我用 Fable 的一周

一句话总结：我试了 Fable（Mythos）一周，它跟以前用过的任何模型都不一样。无论是感觉还是价格，都像是下一代产品。但它也有些让人头疼的地方。

好的部分

Workflow 模式是最突出的。我让它做一个「完整代码审查」，然后看着它同时启动了几百个 agent。基本上我应用里的每个文件，它都分给了一个单独的 agent 去处理。它找出了 bug、边界情况、缺失的文档，还有 UX 改进建议——遍布整个应用。同样的提示我给其他模型用过，它们找出的问题远没有这么多。

它的自主性也很夸张。比任何之前的 Claude 或 GPT 模型都更愿意自己跑上几个小时，不去打扰你。最重要的是，我敢信任它完成我设定的目标。它很乐意烧掉大量 token 去达成目标。每次我启动 Fable，都感觉它是奔着解决一个巨大项目去的。

给 Fable 分配大规模、复杂的任务，我比以往任何时候都更有信心。我想不出什么问题会让它卡住。它看起来真的很渴望接手这些大任务。

这也是它最突出的地方——长周期任务。很难想象它的时间跨度极限在哪。

但它不是神。有些东西需要改进。

让人头疼的地方

它太啰嗦了。解释很快就钻到细节里出不来。我更新了 claude.md 想让它收敛一点，但还是不够。我不得不反复让它用更简单的方式解释。不只是啰嗦的问题，还有信息密度——它的解释方式让我觉得自己很蠢。

关于信息密度多说一句——我之前没意识到这有多重要。在固定 token 预算内传递的信息越多，模型就越能在更低的成本下表现得「更聪明」。这也让我觉得，未来 agent 可能会发明自己的超高密度语言。

Fable 特别喜欢问澄清问题。一个提示会变成：先问问题，然后总结我的回答，然后让我确认总结，然后写规范，让我确认规范，然后确认 agent 的执行方式（并行还是串行），最后才开始构建。我想要的是它自己帮我做这些决定。Anthropic 告诉我这个问题会在更新的系统提示中修复。

它感觉很慢。比之前的 Opus 模型甚至 GPT 都慢。启动慢，解决问题也慢。这跟我喜欢 Opus 的地方完全相反。Opus 在两个方面一直让我觉得比 GPT-5.5 快：原始 token 生成速度，以及它找到更短解决路径的能力。Fable 在这两点上都不同。即使是简单任务它也会慢慢来。我会看着计时器往上走，输出 token 却一动不动，五分钟过去了只用了几个千 token。它想做到尽可能全面，而这需要时间。

结论

实用建议：把 effort level 调低，比你以为需要的还要低。即使是中等设置它也想得非常多。低 effort 下它依然非常强大，而且还是会想一阵子。

这些问题都能解决——通过模型优化和增加计算容量来提升速度，通过更多微调/RL 和系统提示调整来改善啰嗦和过度谨慎的问题。

我的判断：MYTHOS 非常强大，我还在摸索怎么把它的能力榨到最大。它感觉像是只想要我最难的任务，其他的都不够好。这是一个全新训练周期的第一次亮相，它已经是我用过的最强的模型了。

这点我一直忘不掉。