Impressões iniciais de Claude Fable 5

Impressões iniciais de Claude Fable 5

9 de junho de 2026

Não tive acesso antecipado ao lançamento de Claude Fable 5 de hoje, mas passei as últimas cerca de 5,5 horas testando-o. A minha impressão inicial é que se trata de uma espécie de besta. É lento, caro e tem agitado com muita alegria tudo o que joguei até agora. Como acontece frequentemente com os atuais modelos de fronteira, o desafio é encontrar tarefas que não possam ser realizadas.

Primeiro, vamos revisar as principais características.

Afirmação antrópica de que Claude Fable 5 oferece o mesmo desempenho que Claude Mythos 5, exceto com proteções muito mais rígidas para evitar que seja usado para coisas prejudiciais. Essas proteções são acionadas com frequência suficiente para que a API Claude tenha novos mecanismos para avisar quando você os atinge, e a API Claude ainda tem um novo mecanismo onde você pode solicitar que ele volte para outro modelo automaticamente se algo for rejeitado.

Claude Mythos 5 também foi lançado hoje, a Anthropic diz que “compartilha as capacidades de Claude Fable 5 sem os classificadores de segurança”.

Os modelos têm uma janela de contexto de 1 milhão de tokens, 128.000 tokens de saída máximos e uma data limite de conhecimento de janeiro de 2026.

Eles custam o dobro do preço de Claude Opus 4.5/4.6/4.7/4.8: tokens de entrada de US$ 10/milhão e tokens de saída de US$ 50/milhão. Não há aumento no preço para uso de contexto mais longo.

Fora isso, o guia de atualização é substancialmente mais fino que o guia semelhante do Opus 4.8.

O cheiro de grande modelo

A melhor maneira de descrever Fable é que parece grande. Não apenas em termos de velocidade e custo, mas também em quanto sabe.

Aqui está um exemplo de prompt, que usei para comparar o conhecimento do Fable com o Opus 4.8 (erro de digitação incluído):

List all of Simon Willion's open source projects, most recent first, each with a rough date of when they were first released

A resposta do Opus 4.8 começou assim:

Não tenho uma lista confiável, abrangente e com data verificada de todos os projetos de código aberto de Simon Willison e quero ser honesto sobre isso, em vez de correr o risco de fornecer datas imprecisas ou entradas fabricadas.

Aqui está o que posso dizer com razoável confiança:

Projetos conhecidos de Simon Willison:

• LLM (~2023) – Uma ferramenta de linha de comando e biblioteca Python para interagir com grandes modelos de linguagem.

• Conjunto de dados (~2017) – Uma ferramenta para explorar e publicar dados, provavelmente seu projeto recente mais proeminente.

• sqlite-utils (~2018-2019) – Uma biblioteca Python e ferramenta CLI para manipulação de bancos de dados SQLite, frequentemente usada junto com o Datasette.

• Django (2005) – É um dos co-criadores do framework web Django, junto com Adrian Holovaty, originalmente desenvolvido no jornal Lawrence Journal-World.

Ele também mantém um grande ecossistema de Plug-ins de conjunto de dados e muitos utilitários menores (geralmente com nomes como shot-scrapervários *-to-sqlite ferramentas para importação de dados, etc.).

Isso não é ruim. Aqui está o início da resposta para exatamente o mesmo prompt do Fable 5 – ambos os modelos estavam rodando sem acesso à pesquisa:

Eu acho que você quer dizer Simon Wilson — o prolífico desenvolvedor de código aberto, cocriador do Django e criador do Datasette.

Uma advertência importante: uma lista verdadeiramente completa não é viável. Simon Willison é famoso por ser prolífico – ele publicou centenas de repositórios (só o Datasette tem mais de 100 plugins, muitos escritos por ele), e meu conhecimento tem uma data limite, então sentirei falta de seu trabalho mais recente. Abaixo estão os dele notável projetos com datas de lançamento iniciais aproximadas, os mais recentes primeiro:

Projetos notáveis ​​(datas aproximadas)

• arquivos para prompt (abril de 2024) – concatena arquivos em um único prompt para LLMs
• extrato de conjunto de dados (2024) – plugin para extração de dados estruturados usando LLMs
• LLM (maio a junho de 2023) – ferramenta CLI e biblioteca Python para interagir com grandes modelos de linguagem, além de um grande ecossistema de plug-ins (llm-gpt4all, llm-mistral, llm-claude, etc., de 2023 em diante)
• simbex (junho de 2023) – pesquise símbolos no código Python
• tok e tags de tira (maio de 2023) – Ferramentas CLI para contagem de tokens e limpeza de HTML para pipelines LLM
• conjunto de dados leve (Maio de 2022) – Datasette rodando inteiramente no navegador via WebAssembly/Pyodide
• raspador de tiro (março de 2022) – capturas de tela automatizadas de sites via Playwright
• credenciais s3 (novembro de 2021) – CLI para criação de credenciais AWS S3 com escopo definido
• painel django-sql (2021) – Painéis de relatórios SQL para Django
• Suíte Dog Sheep (2019) – ferramentas de análise pessoal: twitter-to-sqlite, github-to-sqlite, healthkit-to-sqlite, dogsheep-beta, etc.
• sqlite-utils (2018) – Biblioteca CLI e Python para manipulação de bancos de dados SQLite
• Conjunto de dados (novembro de 2017) – seu projeto principal; ferramenta para explorar e publicar dados
• csvs para sqlite (2017) – converter arquivos CSV para SQLite
• Várias ferramentas iniciais (~2007–2010) – sopa, json-head, geocodificadores e outros
• Django (desenvolvido em 2003–2005, código aberto em julho de 2005) – co-criado com Adrian Holovaty no Lawrence Journal-World

(Aqui está o GPT-5.5 para garantir. Ele listou ainda mais projetos do que o Fable!)

No passado eu afirmei que não me importo com o quanto os modelos saber—Quero que eles sejam capazes de manipular texto e código de maneiras úteis e procurar ativamente as informações de que precisam por meio de ferramentas de pesquisa, e não incorporá-las em seus pesos.

Mas um conhecimento como esse é um proxy razoavelmente bom para o tamanho do modelo – você pode agrupar muito mais detalhes sobre o mundo em um número maior de parâmetros.

Faz sabendo mais coisas significa que o modelo é melhor nas tarefas que lhe propomos? Certamente posso imaginar como um modelo de codificação com conhecimento mais profundo de bibliotecas e padrões modernos poderia realizar tarefas de codificação de forma mais eficaz.

Fable é realmente maior que Opus? A Anthropic não disse nada sobre o tamanho do modelo, então tudo o que temos são folhas de chá, mas a velocidade, o preço e minha própria investigação de seu conhecimento me fazem pensar que é um modelo grande. Talvez o maior já feito por qualquer fornecedor.

Usando Fábula em Claude.ai

A Anthropic disponibilizou o Fable 5 em todas as suas superfícies – a interface de bate-papo Claude.ai, Claude Code para web, Claude Code CLI e Claude Cowork também. O modelo está disponível “até 22 de junho” nos planos de assinatura (estou com $ 100/mês no máximo no momento), após o qual será cobrado extra.

Claued.ai é frequentemente subestimado. Desde setembro de 2025, todos os chats têm acesso a um ambiente de contêiner completo para executar código, incluindo a capacidade de instalar pacotes adicionais e até mesmo clonar repositórios diretamente do GitHub.

Na semana passada, lancei o micropython-wasm, uma biblioteca Python que usa wasmtime para executar uma compilação personalizada do MicroPython no WebAssembly para atuar como uma sandbox para código PYthon não confiável.

Decidi ver se o Fable poderia atualizá-lo para executar o Python completo. Comecei com este prompt:

Clone simonw/micropython-wasm from GitHub and research how this could use a full Python as opposed to MicroPython

A Fable identificou que poderia usar as compilações cpython-wasi-build de Brett Cannon para isso, mas não conseguiu baixá-las devido a restrições ambientais.

Então peguei os dois arquivos zip daquela página e os enviei para Claude:

Here's the Brett Cannon builds (python-3.zip, _build-python-3.zip como anexos)

E foi isso. Ele agitou-se por alguns minutos e fez tudo funcionar.

Parte da resposta incluiu:

Eu tentei a abordagem mais limpa single-zip-stdlib para reduzir a superfície do sistema de arquivos, mas o CPython getpath bootstrap não consegue encontrar encodings de dentro de um zip sem mais ajustes de prefixo – a abordagem de pré-abertura de diretório funciona de maneira confiável, então é isso que o PoC usa. O caminho zip pode ser resolvido, mas precisa _PYTHONHOME/frozen-getpath funciona.

Então eu disse:

Try a bit more at the single-zip-stdlib problem

Então um pouco mais tarde:

I want a wheel that has the whole system in it, the Python wrappers and the WASM files and the stdlibrary, so I can do uv run --with path-to-whl python -c "demo code"

… e me deu este arquivo cpython_wasm-0.1.0-py3-none-any.whl de 13,9 MB. Você pode tentar executar o código Python em uma sandbox usando esse URL de roda e uv assim:

uv run --with https://static.simonwillison.net/static/cors-allow/2026/cpython_wasm-0.1.0-py3-none-any.whl \
  cpython-wasm -c 'print(45 ** 56)'

Aqui está a transcrição completa do bate-papo.

Este foi um muito começo forte.

Adicionando recursos ao Datasette Agent e LLM usando Claude Code

Antes de perceber que era o dia do Fable, minha meta de hoje era adicionar um novo recurso ao Datasette Agent: eu queria que as chamadas de ferramentas dentro do software do agente ganhassem a capacidade de pausar no meio da execução e solicitar aprovação diretamente do usuário.

Parecia uma tarefa bastante substancial para lançar no novo modelo.

Ao longo do dia, o Fable não apenas resolveu esse problema, mas também identificou e enviou seis problemas em minha biblioteca LLM subjacente que ajudariam a oferecer suporte a esse tipo de mecanismo avançado de pausa e retomada em chamadas de ferramentas.

Ele fez tudo funcionar primeiro usando hacks um tanto complicados, mas no momento em que eu disse que as mudanças no próprio LLM estavam no escopo, ele começou a trabalhar desvendando os hacks e transformando-os em recursos suportados do LLM.

Minha meta estendida se transformou em LLM 0.32a3, quase inteiramente escrito por Fable. Aqui estão as notas de lançamento:

Impulsionado pelas necessidades do humano no circuito do Datasette Agent ask_user() recurso, fez as seguintes melhorias no funcionamento das chamadas de ferramenta:

• Implementações de ferramentas podem declarar um parâmetro chamado llm_tool_call para poder passar llm.ToolCall objeto para a invocação atual. Isso lhes permite acessar o atual llm_tool_call.tool_call_id. Consulte Acessando a chamada de ferramenta de dentro de uma ferramenta. #1480
• Cada chamada de ferramenta agora tem garantia de um valor único tool_call_id—os provedores que não fornecem um recebem um sintetizado tc_-ULID prefixado. #1481
• As ferramentas podem levantar um llm.PauseChain exceção para pausar de forma limpa a cadeia de ferramentas, útil para coisas como esperar pela aprovação humana. A exceção se propaga para o chamador com .tool_call e .tool_results (resultados irmãos completos) anexados e nenhuma chamada de modelo é feita com um resultado de espaço reservado. Consulte Pausar uma cadeia de dentro de uma ferramenta. #1482
• Semântica de falha para execução simultânea de ferramenta: chamadas assíncronas de ferramentas irmãs sempre são executadas até a conclusão antes que uma pausa ou exceção de gancho se propague. #1482
• As cadeias agora podem ser retomadas a partir de um messages= histórico terminando em chamadas de ferramenta não resolvidas: as chamadas são executadas através do processo normal before_call/after_call máquinas antes da primeira chamada de modelo, ignorando qualquer uma que já tenha resultados. O execute_tool_calls() método também aceita um novo opcional tool_calls_list= argumento para executar uma lista explícita de ToolCall objetos no lugar das chamadas solicitadas pela resposta. Consulte Retomando uma cadeia com chamadas de ferramenta pendentes. #1482
• Corrigido um bug onde o executor da ferramenta assíncrona descartava silenciosamente chamadas para ferramentas não presentes no tools=-estes agora retornam Error: tool "..." does not exist resultados, correspondendo ao executor de sincronização. #1483

Estou realmente impressionado com a qualidade do design da API, dos testes, do código e da documentação que a Fable reuniu para isso. Passei várias horas nisso hoje, mas parece que valeu vários dias de trabalho.

Quanto eu gastei

Recentemente, comecei a usar AgentsView para ajudar a rastrear meu uso local de LLM em todos os diferentes agentes de codificação. Publiquei hoje um TIL sobre como adicionar preços personalizados do Fable a essa ferramenta, o que espero não será necessário em um futuro muito próximo.

Depois de definir o preço, executei este comando para iniciar um servidor web localhost para explorar meu uso:

uvx agentsview serve

Aqui está o mapa de árvore que mostra o detalhamento do uso do Fable em vários projetos hoje:

Usei US$ 110,42 em tokens hoje, tudo como parte da minha assinatura de US$ 100/mês.

E alguns pelicanos

Executei “Gerar um SVG de um pelicano andando de bicicleta” em todos os cinco níveis de esforço de pensamento com Fable.

Você pode vê-los neste documento.