Fable 5 重新上线，Megakernel 创 18.7x 纪录

1. Claude Fable 5 重新部署，容量与路由争议持续

Anthropic 宣布 Fable 5 在更新网络安全防护措施后重新上线。根据官方博客，新的分类器可能会暂时增加良性网络安全请求的误报率，被标记的请求将回退到 Opus 4.8。付费订阅用户可在 7 月 7 日前使用 Fable 5，但用量上限为每周配额的 50%。

与此同时，社区对模型路由透明度的争议升温。有用户报告选择 Fable 5 后实际被静默路由到 Opus 4.8，产生了 321 美元的高额账单，引发了关于后台编排是否应透明化的激烈讨论。Anthropic 同时宣布 API 速率限制提升并简化了层级结构，且 Claude Code artifacts 功能已扩展到 Pro 和 Max 订阅计划。

I've heard a lot of questions about Fable's availability on subscription plans. While it will come off subscriptions after July 7th, we aim to restore Fable as a standard part of our subscriptions as soon as capacity allows, as we mentioned in our original blog post.
— @trq212 (Trapit Bansal, Anthropic)

我听到了很多关于 Fable 在订阅计划上可用性的疑问。虽然 7 月 7 日后会从订阅中移除，但我们将按原始博客中所述，在容量允许时尽快将 Fable 恢复为订阅的标准组成部分。

2. Elliot Arledge: Fable 5 写出首个真实 Megakernel，18.7x 加速

当天技术含量最高的编码智能体成果来自 Elliot Arledge：Claude Fable 5 [max] 为 Kimi-Linear W4A16 解码任务写出了首个真正的单次启动 Megakernel，在 RTX PRO 6000 Blackwell 上实现 18.7x 参考基准加速，超越了此前所有多 kernel Triton pipeline 方案（Opus 4.8 14.4x、GLM-5.2 11.1x、GPT-5.5 4.3x）。

该 kernel 将 int4 反量化、卷积+SiLU、门控 delta 状态、MLA 注意力（在线 softmax）、MoE 路由器+top-8 experts、RMSNorm 和 KV cache 追加全部融合在一次 kernel 启动中，通过 14 个 grid barrier 分段协调。Fable 花费了 64% 的会话时间静默测量基准、微基准测试并推导出约 29x bytes/token 的性能上限，然后一次性写出 kernel，首次运行即达 14.4x，最后一小时删除了 barrier 并将 int4 反量化优化为免费操作。

Claude Fable 5 [max] wrote the first genuine (and fastest) megakernel ever submitted to KernelBench-Mega. Fable shipped 18.7x over reference, and torch.profiler shows exactly ONE cooperative kernel launch per decoded token. Int4 dequant (nibbles unpacked in-register, never materialized), conv+SiLU, KDA gated-delta state, MLA absorbed-latent attention with online softmax, MoE router + top-8 experts, RMSNorms, even the KV cache append all inside one launch, staged by 14 grid barriers.
— @elliotarledge

Claude Fable 5 [max] 写出了首个真正（也是最快的）提交到 KernelBench-Mega 的 Megakernel。Fable 实现了 18.7x 参考基准加速，torch.profiler 显示每个解码 token 恰好只有一次协作 kernel 启动。int4 反量化（寄存器内解包、从不落地）、conv+SiLU、KDA 门控 delta 状态、MLA 吸收式注意力（在线 softmax）、MoE 路由器+top-8 experts、RMSNorm，甚至 KV cache 追加，全部在单次启动内完成，通过 14 个 grid barrier 分段。

3. UK AISI: 测试时计算预算大幅影响 AI Agent 能力评估

英国 AI 安全研究所（UK AISI）发布了一项关键研究，指出当前 AI agent 评估严重低估了前沿模型的能力，原因在于测试时计算预算设置不足。核心发现是：在当前前沿水平下，将 token 预算从 250 万提升到 5000 万，agent 操作时间估计从约 2 小时跃升至约 14 小时。

这意味着如果不分配足够的计算资源，评估会系统性地低估前沿 agent 的真实能力。该发现获得了 Noam Brown、David Rein、Toby Ord 等多位研究者的广泛传播和认可，对整个 AI 评估体系的方法论提出了重要挑战。

UK AISI: "At the current frontier, raising the budget from 2.5M to 50M tokens increases the estimated horizon from (roughly) 2 hours to 14 hours"
— @scaling01

UK AISI："在当前前沿水平下，将预算从 250 万 token 提升到 5000 万 token，估计的操作时间从约 2 小时增加到 14 小时。"

4. Mitchell Hashimoto: Fable 规划 + GPT-5.5 编码 + Fable 评判的多模型协作工作流

HashiCorp 创始人 Mitchell Hashimoto 分享了一个高效的多模型编码工作流：使用 Fable 5 xhigh 作为规划/架构师，GPT-5.5 xhigh 作为编码执行者，再用 Fable 5 xhigh 作为评判者。关键优势在于成本结构：规划和评判阶段仅花费几美元，而完整 Fable 5 往返通常需要 50 美元以上。

Hashimoto 特别提到 GPT-5.5 即使在高推理强度下也比 Fable 5 便宜且速度极快，并且编码质量出色。虽然该方案上线不足 24 小时，但初步结果令人鼓舞。

I'm having a lot success using Fable xhigh as a planner/architect, using GPT 5.5 xhigh (subscription) as a coder, then Fable xhigh again as a judge. At API pricing, planning+judge costs are in the ~few dollar range compared to typical $50+ full round trips.
— @mitchellh (Mitchell Hashimoto)

我使用 Fable xhigh 做规划/架构、GPT 5.5 xhigh 做编码、Fable xhigh 做评判，效果非常好。按 API 定价计算，规划+评判的成本仅几美元，而通常完整往返需要 50 美元以上。

5. Bridgewater + Thinking Machines: 微调 Qwen3-235B 击败前沿模型

全球最大对冲基金桥水（Bridgewater）与 Mira Murati 创立的 Thinking Machines 合作，在六项文档过滤任务上测试了 Gemini、Claude 和 GPT。朴素提示准确率仅约 50%（相当于抛硬币），专家优化提示提升到 78%，但仍未达到投资者所需的 80% 信任门槛。GPT 5.4 比 5.2 贵 43% 但准确性几乎无提升。

他们转而使用 Tinker 平台微调 Qwen3-235B，最终达到 84.7% 准确率，比最佳前沿模型少 29.8% 的错误，推理成本仅为其 1/14。最精妙的技术是他们发现供应商标注的训练数据存在大量错误标签——他们先在有噪声数据上训练模型，然后用模型回测训练数据，任何模型不认同的样本被路由给高级投资者复查，模型自身的"困惑"成了错误标签的检测器。

Bridgewater just published numbers that should make every frontier lab nervous. They fine-tuned Qwen3-235B on Tinker instead. 84.7% accuracy. 29.8% fewer mistakes than the best frontier model. At 1/14th the inference cost.
— @aakashgupta

桥水刚刚公布了一组让每个前沿实验室都该紧张的数据。他们改在 Tinker 上微调 Qwen3-235B。84.7% 的准确率。比最佳前沿模型少 29.8% 的错误。推理成本仅为其 1/14。

6. Together AI: GLM-5.2 以 20% 成本达到 Sonnet 5 约 80% 软件工程能力

Together AI 使用 DeepSWE 基准对 GLM 5.2 和 Sonnet 5 进行了软件工程能力对比分析。结果显示，GLM 5.2 在软件工程任务上达到了 Sonnet 5 约 80% 的能力，但成本仅为后者的约 20%。

此外，GLM-5.2 已可通过 Hugging Face Inference Providers 在 Claude Code 中直接选择使用，标志着开源模型正在进入一线开发工作流。Clement Delangue（Hugging Face）、Jason 和 Bryan Catanzaro（NVIDIA）等多位行业人士均发表了相似观点：开源模型正成为企业和开发者的"主权层"。

We analyzed GLM 5.2 vs Sonnet 5 for software engineering tasks using DeepSWE. GLM 5.2 gets you ~80% of Sonnet 5's capability at ~20% of the price.
— @togethercompute (Together AI)

我们使用 DeepSWE 分析了 GLM 5.2 与 Sonnet 5 在软件工程任务上的对比。GLM 5.2 以约 20% 的价格提供了 Sonnet 5 约 80% 的能力。

7. DeepSeek V4 Flash 在单张 RTX 5090 上实现 1M 上下文本地运行

社区开发者通过 llama.cpp 补丁将 DeepSeek V4 Flash 的 DSA/lightning indexer 接入模型图并添加了 CUDA kernel，成功在单张 RTX 5090 上实现了高达 1M token 上下文的本地运行。此前该任务需要约 256 GiB 计算缓冲显存。

实测数据显示：256K 上下文时计算缓冲从约 67 GiB/OOM 降至 3.2 GiB，prefill 从 56 t/s 提升至约 263 t/s，decode 维持在约 14 t/s。1M 上下文时峰值显存约 31 GiB，prefill 约 159 t/s。社区反响热烈，同时也有评论提醒"看起来好得不真实"，建议提交上游 llama.cpp 审核。

8. Code Arena Fullstack 发布：从 UI Demo 到全栈软件评估

Code Arena 推出了 Fullstack Code Arena，将编码能力评估从前端 mockup 扩展到了包含数据库、API 密钥、部署和结构化工具使用的完整软件。这标志着编码 benchmark 从"模型能否写一个组件？"升级为"agent 能否端到端交付一个真实应用？"。

这一转变与 Aryan Vichare 等多位实践者的观点一致：评估应基于真实环境而非静态 prompt。LangChain 也同期在 LangSmith 中推出了统一追踪功能，并发布了 OpenWiki 用于自动生成仓库文档和 AGENTS.md，整套编码工具链正在快速成熟。

9. Gemma 4 31B 全开源语音对话 Demo 发布

Hugging Face 的 Andi 发布了一个完全开源的语音对话系统：NVIDIA Parakeet ASR → Gemma 4 31B（Cerebras 推理）→ 自定义 faster-qwen3-tts，支持网页、视觉和搜索能力，API 兼容 OpenAI realtime。完整代码已开源在 huggingface/speech-to-speech。

本地方案使用 Gemma 4 E4B 在 MacBook Pro M3 36GB 上即可运行。社区讨论了部署选择，有用户指出 Gemma 12B 已内置音频/图像理解能力，对于简单聊天+搜索场景可能已足够，不一定需要 31B 大模型。

10. SWE-rebench 排行榜更新：开源模型表现渐入佳境

SWE-rebench 更新了排行榜 UI 和模型成绩。Claude Opus 4.8 xhigh 以 56.5% 解决率（2.48M tokens）领先，GLM-5.2 以 51.1%（2.62M tokens）紧随其后，Gemini 3.5 Flash 49.5%（1.85M tokens）。开源本地模型方面，Qwen3.6-27B 达到 36.5%，Qwen3.6-35B-A3B 33.8%，Gemma 4 31B 16.5%。

当前最高系统为 gpt-5.5-2026-04-23-xhigh（62.7%）、Junie（61.6%）、Codex（60.4%）和 Claude Code（59.6%）。社区呼吁加入更多本地可运行的小模型，包括 MiMo-V2.5、MiniMax-M2.7 和 Cohere North Mini Code 等。

本作品采用《CC 协议》，转载必须注明作者和本文链接