Terminal-Bench-Science 0.1

Bằng chứng (3)

• 5The New Stack·10/9/2026research
  So sánh Fable 5.1 và Fable 5 trên các bài kiểm thử thực tế

  Bài viết so sánh Fable 5.1 và Fable 5 trên một số tác vụ của Terminal-Bench-Science theo cách gần với người dùng thực tế hơn, thay vì điều kiện công bố của benchmark. Trong các lần thử này, Fable 5.1 làm tốt hơn ở một số tác vụ, nhưng cả hai mô hình vẫn thất bại ở nhiều bài kiểm tra và khoảng cách thực tế nhỏ hơn đáng kể so với điểm benchmark được nêu.

• 4Simon Willison·1/9/2026model_release
  Claude Fable 5.1 tạo ra chú bồ nông hoạt hình rất đẹp

  Anthropic đã phát hành Claude Fable 5.1 và nhấn mạnh hiệu năng cải thiện cho lập trình, công việc tri thức, đặc biệt là benchmark mới Terminal-Bench-Science. Simon Willison thử mô hình này với một prompt tạo SVG và nhận thấy các mức suy luận cao cho kết quả tốt hơn rõ rệt; mức max tạo ra hình bồ nông đẹp nhất mà ông từng thấy từ các mô hình của Anthropic.

• 8The New Stack·1/9/2026model_release
  Anthropic ra mắt Fable 5.1 với chi phí cache thấp hơn và kiểm soát bớt chặt

  Anthropic đã phát hành Fable 5.1 và Mythos 5.1, đồng thời cho biết mô hình mới cho hiệu năng tốt hơn với chi phí thấp hơn, chủ yếu nhờ giảm 75% giá đọc cache. Fable 5.1 đã được phát hành rộng rãi cho người dùng API và các gói cao cấp, trong khi Mythos 5.1 vẫn chỉ dành cho chương trình truy cập tin cậy với các biện pháp bảo vệ hướng tới an ninh mạng và khoa học sự sống. Anthropic cũng cho biết Fable 5.1 bớt quá thận trọng hơn, các cơ chế bảo vệ về mạng và sinh học can thiệp ít hơn, đồng thời cải thiện đáng kể ở các bài kiểm tra liên quan đến nghiên cứu.