Anthropic 最强模型卖不动了：企业为什么不愿为“最后 10%”多付一倍？

Anthropic 最强的公开模型 Fable 5，正在遭遇一个以前很少出现的尴尬：能力站在最前面，企业使用量却没有跟上。

Financial Times 根据企业支付平台 Ramp 的数据报道，Fable 5 发布两个多月后，企业支出占比仍停留在 Anthropic 模型支出的约 11%。7 月底才发布的 Opus 5，价格只有它的一半，支出规模却已经超过 Fable 5。

这件事比“某款模型销量不佳”更值得讨论。

过去几年，头部模型公司的增长逻辑很直接：训练出更强的模型，刷新 Benchmark，用户升级，收入再投入下一轮训练。Fable 5 的遇冷说明，这条链路正在多出一个越来越难绕过的环节。

企业会问：这部分新增智能，到底值多少钱？

先把“卖不动”说清楚

Ramp 在 8 月发布的 AI Index 给出了两组关键数据：

Fable 5 只占企业从 Anthropic 购买 Token 的 6%；
因为单价更高，它占 Anthropic 模型支出的 11.4%。

也就是说，Fable 5 的收入占比几乎是 Token 占比的两倍，但绝对使用量仍然有限。

FT 引用的是 Ramp 覆盖约 7 万家企业的支付数据。Ramp 自己也提醒，具体到模型用量的样本来自它的 Token Spend Management 产品，企业构成比其常规指数更偏科技行业。这不是整个市场的完整账本，也不能直接等同于 Anthropic 的全部收入。

数据还可能漏掉通过云厂商打包采购、固定订阅和免费额度产生的使用量。Fable 5 上线时间也不长，不排除企业仍处在测试和采购审批阶段。

所以，现有数据不足以证明“前沿模型没有市场”。它能证明的是另一件事：即使在更愿意尝试新技术的企业样本里，最强模型也没有自然成为默认选择。

Fable 5 企业采用数据与定价对比

Fable 5 最大的对手，来自 Anthropic 自己

Fable 5 于 6 月 9 日发布。Anthropic 把它定义为“面向长时间运行 Agent 的下一代智能”，定价为每百万输入 Token 10 美元、输出 Token 50 美元。

它确实是 Anthropic 能公开提供的能力上限，但产品定位非常窄：长周期 Agent、深度推理、复杂研究，以及以前模型难以完成的高难度任务。

普通企业任务很少一直待在这个难度区间。

邮件分类、信息抽取、客服草稿、常规数据分析和大量编码任务，较便宜的模型已经能稳定完成。Fable 5 在这些任务上即使更好，差异也未必会改变最终结果。

然后 Opus 5 来了。

Anthropic 在 7 月 24 日发布 Opus 5，输入和输出价格分别是 5 美元和 25 美元，正好只有 Fable 5 的一半。Anthropic 自己对它的描述也很直接：接近 Fable 5 的前沿智能，但价格减半。

在 CursorBench 3.2 上，Opus 5 的最高成绩距离 Fable 5 不到 0.5%，每个任务的成本却只有一半；在 OSWorld 2.0 上，Opus 5 甚至以略高于 Fable 5 三分之一的成本超过了后者的最好结果。

企业当然会算这笔账。

如果两个模型都能把任务做完，采购者不会因为其中一个更接近“智能上限”就长期支付双倍价格。Fable 5 不是输给了低端模型，而是被自家一个“能力足够接近、限制更少、价格便宜一半”的新模型挤进了狭窄的高难度市场。

而且 Fable 5 还有额外摩擦。它在网络安全、生物和化学等领域使用更严格的分类器，部分请求会被拒绝或自动转交给 Opus。Opus 5 的相关限制明显少得多。对企业应用来说，可预测性本身也是产品能力。

企业买的不是 Token，而是“成功完成一个任务”

只看每百万 Token 的价格，也可能得出错误结论。

更强的模型有时会使用更少的轮次、更少的搜索和更少的重试。虽然每个 Token 更贵，完成一项工作的总成本反而更低。

Anthropic 在自己的成本优化文档中给了两个很有意思的例子。

在 DeepResearch Bench II 这类足够困难的研究任务上，Fable 5 使用 low effort 时，不仅准确率高于 Sonnet 5，每个任务的成本还低约 10%。高价模型一次做对，省掉了反复搜索和返工。

但在一组接近饱和的 SWE-bench Pro 子集上，Opus 5 与 Fable 5 的成绩分别是 91.7% 和 91.3%，差异落在运行波动内，Opus 5 的成本却只有后者约 60%。

结论不是“永远选便宜模型”，也不是“最强模型总能省钱”。模型排名会随任务变化。

企业真正应该计算的是：

每个成功任务的成本
= 模型调用成本
+ 延迟成本
+ 人工审查成本
+ 失败与重试成本
+ 错误进入生产后的损失

假设 Fable 5 能把某类任务的成功率从 90% 提高到 95%。如果一次失败只需要人工修改 5 分钟，双倍价格很难成立；如果一次失败会造成错误交易、合规事故或数天返工，那 5 个百分点可能非常便宜。

同样是 5% 的能力差异，放在不同业务里，经济价值可能相差几个数量级。

企业应按每个成功任务的总成本选择模型

“每一美元买多少智能”仍然不够准确

把 Benchmark 分数除以价格，得到一个“每美元智能”指标，比只看模型能力前进了一步，但还不够。

通用 Benchmark 测量的是平均能力。企业面对的却是一组具体任务，其中大部分可能很简单，少数任务非常困难，失败代价也完全不同。

最省钱的策略通常不是给所有任务固定一个模型，而是建立分层路由：

高频、容易验证的任务
→ Haiku 或 Sonnet

复杂编码、分析和常规 Agent 工作
→ Opus

长周期、强推理、失败代价高的尾部任务
→ Fable

低成本模型失败或置信度不足
→ 自动升级到更强模型

这也是 Anthropic 官方现在推荐的方向。它建议多数 Agent 工作先从 Opus 5 开始，只在需要最高能力时选择 Fable 5；还建议对失败任务提高 effort 或升级模型，而不是让所有请求默认使用最昂贵配置。

大模型正在从“选一个最好的”变成云计算里熟悉的资源调度问题。企业需要维护自己的评测集，记录每类任务的成功率、耗时、Token、人工介入和返工成本，再决定怎样路由。

没有这套数据，财务部门只能看总账单，工程团队只能看 Benchmark，双方都不知道钱到底花在了哪里。

最强模型可能会变成“光环产品”

Fable 5 使用量不高，不一定意味着它对 Anthropic 没有价值。

汽车公司需要旗舰跑车证明技术能力，但真正贡献销量的往往是中端车型。芯片公司也会用最高规格产品建立品牌和技术上限，再把架构能力下放到更大的市场。

前沿模型可能走向相同位置。

它可以服务少量高价值任务，吸引最困难的客户，帮助 Anthropic 发现新的能力边界。更重要的是，Fable 上验证过的能力会进入下一代 Opus 和 Sonnet。Opus 5 在 Fable 发布一个半月后就以一半价格逼近它，本身就是这种能力下放的例子。

但这会改变模型公司的商业叙事。

训练最强模型需要巨额资本，最强模型却未必拥有最大的推理收入。真正跑量的产品可能永远是“足够强、快得多、便宜得多”的中间层。前沿模型负责研发和品牌，中端模型负责现金流。

模型公司还会面临持续的自我蚕食：一款昂贵旗舰刚刚建立价格锚点，几周后的新模型就用更低成本接近它。升级速度越快，企业越不愿意把长期生产系统绑定在最高价型号上。

最终更稳定的收入，可能来自模型路由、缓存、评测、Agent 运行平台和企业治理，而不是单纯依赖最强模型的 Token 溢价。

企业现在应该怎样选模型

如果正在建设企业 Agent，不要把 Fable 5 或任何旗舰模型直接设成全局默认值。更稳妥的做法是：

先建立真实任务集。 从线上流量抽取简单、中等和高难任务，保留人工确认过的正确结果。
测每个成功任务的成本。 Token 费用只是其中一项，还要记录延迟、重试、人工审查和失败损失。
让便宜模型处理主体流量。 输出容易验证、错误可以恢复的任务，没有必要购买最高能力。
把前沿模型留给困难尾部。 当低成本模型失败、任务超过复杂度阈值，或错误代价很高时再升级。
定期重新评测。 Opus 5 对 Fable 5 的快速追赶说明，三个月前的最优路由很可能已经过时。

这套方法看起来不如“全员换上最强模型”激动人心，却更接近企业软件真正的采购方式。

Fable 5 遇冷，可能是模型市场成熟的开始

早期的大模型市场接近技术爱好者市场：能力提升足够显眼，大家愿意追逐每一次榜单刷新。

企业市场不同。模型一旦进入客服、研发、财务和运营流程，就要与预算、延迟、审计和失败责任放在同一张表里计算。

Fable 5 的问题不是不够强，恰恰是它太强、太贵，而多数任务暂时用不到它最昂贵的那部分能力。

这也不意味着前沿智能不再重要。真正困难的新任务，仍然要靠能力上限打开。只是模型公司不能再假设，技术上领先 10%，商业收入就会自动领先 10%。

企业不会为“最聪明”长期买单，它们会为“更高概率完成任务，并且总成本更低”买单。

当最强模型不再自动成为最畅销模型，大模型行业才真正开始像一个成熟市场。