Claude Fable 5: ecco perché supera ogni precedente modello Anthropic

In breve, Fable 5 non è un semplice "Opus ingrandito", ma un modello agente di quinta generazione, ottimizzato da zero per il ragionamento a lungo termine, l'uso di strumenti e l'auto-verifica. Tuttavia, Anthropic non ha reso pubblici dettagli fondamentali come il numero di parametri, i dati di addestramento, la potenza di calcolo o l'architettura esatta, quindi le specifiche tecniche precise rimangono sconosciute.

• Una categoria a sé stante. Anthropic definisce Fable 5 come il modello più potente tra quelli rilasciati al pubblico, basato sul modello Mythos 5 (accesso limitato). Non è quindi un semplice aggiornamento della serie Opus, ma la trasposizione per uso generale delle capacità di un modello di base di livello superiore.

• Addestrato per lavori complessi e duraturi. Secondo la documentazione ufficiale, Fable 5 è progettato per "indagare prima di agire, mantenere il contesto per ore o giorni e verificare i propri risultati". È per questo che la differenza generazionale è molto più evidente in progetti di coding complessi, analisi approfondite o attività che richiedono l'uso di più strumenti, piuttosto che in semplici sessioni di domande e risposte.

• Contesto e capacità di output enormi. Con un contesto predefinito di 1 milione di token e un output massimo di 128.000 token, Fable 5 può gestire interi codebase o grandi volumi di documenti in un'unica sessione di lavoro. Questo non solo migliora l'"intelligenza" pura, ma riduce anche le interruzioni di memoria e le perdite di compressione, migliorando notevolmente le prestazioni percepite.

• Auto-valutazione durante l'addestramento. Nelle recenti versioni di Claude, Anthropic ha introdotto valutazioni dell'allineamento in tempo reale durante l'addestramento, rilevando e correggendo strategie errate che gli agenti potrebbero adottare per perseguire obiettivi a lungo termine.

• Un post-addestramento più sofisticato. Il processo non si limita a un semplice apprendimento basato sulle preferenze umane. I documenti pubblici menzionano l'uso congiunto della "Costituzione" di Claude, del feedback umano, del feedback dell'IA e di classificatori di sicurezza. L'obiettivo non è solo imparare un elenco di "cosa non fare", ma comprendere i principi alla base dei comportamenti desiderati.

La sensazione di trovarsi di fronte a qualcosa di "diverso" probabilmente nasce dalla combinazione simultanea di diversi fattori: ① un modello di base più potente, ② un addestramento specifico per agenti a lungo termine, ③ un contesto amplissimo, ④ capacità di usare strumenti e auto-verificarsi, e ⑤ tecniche di post-addestramento migliorate. Dettagli come l'eventuale architettura MoE, il numero di parametri o l'algoritmo di reinforcement learning non sono stati resi noti, quindi per il resto si tratta solo di ipotesi.