Claude Fable 5.1 و Claude Mythos 5.1 معرفی شدند؛ مدل‌های جدید Anthropic چه قابلیت‌هایی دارند؟

Anthropic در اول سپتامبر ۲۰۲۶ دو مدل جدید از خانواده Claude را معرفی کرد: Claude Fable 5.1 و Claude Mythos 5.1. در نگاه اول ممکن است این عرضه صرفاً یک به‌روزرسانی دیگر در رقابت فشرده مدل‌های زبانی به نظر برسد، اما جهت‌گیری Anthropic نشان می‌دهد ماجرا فراتر از افزایش قدرت پردازشی یا بهبود چند Benchmark است. Fable 5.1 برای دسته‌ای از کارها طراحی شده که با یک پرسش و پاسخ ساده تمام نمی‌شوند؛ پروژه‌هایی که ممکن است مدل ساعت‌ها روی آن‌ها کار کند، چند ابزار را به‌کار بگیرد، حجم بزرگی از اطلاعات را بررسی کند و در طول یک فرایند چندمرحله‌ای، هدف اصلی را از دست ندهد.

Anthropic این مدل را برای استدلال سنگین و Long-horizon Agentic Work معرفی کرده است؛ اصطلاحی که به وظایف طولانی و چندمرحله‌ای اشاره دارد. چنین رویکردی تصویر خوبی از مسیر فعلی صنعت هوش مصنوعی ارائه می‌دهد. رقابت دیگر فقط بر سر این نیست که کدام مدل پاسخ دقیق‌تری به یک سؤال می‌دهد؛ مدل‌ها باید بتوانند یک کار واقعی را دریافت کنند، مراحل موردنیاز را تشخیص دهند و بخش بیشتری از مسیر رسیدن به نتیجه را بدون دخالت مداوم کاربر پیش ببرند.

Claude Fable 5.1 چیست؟

Claude Fable 5.1 مدل رده‌بالای جدید Anthropic برای پروژه‌هایی است که به استدلال عمیق، Context وسیع و فعالیت Agentic طولانی نیاز دارند. این مدل از Context Window یک میلیون توکنی پشتیبانی می‌کند و می‌تواند تا ۱۲۸ هزار توکن خروجی تولید کند. Adaptive Thinking نیز در آن به‌صورت دائمی فعال است و سطح پیش‌فرض Effort روی High قرار دارد. قیمت API در زمان معرفی ۱۰ دلار به‌ازای هر یک میلیون توکن ورودی و ۵۰ دلار برای هر یک میلیون توکن خروجی اعلام شده است.

اهمیت این مشخصات زمانی روشن‌تر می‌شود که مدل را در یک پروژه واقعی تصور کنیم. یک Context یک‌میلیون توکنی به Claude اجازه می‌دهد حجم بسیار بزرگی از کد، اسناد، گزارش‌ها یا اطلاعات قبلی یک پروژه را هم‌زمان در اختیار داشته باشد. در کارهای کوتاه این ظرفیت احتمالاً مزیت تعیین‌کننده‌ای نیست، اما در پروژه‌های چندفایلی، پژوهش‌های گسترده و Workflowهایی که در چند مرحله پیش می‌روند، حفظ Context می‌تواند مستقیماً روی کیفیت نتیجه اثر بگذارد.

Claude Mythos 5.1 چیست و چه تفاوتی با Fable دارد؟

نام‌گذاری Anthropic ممکن است این تصور را ایجاد کند که Fable 5.1 و Mythos 5.1 دو مدل کاملاً متفاوت با کاربردهای جداگانه هستند، اما براساس اطلاعات رسمی، تفاوت اصلی آن‌ها در حال حاضر به نحوه دسترسی مربوط می‌شود. Mythos 5.1 مشخصات و قابلیت‌های پایه مشابه Fable 5.1 دارد، اما عرضه آن محدودتر است و از طریق Project Glasswing و به‌صورت دعوتی در اختیار گروه مشخصی از کاربران قرار می‌گیرد.

Context Window، حداکثر خروجی، قابلیت‌های Thinking و ساختار قیمت‌گذاری این دو یکسان اعلام شده است. بنابراین فعلاً منطقی نیست Mythos را به‌عنوان نسخه‌ای قوی‌تر یا مدلی مخصوص نوع متفاوتی از کار معرفی کنیم. Fable مدل قابل‌دسترس‌تر این خانواده است و Mythos همان فناوری را در یک مسیر عرضه محدود ارائه می‌کند؛ موضوعی که ممکن است در آینده تغییر کند، اما در زمان معرفی، تفاوت کلیدی میان این دو محسوب می‌شود.

مهم‌ترین پیشرفت Fable 5.1 کجاست؟

Anthropic در معرفی Fable 5.1 بیش از هر چیز روی سه حوزه تأکید کرده است: Agentic Coding طولانی، پژوهش چندمرحله‌ای و کار حرفه‌ای با اسناد و فایل‌های سازمانی. این سه حوزه اتفاقی انتخاب نشده‌اند. هر سه نمونه‌هایی از کارهایی هستند که یک مدل برای موفقیت در آن‌ها باید چیزی فراتر از تولید یک پاسخ مناسب ارائه دهد؛ لازم است Context را حفظ کند، تصمیم‌های متوالی بگیرد و در صورت نیاز از ابزارهای مختلف استفاده کند.

در واقع Fable 5.1 را بهتر است نه به‌عنوان یک چت‌بات قوی‌تر، بلکه به‌عنوان مدلی ببینیم که Anthropic تلاش کرده توانایی آن برای ادامه دادن یک پروژه در بازه زمانی طولانی‌تر را افزایش دهد.

کدنویسی Agentic؛ وقتی تولید چند خط کد دیگر کافی نیست

در چند سال گذشته، توانایی نوشتن کد به یکی از معیارهای اصلی مقایسه مدل‌های هوش مصنوعی تبدیل شده است. اما تولید یک تابع، اصلاح یک خطا یا توضیح چند خط کد دیگر چالش اصلی مدل‌های Frontier نیست. مسئله دشوار زمانی آغاز می‌شود که مدل باید یک Codebase بزرگ را بررسی کند، رابطه بین فایل‌های مختلف را بفهمد، تغییراتی در چند نقطه پروژه انجام دهد، تست‌ها را اجرا کند و براساس نتیجه آن‌ها تصمیم بگیرد مرحله بعدی چه باشد.

Fable 5.1 با تمرکز روی long-running agentic coding دقیقاً برای چنین سناریوهایی توسعه یافته است. در این نوع استفاده، برنامه‌نویس به‌جای اینکه تک‌تک مراحل را از مدل درخواست کند، هدف کلی‌تری تعریف می‌کند و مدل باید بخش بیشتری از فرایند را مدیریت کند. این تغییر می‌تواند نقش AI در توسعه نرم‌افزار را از یک دستیار پاسخ‌گو به عاملی فعال‌تر در Workflow توسعه نزدیک کند.

برای آشنایی با کاربردهای عملی این فناوری در فرایند توسعه نرم‌افزار، مقاله هوش مصنوعی برای برنامه‌نویسان مجموعه‌ای از سناریوهای کاربردی این حوزه را بررسی کرده است.

پژوهش چندمرحله‌ای؛ فراتر از خلاصه کردن چند منبع

یکی دیگر از زمینه‌هایی که Anthropic روی آن تأکید دارد، Multi-step Research است. تفاوت پژوهش چندمرحله‌ای با یک جستجو یا خلاصه‌سازی ساده در این است که مدل باید اطلاعات را از چند منبع جمع‌آوری کند، ارتباط میان آن‌ها را بفهمد، تناقض‌ها را تشخیص دهد و در نهایت به جمع‌بندی برسد. در چنین فرایندی، پاسخ نهایی تنها بخش کوچکی از کار است و کیفیت مسیر رسیدن به آن اهمیت بیشتری پیدا می‌کند.

فرض کنید یک تحلیلگر می‌خواهد وضعیت ورود به یک بازار جدید را ارزیابی کند. مدل ممکن است ابتدا گزارش‌های مختلف را بررسی کند، سپس داده‌ها را با یکدیگر مقایسه کند، نقاطی را که اطلاعات کافی درباره آن‌ها وجود ندارد مشخص کند و در مرحله بعد به سراغ منابع تکمیلی برود. اگر مدل در میانه این مسیر هدف اولیه را فراموش کند یا نتواند نتایج مراحل قبلی را درست وارد تحلیل جدید کند، کیفیت خروجی به‌سرعت افت می‌کند. به همین دلیل Long-horizon Reasoning یکی از حوزه‌هایی است که برای نسل جدید مدل‌های Agentic اهمیت زیادی پیدا کرده است.

اسناد، Spreadsheetها و اسلایدها؛ تمرکز جدی‌تر روی کارهای سازمانی

Fable 5.1 فقط برای توسعه‌دهندگان ساخته نشده است. Anthropic بهبود عملکرد این مدل در کار با Documents، Spreadsheets و Slides را نیز برجسته کرده؛ حوزه‌ای که مستقیماً به استفاده سازمانی از هوش مصنوعی مرتبط است. بسیاری از وظایف واقعی در شرکت‌ها از یک فایل واحد تشکیل نشده‌اند. ممکن است مدیر یک مجموعه چند Spreadsheet مالی، گزارش PDF، صورت‌جلسه و ارائه ماه قبل را در اختیار مدل قرار دهد و از آن بخواهد روندها را استخراج کند، تناقض‌ها را بررسی کند و پیشنهادهایی برای ارائه بعدی آماده کند.

در چنین سناریویی، توانایی مدل برای درک ارتباط میان چند فایل و نگه داشتن حجم بالایی از اطلاعات در Context اهمیت زیادی دارد. ارزش AI نیز زمانی بیشتر می‌شود که صرفاً اطلاعات موجود را تکرار نکند و بتواند از آن‌ها به یک نتیجه عملی برسد. همین منطق در تحلیل داده با هوش مصنوعی هم وجود دارد؛ جایی که هدف اصلی تبدیل داده خام به بینشی است که بتوان براساس آن تصمیم گرفت.

Adaptive Thinking در Claude Fable 5.1 چگونه کار می‌کند؟

Adaptive Thinking در Fable 5.1 همواره فعال است و مدل می‌تواند متناسب با پیچیدگی مسئله، میزان پردازشی را که صرف پاسخ می‌کند تنظیم کند. در کنار آن، امکان کنترل Effort نیز وجود دارد تا توسعه‌دهندگان بتوانند میان کیفیت، زمان پردازش و هزینه تعادل برقرار کنند.

این قابلیت از نظر عملی اهمیت زیادی دارد، زیرا همه درخواست‌ها به یک سطح از استدلال نیاز ندارند. بازنویسی یک پاراگراف کوتاه نباید همان میزان منابعی را مصرف کند که تحلیل یک Codebase بزرگ یا پژوهشی چندمرحله‌ای لازم دارد. از طرف دیگر، در پروژه‌هایی که تصمیم‌های متعدد به یکدیگر وابسته‌اند، اختصاص Effort بیشتر می‌تواند تفاوت محسوسی در نتیجه ایجاد کند. به این ترتیب، مفهوم «قوی‌ترین حالت مدل» به‌تدریج جای خود را به انتخاب هوشمندانه میزان توان پردازشی متناسب با هر وظیفه می‌دهد.

Fable 5.1 در خانواده Claude چه جایگاهی دارد؟

Anthropic حالا خانواده مدل‌های Claude را واضح‌تر از گذشته لایه‌بندی کرده است. Haiku برای وظایفی طراحی شده که سرعت، قیمت پایین و حجم درخواست بالا اهمیت دارد. Sonnet نقطه تعادل میان سرعت و توانایی را هدف قرار می‌دهد و برای بخش بزرگی از کارهای حرفه‌ای روزمره گزینه مناسبی است. Opus برای پروژه‌های پیچیده‌تر، Coding و Agentها در نظر گرفته شده و Fable یک سطح بالاتر قرار می‌گیرد؛ جایی که مسئله به reasoning سنگین و فعالیت Agentic طولانی نیاز دارد.

نکته جالب این است که Anthropic کاربران را تشویق نمی‌کند صرفاً به‌دلیل جدیدتر بودن Fable، همه Workloadها را به این مدل منتقل کنند. برای بسیاری از پروژه‌ها، Opus یا حتی Sonnet می‌توانند انتخاب اقتصادی‌تر و سریع‌تری باشند. Fable زمانی معنا پیدا می‌کند که پیچیدگی کار واقعاً به توانایی‌های بیشتر آن نیاز داشته باشد.

آیا Claude Fable 5.1 جایگزین Opus 5 است؟

Fable 5.1 را نباید جایگزین مستقیم Opus 5 در نظر گرفت. این مدل گران‌تر است و برای دسته خاصی از پروژه‌ها طراحی شده که در آن‌ها reasoning عمیق‌تر، Context بسیار بزرگ و ادامه دادن یک Workflow برای مدت طولانی اهمیت دارد. اگر Opus 5 بتواند یک کار را با کیفیت مناسب انجام دهد، استفاده از Fable صرفاً به‌دلیل قرار گرفتن در سطح بالاتر خانواده Claude لزوماً تصمیم بهتری نیست.

این موضوع یک تغییر مهم در نحوه انتخاب مدل‌های هوش مصنوعی را نشان می‌دهد. در گذشته معمولاً سؤال این بود که «قوی‌ترین مدل کدام است؟»، اما در استفاده حرفه‌ای سؤال مفیدتر این است که «کدام مدل برای این Workload مشخص، بهترین نسبت کیفیت، هزینه و سرعت را ارائه می‌دهد؟». گاهی پاسخ Fable است، اما در تعداد زیادی از وظایف روزمره احتمالاً مدل کوچک‌تر انتخاب منطقی‌تری خواهد بود.

Claude Fable 5.1 در رقابت مدل‌های هوش مصنوعی ۲۰۲۶

رقابت مدل‌های Frontier در سال ۲۰۲۶ دیگر فقط رقابت بر سر هوش خام نیست. OpenAI، Google و Anthropic هرکدام روی ترکیب متفاوتی از reasoning، Coding، Tool Use، سرعت، هزینه و توانایی Agentic سرمایه‌گذاری کرده‌اند. Gemini 3.8 Flash برای مثال به‌دنبال ارائه توانایی بالا با سرعت و هزینه مناسب برای اجرای گسترده Agentهاست، در حالی که Fable 5.1 مشخصاً روی انتهای سنگین‌تر طیف تمرکز دارد: پروژه‌هایی که مدل باید برای مدت طولانی روی آن‌ها کار کند و حجم زیادی از Context را مدیریت کند.

به همین دلیل مقایسه مستقیم این مدل‌ها با یک عدد واحد معمولاً تصویر کاملی ارائه نمی‌دهد. یک تیم که روزانه هزاران درخواست پردازش می‌کند ممکن است سرعت و هزینه را در اولویت قرار دهد، در حالی که یک پژوهشگر یا تیم مهندسی برای پروژه‌ای حساس حاضر باشد هزینه بیشتری بپردازد تا مدل بتواند reasoning طولانی‌تری انجام دهد. تفاوت اصلی مدل‌های جدید بیش از آنکه در پاسخ به سؤال «کدام یک بهتر است؟» خلاصه شود، در پاسخ به این سؤال مشخص می‌شود که هرکدام برای چه نوع کاری بهتر طراحی شده‌اند.

Fable 5.1 برای چه کسانی واقعاً ارزش دارد؟

مخاطب اصلی Fable 5.1 کاربری نیست که چند سؤال روزمره از Claude می‌پرسد. بیشترین ارزش این مدل در Workflowهایی دیده می‌شود که هوش مصنوعی بخش مهمی از فرایند کار را برعهده می‌گیرد. تیم‌های توسعه نرم‌افزار می‌توانند از آن برای پروژه‌های چندمرحله‌ای و کار روی Codebaseهای بزرگ استفاده کنند؛ پژوهشگران و تحلیلگران از Context وسیع و قابلیت Multi-step Research بهره می‌برند و تیم‌های سازمانی نیز می‌توانند مجموعه‌ای از اسناد، داده‌ها و ارائه‌ها را در یک Workflow یکپارچه‌تر پردازش کنند.

در مقابل، برای کارهایی مانند نوشتن یک ایمیل، ترجمه یک متن کوتاه یا خلاصه کردن چند پاراگراف، استفاده از مدلی در این سطح احتمالاً توجیه اقتصادی چندانی ندارد. یکی از نشانه‌های بلوغ بازار AI نیز دقیقاً همین است: انتخاب مدل دیگر صرفاً براساس قدرت آن انجام نمی‌شود و تناسب مدل با نوع مسئله اهمیت بیشتری پیدا کرده است.

چرا Anthropic روی Long-horizon Work تمرکز کرده است؟

بخش بزرگی از نسل قبلی چت‌بات‌ها برای تعامل‌های کوتاه طراحی شده بود: سؤال وارد می‌شد، مدل پاسخ می‌داد و تعامل بعدی آغاز می‌شد. اما بسیاری از کارهای ارزشمند در دنیای واقعی چنین ساختاری ندارند. توسعه یک قابلیت نرم‌افزاری، انجام یک تحقیق جامع، تحلیل وضعیت یک کسب‌وکار یا تهیه گزارش مدیریتی شامل زنجیره‌ای از تصمیم‌هاست که هر مرحله به نتیجه مرحله قبل وابسته است.

تمرکز Anthropic روی Long-horizon Work را می‌توان پاسخی به همین محدودیت دانست. اگر قرار باشد AI از یک دستیار متنی به عاملی تبدیل شود که واقعاً بخشی از کار را انجام می‌دهد، باید بتواند در یک بازه طولانی‌تر هدف را حفظ کند، خطاهای خود را تشخیص دهد، نتیجه ابزارها را بررسی کند و مسیر خود را اصلاح کند. Fable 5.1 یکی از واضح‌ترین تلاش‌های Anthropic برای حرکت در همین جهت است.

Claude Mythos 5.1 چرا دسترسی محدود دارد؟

Mythos 5.1 در زمان معرفی به‌صورت عمومی در اختیار همه کاربران قرار نگرفته و دسترسی به آن به شرکت‌کنندگان Project Glasswing محدود شده است. نکته مهم این است که عرضه محدود Mythos نباید به‌اشتباه به معنای قدرت بیشتر آن نسبت به Fable تفسیر شود. Anthropic مشخصات و ساختار اصلی هر دو را مشابه اعلام کرده و تفاوت فعلی بیشتر به نحوه ارائه و گروه کاربران هدف مربوط می‌شود.

چنین عرضه‌های محدودی در صنعت AI غیرعادی نیستند. شرکت‌ها گاهی مدل یا پیکربندی خاصی را ابتدا در محیط کنترل‌شده‌تر در اختیار گروه کوچکتری از کاربران قرار می‌دهند تا رفتار آن را در Workloadهای واقعی ارزیابی کنند. بنابراین Mythos فعلاً بیشتر یک مسیر عرضه متفاوت برای فناوری خانواده Fable محسوب می‌شود تا یک شاخه کاملاً مستقل از Claude.

Fable 5.1 چه معنایی برای آینده Claude دارد؟

با معرفی Fable، ساختار خانواده Claude تخصصی‌تر از گذشته شده است. Anthropic به‌جای تلاش برای ساخت مدلی که برای همه سناریوها بهترین انتخاب باشد، مدل‌های مختلف را برای سطوح متفاوتی از پیچیدگی، هزینه و سرعت جای‌گذاری کرده است. این رویکرد احتمالاً در آینده صنعت بیشتر دیده خواهد شد؛ زیرا یک مدل عظیم و گران‌قیمت برای هر درخواست کوچک نه از نظر اقتصادی منطقی است و نه از نظر سرعت.

در طرف دیگر، پروژه‌های پیچیده‌ای وجود دارند که مدل‌های سریع‌تر هنوز در حفظ Context، reasoning طولانی یا مدیریت چند ابزار با محدودیت مواجه می‌شوند. Fable 5.1 برای همین بخش از بازار ساخته شده است. بنابراین اهمیت آن فقط در قوی‌تر بودن نسبت به نسل قبلی Claude نیست؛ اهمیت اصلی در این است که Anthropic دارد یک طبقه جدید از Workloadها را به‌طور مشخص هدف قرار می‌دهد.

نسل جدید مدل‌ها برای کاربر نهایی چه معنایی دارد؟

برای بیشتر کاربران، نام مدل تنها بخشی از تجربه هوش مصنوعی است. آنچه در عمل اهمیت دارد این است که مدل بتواند کار بیشتری را با دخالت کمتر انجام دهد، فایل‌های بیشتری را بفهمد، Context را بهتر حفظ کند و برای انجام یک پروژه پیچیده مجبور نباشد دائماً از کاربر سؤال‌های تکراری بپرسد.

هرچه رقابت میان OpenAI، Google و Anthropic بیشتر به سمت Agentها و Workflowهای چندمرحله‌ای حرکت کند، احتمالاً کاربر نهایی کمتر درگیر انتخاب تک‌تک مدل‌ها خواهد شد و بیشتر با سرویس‌هایی تعامل خواهد داشت که مدل مناسب را پشت صحنه برای کار مشخص انتخاب می‌کنند. پلتفرم‌هایی مانند چتینو نیز دقیقاً در همین لایه معنا پیدا می‌کنند؛ جایی که پیچیدگی مدل‌های مختلف باید به یک تجربه ساده و قابل استفاده برای کاربر تبدیل شود.

برای مشاهده جزئیات فنی، محدودیت‌ها و اطلاعات به‌روز مدل نیز می‌توانید به مستندات رسمی Claude Platform مراجعه کنید.

جمع‌بندی

Claude Fable 5.1 بیش از آنکه صرفاً یک نسخه جدید و قدرتمندتر از Claude باشد، نشانه‌ای از تغییری بزرگ‌تر در مسیر توسعه مدل‌های هوش مصنوعی است. Anthropic روی پروژه‌هایی تمرکز کرده که با یک پاسخ کوتاه تمام نمی‌شوند؛ پروژه‌هایی که مدل باید حجم زیادی از اطلاعات را مدیریت کند، چند ابزار را به‌کار بگیرد و در یک بازه طولانی‌تر زنجیره‌ای از تصمیم‌ها را به‌درستی ادامه دهد. Context یک‌میلیون توکنی، Adaptive Thinking، خروجی طولانی و تمرکز روی Agentic Coding و Multi-step Research همگی در همین جهت قرار دارند.

Mythos 5.1 نیز فعلاً همین فناوری را از طریق یک مسیر دسترسی محدود ارائه می‌کند و نباید آن را یک مدل کاملاً متفاوت از Fable دانست. در عین حال، قیمت بالاتر Fable نشان می‌دهد که Anthropic آن را برای هر وظیفه‌ای در نظر نگرفته است. اگر Sonnet یا Opus بتوانند یک کار را به‌خوبی انجام دهند، استفاده از مدل گران‌تر الزاماً مزیت بیشتری ایجاد نمی‌کند.

در نهایت، رقابت مدل‌های AI به‌تدریج از سؤال ساده «کدام مدل باهوش‌تر است؟» فاصله می‌گیرد. سؤال مهم‌تر این است که کدام مدل می‌تواند کار مشخص شما را با کیفیت، هزینه و سرعت مناسب تا انتها پیش ببرد. Fable 5.1 پاسخ Anthropic به دشوارترین بخش این معادله است: کارهایی که به reasoning عمیق و ادامه دادن یک پروژه در افق زمانی طولانی نیاز دارند.

سوالات متداول