常明白无误；在更微妙情形下的目标推断，要求模型判断指令与表面目标之间的差距是有意义的信号还是例行的范围限定。一个倾向过度推断的模型问太多澄清问题、拖慢工作流；一个倾向推断不足的模型退化为常规的指令遵循。这两种失败模式之间的狭窄通道，正是可靠目标推断在技术上困难的原因，也是目前没有任何已发表基准所衡量的。

为什么长任务才是真正的战场

当对照长上下文智能体部署的经济性来审视时，目标推断的商业理由变得最清楚。在跨越数百万 token 的任务中 —— 处理整个代码库、运行多步研究流水线、处理复杂的企业工作流 —— 长上下文智能体部署具有「赢家通吃大半」的特征：把某个模型认定为在其最苛刻工作流上可靠更优的开发者，会把大部分算力预算集中在那里，而不是分散到多个提供商。

延伸阅读：Claude Code 桌面版新增嵌套会话与保存的环境，面向并行智能体工作

其含义是，长任务边际上的智能，价值远高于这个边际看起来的样子。一个在智能体编码工作流中减少提示循环开销的模型 —— 把多轮规格说明和澄清压缩进一次带模型主动确认的会话 —— 不只是改善开发者体验。它会改变开发者把算力密集任务路由到哪里，而在一个赢家通吃大半的长任务市场里，这事关重大。

当前的智能体编码会话要求开发者按顺序下达指令：修复这个错误，现在检查相似文件，现在跑回归测试，现在验证修复没有引入回归。每一步都是一条单独的指令，因为模型未经明确指示无权扩大范围。目标推断若可靠，就压缩了那个序列。模型拿到第一条指令，构造一个关于用户目标的模型，抛出一次澄清，在确认后于一次会话内跨完整范围执行。xmrig 的故事是这种压缩已经在当前 Claude 中发生的一个具体例子 —— 新模型据称引入的区别在于，这种行为延伸到了更抽象、信号更稀疏的领域。

延伸阅读：Anthropic 发布 Haiku 5.5，价格直降 90%

Google 加码：Carbon 在 Jetski 上内部测试

在 Anthropic 准备 Fable 5.5 的同时，Google 并没有闲着。其当前旗舰 Gemini 4 Argon 直到 10 月 13 日才达到全球完全可用，正是 Fable 5.5 目录条目出现的那天。而 Business Insider 已经报道了 Google 的下一个模型：据该刊审阅的文件和截图，Gemini 4 Carbon 正在 Google 的内部软件开发平台 Jetski 上进行活跃的内部测试。

Business Insider 报道中浮现的员工评论，因其选择的竞争基准而值得注意。一名开发者说用 Carbon 编码「感觉像 Opus 5.5」。另一人在内部频道里只发了一句：「Carbon 真的很好。」Opus 5.5 是 Anthropic 的二线模型 —— 在 Fable 5.1 之下 —— 但它被广泛认为是生产中可用的最强编码模型。Google 选择 Anthropic 的二线编码模型作为自己下一代旗舰的内部基准，这是一个关于 Google 认为竞争标杆在哪里的信号。

The Information 另外确认，Carbon 在整体能力上比 Argon 更进一步，不过尚无公开性能数据。

Argon 本身有一套把它置于与 Anthropic 产品线直接竞争的具体定价结构。在 Argon 的introductory 促销期内，价格定在约为 Opus 5.5 费率的一半。在该促销于 11 月 30 日结束后，价格上调至与 Opus 5.5 的定价完全一致。这一定价策略表明 Google 是在 Opus 5.5 档位、而非 Fable 5.1 层级直接竞争 —— 这可能反映 Google 对 Argon 当前整体能力所处位置的诚实评估，尽管其视觉和多模态性能被广泛认为是一个强有力的差异化点。

延伸阅读：Gemini 4 Argon 社区演示惊艳，Google 却迟迟不开放公众访问

用过 Argon 的开发者一致认为视觉推理是它相对 Anthropic 和 OpenAI 替代品最清晰的优势：逐帧分析视频内容、审核一个网页界面是否正确渲染，以及以纯文本或弱多模态模型无法匹敌的方式解读复杂的视觉数据。Google 广阔的 YouTube 视频库 —— 二十年内容托管积累而成 —— 被认为是这一视觉能力的一个可能贡献因素，不过训练数据构成与具体能力之间的因果关系没有公开记录。

OpenAI 补齐价格阶梯：Terra 与循环 Transformer 的等待

OpenAI 当前的产品架构有一个缺口。9 月 29 日在 DevDay 发布的 GPT-6.1 Sol 是旗舰 —— 开发者形容它接近被取消的 GPT-6.1 Astra 的性能，而成本显著更低。那次取消于 9 月 28 日宣布，原因是安全和对齐方面的担忧未能让团队满意地解决，它让 OpenAI 的前沿开发受到审视。Sol 填补了高能力档位，但在 Sol 和预算档的 Luna 模型之间，OpenAI 有一个空档。

一个新的 Terra 档模型预计会填补它。最清晰的外部信号不是来自 OpenAI，而是来自微软：据 LuminaBench 的一篇报道，微软仓库中的一个拉取请求更新了 18 个基准配置文件，把标识符「GPT-5.6 Terra」全面替换为「GPT-6.1 Terra」。基准配置文件不是营销材料 —— 它们引用用于性能测试的具体模型端点。同时更新 18 个表明一次基础设施级的过渡正在进行，而不只是命名约定的更新。

新的 Terra 模型预计会把价格压到 Sol 之下，同时在能力上超过上一代 Terra。这把它定位为 OpenAI 提供给高用量 API 消费者的模型 —— 那些需要高于 Luna 的性能、但无法为每次调用都证明 Sol 档推理成本合理的用户。Terra 价格档在商业上很重要：构建每天运行数百万次推理调用应用的开发者，更在意第三或第四个有效数字上的成本，而非边际的基准优势，OpenAI 同时运营 Sol 和 Luna、而不是把产品线收拢成单一旗舰，已表明它明白这一点。

OpenAI 更有雄心的前沿工作 —— 一个纳入循环 Transformer 或递归深度架构的模型 —— 仍在安全审查中。循环 Transformer 把一个 Transformer 块的输出反馈为输入，迭代多次，在不按比例增加参数量的情况下提升有效推理深度，但代价是可解释性：穿过网络的计算路径跨递归周期更难追踪。鉴于 GPT-6.1 Astra 因对齐失败被取消、且 OpenAI 已公开承诺不赶着让模型通过安全审查，这种架构级工作预计不会在近期产出一个公开模型。

证据证明了什么、没证明什么

Fable 5.5 的命名证据现在实质上强于社媒猜测：Azure 的 East US 2 模型目录，以及自动从中同步的 LiteLLM 定价文件，都在与真实 Azure 模型端点相关的语境中包含了标识符「claude-fable-5-5」。这不同于某人在 X 上预测一个名字。它不确认模型的架构、基准或定价，也没有告诉我们 Fable 5.1 和 Fable 5.5 之间除了一名测试者所描述的之外改变了什么。

能力描述本身 —— 目标推断 —— 依赖于一名向 The Information 发声的匿名测试者。测试者的例子明确是示意性情景，而非有记录的实证结果。没有任何基准套件衡量过新模型在多样任务类型上的目标推断可靠性。没有独立开发者在受控条件下复现过那类 bug 的识别行为或新算法生成行为。

最重要的缺口不是新模型中是否存在目标推断 —— xmrig 的故事表明当前 Claude 在高信号情形下已经在做结构上类似的事 —— 而是它能否可靠地泛化到低信号情形。在写温度计时检测到加密挖矿恶意软件，是在信号（112°C、1175% CPU）明白无误异常的语境下的目标推断。推断「修复这个 bug」意味着「审计我代码库中的这一类 bug」，要求用弱得多的信号推理，而且是在一个过度宽泛的行动可能引入回归或延误紧急补丁的领域。

严格评估目标推断本身就是一个困难的测量问题。标准编码基准 —— SWE-bench、HumanEval 及其后继 —— 测试模型能否正确完成一个完全指定的编程任务。它们不测试模型能否识别出任务说明不足、推断更广目标、提出更宽范围、并在确认后执行。为那种能力构建基准，需要「正确」答案不是完成所陈述任务、而是认识到所陈述任务是一个更大任务的代理的评估集 —— 一个非平凡的基准设计挑战。在可信的评估框架存在之前，关于目标推断可靠性的说法依赖于开发者体验而非可复现的测量，无论轶事证据多么令人信服，这都是一个有意义的认识论缺口。

Palazzolo 的「未来几周」更正，是整组信号中最接地气的数据点。它意味着 Anthropic 已经近到基础设施条目开始出现在实时系统中，但还没近到正式公告临近。「目录条目存在」与「模型出货」之间的差距，正是剩余未知所在：发布是建立在 Fable 还是 Opus 血统之上、定价会是多少、以及基准故事会是什么样子。

延伸阅读：Anthropic Q3 营收 168 亿美元：增速降到 45%，IPO 估值目标 1.5 万亿

Anthropic 的商业背景在此很重要。公司第三季度营收增速减速到 45%，其 IPO 估值目标已被下调。一次交付可信、有差异化能力的模型发布 —— 尤其是加速企业采用 Claude Code 和长上下文智能体工作流的那种，那里的流量经济性强烈偏向领先模型 —— 会对 Anthropic 的财务轨迹有影响。这种商业压力不是驳回能力说法的理由，但它是把这些说法与单一信源的局限和任何已发表评估方法的缺失一并解读的理由。

三种不同的押注，一个决定性的月份

10 月的竞争图景有一个结构。Google 投资于多模态广度，尤其是视频和视觉推理，那里它对 YouTube 视频库的访问给了它一个 Anthropic 和 OpenAI 难以轻易复制的训练数据优势。OpenAI 用 Terra 扩展其价格阶梯，同时追求一种前沿架构 —— 循环 Transformer —— 它在出货前需要更多安全工作。而 Anthropic，按今天可得的证据，押注于目标推断：让智能体更能理解用户实际需要什么，而不是他们字面上说了什么。

这三种押注针对的是当前 AI 部署中不同的摩擦点。视觉推理对涉及真实世界媒体、网页内容和文档分析的任务最重要。成本分档差异化对构建推理密集应用的高用量 API 消费者最重要。目标推断在用户无法预先完整说明需求的地方最重要 —— 而这描述了几乎每一个在生产环境中大规模运行的复杂工程与分析任务。

长任务经济性表明，无论哪个模型把那些复杂、说明不足的任务处理得最好，都会攫取智能体工作流市场不成比例的份额。如果 Fable 5.5 交付一致的目标推断 —— 不只是在加密恶意软件检测这类明显情形中，还在构成大多数真实智能体部署的模糊推理链中 —— 它将改变开发者把最难的任务路由到哪里。模型的官方公告，无论在接下来几周何时到来，都需要提供让独立评估者检验该能力是否成立的基准和架构细节。在那之前，证据线索是真实的，能力说法是可信的，而它能否泛化的问题是最要紧的那个。