TLDR Claude Fable 5.1 ist in erster Linie ein Upgrade der agentischen Ausführung. Die größten gemeldeten Zuwächse erscheinen in der wissenschaftlichen Forschung, Geschäftsautomatisierung, Terminal-Coding und anderen Workflows, die über viele Schritte hinweg Planung, Toolnutzung, Verifikation und Wiederherstellung erfordern. Die Verbesserungen sind bei geschlossenem Reasoning und kürzeren IDE-ähnlichen Coding-Aufgaben kleiner, daher hängt die beste Einsatzentscheidung stärker vom Workload ab als von einem einzelnen Schlagzeilenscore.
Zentrale Erkenntnisse
- Fable 5.1 erzielt 52,6 % auf Terminal-Bench-Science 0.1, mehr als doppelt so viel wie Fable 5 mit 24,7 % in Anthropics Evaluation.
- AutomationBench steigt von 17,1 % auf 31,4 %, was eine deutliche Verbesserung bei End-to-End-Geschäftsworkflows zeigt.
- Die Zuwächse sind bei CursorBench und dem toolgestützten Humanity’s Last Exam moderater, was nahelegt, dass die Veröffentlichung die nachhaltige Ausführung stärker verbessert als jede Form des Reasonings gleichermaßen.
- Fable 5.1 behält die gleichen Standard-Tokenpreise wie Fable 5 bei, während niedrigere Cache-Read-Preise die effektiven Kosten kontextschwerer Agent-Workflows reduzieren können.
- GPT-6 Astra ist nun der aktuellere OpenAI-Vergleich, wurde jedoch nicht in Anthropics Benchmark-Tabelle vom 1. September aufgenommen. Jede direkte Leistungsbehauptung erfordert eine kontrollierte Evaluation im gleichen Harness.
Anthropic veröffentlichte Claude Fable 5.1 am 1. September 2026 für anspruchsvolles Reasoning, langhorizontige Agenten, Software Engineering, Forschung und professionelle Wissensarbeit. Claude Fable 5.1 ist auch über die CometAPI verfügbar für Entwickler, die ihn zusammen mit anderen Frontier-Modellen über einen einheitlichen Endpunkt evaluieren möchten.
Die Schlagzeilenresultate sind stark, doch die Verteilung der Verbesserungen ist informativer als der Durchschnitt. Fable 5.1 gewinnt am meisten, wenn ein Agent ein Ziel über mehrere Schritte hinweg beibehalten, mit Tools interagieren, sich von Fehlern erholen und den Endzustand verifizieren muss. Dieser Artikel konzentriert sich darauf, was die Benchmark-Ergebnisse bedeuten, wo das Modell noch zurückliegt und wie man es gegen neuere Alternativen evaluieren sollte.
Claude Fable 5.1 auf einen Blick
Anthropics Modelldokumentation spezifiziert ein Kontextfenster von 1 Million Tokens, 128K maximale Ausgabe, Text- und Bildeingabe, stets aktive adaptive Denkmodi und einen Wissensstand bis Juni 2026. Die Claude API Modell-ID ist claude-fable-5-1.
| Offizielle Spezifikation | Claude Fable 5.1 |
|---|---|
| Anbieter | Anthropic |
| Veröffentlichungsdatum | 1. September 2026 |
| Modell-ID | claude-fable-5-1 |
| Kontextfenster | 1.000.000 Tokens |
| Maximale Ausgabe | 128.000 Tokens |
| Eingabe / Ausgabe | Text und Bilder → Text |
| Denken | Adaptiv, stets aktiv |
| Standardaufwand | Hoch |
| Wissensstand bis | Juni 2026 |
| Anthropic-Eingabepreis | $10 / MTok |
| Anthropic-Ausgabepreis | $50 / MTok |
| Cache-Read | $0,25 / MTok |
| Relative Latenz | Langsamer |
| Primäre Positionierung | Anspruchsvolles Reasoning und langhorizontige Agentenarbeit |
Die Standardpreise für Eingabe und Ausgabe bleiben wie bei Fable 5, während Cache-Reads auf $0,25 pro Million Tokens gesunken sind. Fable 5.1 hat keine niedrigeren Schlagzeilenpreise für Ein-/Ausgabe-Token. Die niedrigeren effektiven Kosten stammen primär aus einer 75%igen Reduktion der Cache-Read-Preise. Anthropic schätzt etwa 25 % niedrigere Kosten für typische Workloads und bis zu ungefähr 45 % für stark agentische Workloads.
Das ist wichtig, weil ein lang laufender Agent Repository-Kontext, Anweisungen, Tooldefinitionen und vorherigen Status wiederholt nutzt. Die Kosten pro abgeschlossener Aufgabe können sinken, auch wenn sich die Schlagzeilenpreise für Eingabe und Ausgabe nicht ändern.
Anthropic berichtet außerdem 60,9 % für Claude Mythos 5.1 auf Terminal-Bench 4.0. Mythos 5.1 ist eine separat bereitgestellte Version mit anderen Schutzmechanismen und sollte nicht als der allgemein verfügbare Fable 5.1-Score behandelt werden.
Was zeigen die Benchmarks zu Claude Fable 5.1?
Die folgenden Werte stammen aus Anthropics Evaluation vom September 2026. Sie beschreiben eine Modell-und-Harness-Konfiguration, keine unveränderliche Eigenschaft des Modells.
| Benchmark | Was gemessen wird | Fable 5.1 | Fable 5 | Opus 5 | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench-Science 0.1 | Agentische wissenschaftliche Forschung | 52,6 % | 24,7 % | 29,0 % | 22,4 % |
| Terminal-Bench 4.0 | Agentisches Terminal-Coding | 55,8 % | 42,0 % | 52,3 % | 37,3 % |
| GDPval-AA v2 | Professionelle Wissensarbeit, Elo | 1853 | 1723 | 1824 | 1711 |
| OSWorld 2.0, partial | Langhorizontige Computernutzung | 77,9 % | 72,9 % | 75,4 % | — |
| OSWorld 2.0, strict | Vollständig abgeschlossene Computeraufgaben | 41,7 % | 36,1 % | 39,6 % | — |
| Humanity’s Last Exam, no tools | Expertenniveau, multidisziplinäres Reasoning | 60,9 % | 57,8 % | 56,6 % | — |
| Humanity’s Last Exam, with tools | Experten-Reasoning mit Tools | 65,0 % | 63,8 % | 63,6 % | — |
| AutomationBench | End-to-End-Geschäftsworkflows | 31,4 % | 17,1 % | 26,9 % | 19,6 % |
| CursorBench 3.2.0 | Agentisches IDE-Coding | 73,4 % | 70,5 % | 70,0 % | 67,2 % |
Fable 5.1 liegt in allen neun berichteten Zeilen vor Fable 5 und Opus 5. Die größten Generationsgewinne treten in der wissenschaftlichen Forschung, Geschäftsworkflow-Automatisierung und Terminal-Codierung auf. Die kleineren Unterschiede bei Humanity’s Last Exam und CursorBench sind ebenso wichtig, da sie zeigen, dass die Verbesserung nicht in jeder Arbeitslast gleich ausfällt.
Wo verbessert sich Claude Fable 5.1 am meisten?
Terminal-Bench-Science 0.1: das hervorstechende Ergebnis
Fable 5.1 erzielt 52,6 %, gegenüber 24,7 % für Claude Fable 5, 29,0 % für Claude Opus 5 und 22,4 % für GPT-5.6 Sol in Anthropics Lauf. Die große Lücke von 27,9 Punkten zwischen den Generationen ist deutlich größer als der gemeldete Standardfehler pro Modell, während kleinere Lücken – wie der 3,5-Punkte-Unterschied zwischen Fable 5.1 und Opus 5 auf Terminal-Bench 4.0 – vorsichtiger interpretiert werden sollten.
Terminal-Bench-Science evaluiert vollständige Forschungs-Workflows über wissenschaftliche und technische Domänen hinweg. Agenten müssen Code, Analysen, Beweise, Simulationen oder Datenprodukte erstellen, statt nur isolierte Fragen zu beantworten. Anthropic berichtet einen Standardfehler von etwa ±3,5–4,5 Punkten pro Modell, daher sollten kleine Lücken nicht automatisch als bedeutende Fähigkeitsunterschiede interpretiert werden.
Terminal-Bench 4.0: stärkere autonome Codierung
Fable 5.1 erreicht 55,8 %, vor Fable 5 mit 42,0 %, Opus 5 mit 52,3 % und GPT-5.6 Sol mit 37,3 %. Die Verbesserung um 13,8 Punkte gegenüber Fable 5 ist erheblich, während der 3,5-Punkte-Vorsprung gegenüber Opus 5 vergleichsweise gering ist.
Der Benchmark platziert Agenten in einer Ausführungsumgebung, sodass der Erfolg davon abhängt, die Umgebung zu navigieren, Code zu ändern und Ergebnisse zu validieren. Da Terminal-Bench 4.0 einen anderen Aufgabensatz als frühere Versionen verwendet, sollten Scores nur innerhalb derselben Benchmark-Version verglichen werden.
AutomationBench: ein großer Zuwachs mit viel Luft nach oben
AutomationBench steigt von 17,1 % bei Fable 5 auf 31,4 % bei Fable 5.1. Das ist ein absoluter Zuwachs von 14,3 Punkten oder ungefähr ein relativer Gewinn von 84 %.
Der Benchmark evaluiert Workflows in Vertrieb, Marketing, Betrieb, Support, Finanzen und HR, indem der finale Umgebungszustand überprüft wird. Dadurch ist er ein nützlicher Test, ob ein Agent einen Workflow tatsächlich abgeschlossen hat, statt lediglich die richtigen Aktionen vorzuschlagen. Der Score offenbart auch die verbleibende Einschränkung: Rund zwei Drittel der Aufgaben wurden unter der von Anthropic berichteten Konfiguration weiterhin nicht abgeschlossen.
CursorBench 3.2.0: ein kleinerer Coding-Zuwachs
Fable 5.1 erreicht 73,4 %, gegenüber 70,5 % für Fable 5, 70,0 % für Opus 5 und 67,2 % für GPT-5.6 Sol. Der Zuwachs gegenüber Fable 5 beträgt nur 2,9 Punkte.
Die Veröffentlichung wirkt daher weniger transformativ bei kürzeren IDE-ähnlichen Coding-Aufgaben als bei längeren Workflows, die Planung, Ausführung, Verifikation und Wiederherstellung umfassen. Evaluationssuites sollten Repository-weite Änderungen und die Recovery bei fehlschlagenden Tests einschließen, statt nur die Codegenerierungsqualität.
OSWorld 2.0: Computernutzung bleibt schwierig
Fable 5.1 erzielt 77,9 % mit Teilkredit und 41,7 % unter strikter Vollendung. Opus 5 erreicht 75,4 % und 39,6 %, während Fable 5 72,9 % und 36,1 % erreicht.
Der strikte Score ist das aufschlussreichere Signal für die Produktion. Weniger als die Hälfte der Aufgaben wurde vollständig abgeschlossen, was zeigt, dass Fortschritte in der Computernutzung die Notwendigkeit von Checkpoints, Berechtigungen, Monitoring und Recovery-Logik nicht eliminieren.
CursorBench und Humanity’s Last Exam: kleinere Zuwächse
Fable 5.1 erreicht 73,4 % auf CursorBench 3.2.0, nur 2,9 Punkte über Fable 5. Beim Humanity’s Last Exam gewinnt es 3,1 Punkte ohne Tools und 1,2 Punkte mit Tools.
Diese engeren Lücken stützen die zentrale Interpretation: Fable 5.1 ist bei langen Workflows mit Planung, Ausführung, Verifikation und Wiederherstellung transformierender als bei kürzeren IDE-Aufgaben oder geschlossenem akademischem Reasoning.
Claude Fable 5.1 vs Fable 5 vs GPT-6 Astra vs Opus 5
Kurzantwort: Fable 5.1 ist die stärkste Option in Anthropics veröffentlichter Langhorizont-Benchmark-Tabelle; Opus 5 ist der wirtschaftlichere Ausgangspunkt, wenn die kleinere Leistungslücke akzeptabel ist; Fable 5 bleibt die Legacy-Baseline; GPT-6 Astra erfordert einen Test im gleichen Harness, bevor eine direkte Rangfolge möglich ist.
Fable 5.1 ist gegenüber Fable 5 ein klarer Generationssprung auf Anthropics berichteten Benchmarks für langhorizontige Agenten. GPT-6 Astra ist der aktuellere OpenAI-Vergleich, wurde jedoch nach Anthropics Evaluation vom 1. September veröffentlicht und nicht im selben Benchmark-Harness aufgenommen.
| Dimension | Claude Fable 5.1 | Claude Fable 5 | GPT-6 Astra |
|---|---|---|---|
| Kontextfenster | 1M Tokens | 1M Tokens | 1,05M Tokens |
| Maximale Ausgabe | 128K | 128K | 128K |
| Standard Eingabe/Ausgabe | $10 / $50 pro MTok | $10 / $50 pro MTok | $10 / $50 pro MTok |
| Cache-Read | $0,25 / MTok | $1 / MTok | Aktuelle Anbieterbedingungen prüfen |
| Terminal-Bench-Science 0.1 | 52,6 % | 24,7 % | Nicht in Anthropics Launch-Tabelle |
| Terminal-Bench 4.0 | 55,8 % | 42,0 % | Nicht in Anthropics Launch-Tabelle |
| AutomationBench | 31,4 % | 17,1 % | Nicht in Anthropics Launch-Tabelle |
| Primäre Positionierung | Anspruchsvolles Reasoning und langhorizontige Agenten | Frühere Fable-Klassen-Baseline | Schwierige End-to-End-Professional-Work |
Gegenüber Fable 5 zeigt Fable 5.1 seine größten gemessenen Zuwächse in der wissenschaftlichen Forschung, Geschäftsautomatisierung und Terminal-Codierung, bei gleichbleibenden Standard-Tokenpreisen. Niedrigere Cache-Read-Preise verbessern zusätzlich die Wirtschaftlichkeit wiederverwendeten Kontexts bei Agenten.
Auswahlregel: Starten Sie mit Opus 5, wenn Kosten Priorität haben; skalieren Sie auf Fable 5.1, wenn Langhorizont-Vollendung und Recovery am wichtigsten sind; behalten Sie Fable 5 nur für kompatibilitätskritische Workloads bei und evaluieren Sie GPT-6 Astra in einem kontrollierten Test mit demselben Harness, bevor Sie in Produktion gehen.
Wie sieht die Benchmark-Leistung nach Workload aus?
| Fähigkeit | Ergebnis Fable 5.1 | Veränderung vs Fable 5 | Interpretation |
|---|---|---|---|
| Agentische wissenschaftliche Forschung | 52,6 % | +27,9 Pkt. | Sehr großer Zuwachs |
| Geschäftsworkflow-Automatisierung | 31,4 % | +14,3 Pkt. | Sehr großer Zuwachs |
| Terminal-Coding | 55,8 % | +13,8 Pkt. | Großer Zuwachs |
| Computernutzung, strikt | 41,7 % | +5,6 Pkt. | Moderater Zuwachs |
| Computernutzung, partial | 77,9 % | +5,0 Pkt. | Moderater Zuwachs |
| Experten-Reasoning, ohne Tools | 60,9 % | +3,1 Pkt. | Kleiner Zuwachs |
| IDE agentisches Coding | 73,4 % | +2,9 Pkt. | Kleiner Zuwachs |
| Experten-Reasoning, mit Tools | 65,0 % | +1,2 Pkt. | Kleiner Zuwachs |
| Professionelle Wissensarbeit | 1853 Elo | +130 Elo | Stark, konfigurationssensitiv |
Das Muster ist konsistent: Die größten Verbesserungen erscheinen, wenn der Erfolg von Ausdauer, Planung, Interaktion mit der Umgebung, Toolnutzung und Wiederherstellung über die Zeit abhängt.
Was sagen die Benchmarks nicht aus?
Benchmark-Tabellen komprimieren Verhalten in einzelne Zahlen. Sie beweisen nicht, dass autonome Agenten gelöst sind, und sie sagen nicht jede Produktions-Workload voraus.
- Die Hauptvergleichstabelle ist vom Anbieter ausgeführt.
- Effort-Einstellungen beeinflussen Qualität, Latenz und Kosten.
- Agenten-Benchmarks messen das Zusammenspiel aus Modell, Harness, Tools und Berechtigungen.
- Produktionssafeguards waren für Fable 5.1 aktiviert und beeinflussten einige Ergebnisse.
- Benchmark-Versionen ändern sich, daher sind Werte aus unterschiedlichen Task-Releases möglicherweise nicht vergleichbar.
- AutomationBench verbleibt bei 31,4 %, während OSWorld Strict bei 41,7 % bleibt; erhebliche Fehlerraten bestehen fort.
Eine praxisnahe Evaluation sollte öffentliche Scores zur Vorauswahl nutzen, einen kleinen Vergleich mit identischen Einstellungen reproduzieren und dann den tatsächlichen Produktionsworkflow testen.
Ist Claude Fable 5.1 das beste Claude-Modell?
Für maximale Leistungsfähigkeit bei schwieriger, lang laufender Arbeit liefern die Benchmarks eine starke Argumentation für Claude Fable 5.1. Für jede Workload: nein.
Anthropic bepreist es mit $10 pro Million Eingabe-Token und $50 pro Million Ausgabe-Token, gegenüber $5 und $25 für Opus 5. Die Prämie ist nur dann gerechtfertigt, wenn Fable 5.1 eine höhere Erfolgsrate, weniger Retries, weniger Tokens pro akzeptierter Aufgabe oder eine ausreichende Reduktion der menschlichen Review-Zeit liefert.
Niedrigere Cache-Read-Preise können die effektive Kostendifferenz für Agenten verringern. Kosten pro akzeptiertem Ergebnis sind daher aussagekräftiger als der reine Preis pro Token.
Wie sollten Sie Claude Fable 5.1 benchmarken?
Ihre Evaluation sollte der beabsichtigten Produktions-Workload ähneln.
- Programmierung: Testen Sie vollständige Tickets und erfassen Sie Patch-Akzeptanz, bestandene Tests, Retries, Toolaufrufe, verstrichene Zeit und menschliche Korrekturzeit.
- Forschung: Bewerten Sie Quellenqualität, Faktengenauigkeit, Evidenzabdeckung, Subtask-Abschluss und Zieltreue über lange Läufe.
- Business-Agenten: Bewerten Sie den finalen Umgebungszustand anstatt die Anzahl einzelner korrekter Aktionen.
- Computernutzung: Messen Sie die Recovery bei Pop-ups, langsamen Seiten, unterbrochenen Sitzungen und inkonsistentem Applikationszustand.
- Modellvergleich: Halten Sie Prompts, Harnesses, Tools, Berechtigungen, Effort-Einstellungen und Bewertungsregeln konstant.
- Ökonomie: Messen Sie Kosten pro akzeptierter Aufgabe, nicht nur Kosten pro Token.
Fazit
Die Benchmark-Evidenz legt nahe, dass Fable 5.1 am wertvollsten ist, wenn eine Aufgabe nachhaltige Ausführung statt einer einzelnen Antwort erfordert. Die stärksten Anwendungsfälle umfassen wissenschaftliche Forschung, autonome Codierung, komplexe Geschäftsautomatisierung und Workflows mit wiederholter Verifikation und Recovery.
Die Evidenz stützt keine universelle Überlegenheit. Kleinere Lücken bei mehreren Benchmarks, bedeutende Fehlerraten bei strikter Computernutzung und das Fehlen von GPT-6 Astra in Anthropics Launch-Tabelle unterstreichen die Notwendigkeit workload-spezifischer Tests.
Für CometAPI-Nutzer lautet eine praktische Einsatzregel: Testen Sie Fable 5.1 dort, wo Langhorizont-Erfolg die Premium-Inferenz rechtfertigen könnte, und vergleichen Sie es dann mit Opus 5, GPT-5.6 Sol und GPT-6 Astra anhand derselben repräsentativen Aufgaben, bevor Sie eine Produktionsroute wählen.
FAQs
Wie lautet der höchste Benchmark-Wert von Claude Fable 5.1?
Unter Anthropics gemeldeten Prozentmetriken erreicht Fable 5.1 77,9 % Teilkredit auf OSWorld 2.0 und 73,4 % auf CursorBench 3.2.0. Seine größte Generationsverbesserung ist Terminal-Bench-Science mit 52,6 % gegenüber 24,7 % für Fable 5.
Wie viel besser ist Claude Fable 5.1 als Fable 5?
Der Zugewinn variiert stark je nach Workload: 27,9 Punkte bei Terminal-Bench-Science, 14,3 bei AutomationBench und 13,8 bei Terminal-Bench 4.0, aber nur 2,9 bei CursorBench und 1,2 bei toolgestütztem Humanity’s Last Exam.
Ist Claude Fable 5.1 besser als Claude Opus 5?
Es erzielt in Anthropics berichteter Tabelle höhere Werte, aber viele Abstände sind klein. Anthropic empfiehlt, mit Opus 5 zu beginnen und zu eskalieren, wenn zusätzliche Langhorizont-Fähigkeiten benötigt werden.
Schlägt Claude Fable 5.1 GPT-5.6 Sol?
Anthropic berichtet höhere Fable 5.1-Scores bei fünf gemeinsamen Metriken. Da dies anbietergeführte Wettbewerber-Evaluationen sind und Konfigurationen variieren, ist die sichere Schlussfolgerung, dass Fable 5.1 hoch wettbewerbsfähig ist, aber nicht universell überlegen.
Sind die Ergebnisse unabhängig verifiziert?
Nur teilweise. Mehrere Benchmarks haben öffentliche Leaderboards, aber Effort, Harness, Fallback-Verhalten und Task-Versionen müssen ausgerichtet werden, bevor ihre Werte direkt mit Anthropics Launch-Lauf verglichen werden können.
Wofür eignet sich Claude Fable 5.1 am besten?
Sein Benchmark-Profil ist am stärksten für lang laufende wissenschaftliche Forschung, autonome Codierung, komplexe Agent-Workflows, Geschäftsautomatisierung und Aufgaben, die Planung, Tools, Verifikation und Wiederherstellung erfordern.
Wie kann ich auf Claude Fable 5.1 zugreifen?
Claude Fable 5.1 ist in der CometAPI gelistet mit der Modell-ID claude-fable-5-1. Ein einheitlicher Endpunkt macht es praktikabel, denselben Evaluations-Workload über mehrere Modelle laufen zu lassen, bevor Sie eine Produktionsroute wählen.