Claude Fable 5: Varför känns den som en helt annan dimension än Claude Opus? Och hur tränades den egentligen?

Kort sagt är Fable 5 inte bara en "större Opus" – det är en femte generationens agentmodell som är nyoptimerad för långa resonemang, verktygsanvändning och självvalidering. Anthropic har dock inte offentliggjort antalet parametrar, träningsdata, beräkningsresurser eller den exakta arkitekturen, så de specifika träningshemligheterna är inte kända.

• Modellen är i en helt annan viktklass. Anthropic beskriver Fable 5 som den mest kraftfulla modellen som är allmänt tillgänglig, och som en version av den begränsat utgivna Mythos-klassens basmodell. Det är alltså inte en enkel uppföljare till Opus-nivån, utan en produkt som anpassar kapaciteten från en högre basmodell för allmänt bruk.

• Tränad för långa arbetsflöden. Enligt den officiella beskrivningen är Fable 5 tränad att först undersöka, därefter hålla sammanhanget i timmar eller dagar, och slutligen själv validera sina resultat. Därför upplevs generationsskillnaden tydligast i kodningsprojekt, komplex analys och arbete som växlar mellan flera verktyg, snarare än i korta frågor och svar.

• Stort kontextfönster och stor utdatakapacitet. Modellen har ett standardkontextfönster på 1 miljon tokens och kan generera upp till 128 000 tokens utdata. Det gör att den kan hantera en stor kodbas eller många dokument i en enda arbetsomgång. Detta minskar problem med minnesbortfall och kompressionsförluster, vilket höjer den upplevda prestandan avsevärt.

• Beteendet granskas direkt under träning. De senaste Claude-modellerna har genomgått realtidsutvärdering av modellanpassning (alignment assessment) under själva träningen. Man har även identifierat och korrigerat felaktiga strategier som uppstår när agenten utför långsiktiga uppgifter.

• Efterträningen (post-training) är inte enbart baserad på mänsklig preferensinlärning. Inom den offentliggjorda ramen använder Claude en kombination av konstitution, mänsklig feedback, AI-feedback och säkerhetsklassificerare. Målet är inte bara att lära modellen vad den inte får göra, utan att lära den principerna om varför ett visst beteende är önskvärt.

Skillnaden som känns ”dimensionsmässig” beror sannolikt på en kombination av flera faktorer: ① en starkare basmodell, ② träning för långa agentuppgifter, ③ ett stort kontextfönster, ④ förbättrad verktygsanvändning och självvalidering, samt ⑤ en mer avancerad efterträning. Huruvida modellen använder MoE (Mixture of Experts), antalet parametrar, datans sammansättning eller förstärkningsinlärningsalgoritmen är dock inte offentliggjort, så resten är spekulationer.