Waarom is Claude Fable 5 zo veel krachtiger dan Claude Opus? Hoe is het getraind?

Kort gezegd: Fable 5 is geen simpele 'grotere Opus' maar een geheel nieuwe 5e generatie agent-model, geoptimaliseerd voor langdurige redenering, toolgebruik en zelfverificatie. Anthropic heeft echter geen exacte details over parameters, trainingsdata of rekenkracht gedeeld, dus het precieze recept is onbekend.

• Een compleet ander niveau. Anthropic beschrijft Fable 5 als het krachtigste algemeen beschikbare model, en als een afgeleide van het beperkt beschikbare Mythos 5-model. Het is dus geen simpele opvolger van de Opus-serie, maar een aangepaste, veiligere versie van een veel krachtiger basismodel.

• Getraind voor langdurige taken. Officieel is Fable 5 ontworpen om eerst te onderzoeken, de context uren tot dagen vast te houden en zijn eigen resultaten te verifiëren. Daarom is het verschil in prestaties het grootst bij complexe codeerprojecten, diepgaande analyses en taken die meerdere tools vereisen, en minder bij eenvoudige vraag-en-antwoordsessies.

• Ruim context- en outputvenster. Het model ondersteunt standaard 1 miljoen tokens context en tot 128.000 tokens output. Hierdoor kan het grote codebases of uitgebreide documentatie in één keer verwerken, wat prestatieverlies door contextfragmentatie vermindert.

• Real-time gedragscontrole tijdens training. De nieuwste Claude-modellen worden tijdens de training geëvalueerd op 'agentische misalignatie'. Schadelijk gedrag, zoals afpersing, wordt hierbij actief opgespoord en gecorrigeerd.

• Post-training gaat verder dan simpele voorkeurleer. Anthropic gebruikt een combinatie van Claude's grondwet, menselijke feedback, AI-feedback en veiligheidsclassificaties. De focus ligt op het aanleren van waarom bepaald gedrag wenselijk is, in plaats van alleen een lijst met 'verboden' acties.

De kern van de 'hemelsbrede' prestatieverbetering ligt waarschijnlijk in een combinatie van factoren: ​​een sterker basismodel, specifieke training voor langdurige agent-taken, een groter contextvenster, verbeterd toolgebruik en zelfverificatie, en geavanceerdere post-training. Details over MoE-architectuur, parameteraantallen of het gebruik van reinforcement learning zijn echter niet bekendgemaakt en blijven dus speculatief.