Claude Fable 5.1 est positionné comme le modèle le plus polyvalent d’Anthropic pour le codage, l’utilisation informatique et les travaux agentiques de longue durée — et cela se voit là où cela compte : les benchmarks d’agents et le coût par tâche résolue. Le point clé n’est pas seulement des scores plus élevés ; c’est une meilleure courbe performance-coût. Concrètement, les équipes utilisant des agents terminaux, des boucles de recherche structurées ou l’automatisation de navigateur peuvent atteindre des taux d’achèvement plus élevés avec moins de tokens en exploitant les lectures en cache et en choisissant le bon niveau d’effort par tâche. Cela ouvre des cas d’usage auparavant trop lents ou coûteux à exécuter en continu.
Sur des évaluations bien connues — variantes Terminal-Bench pour le codage agentique, CursorBench pour les workflows type IDE, OSWorld pour l’utilisation informatique, AutomationBench pour les tâches métier, et Humanity’s Last Exam pour le raisonnement — Fable 5.1 devance généralement Opus 5 et s’améliore par rapport à Fable 5, notamment lorsque les outils sont activés et que les tâches durent plus longtemps. Le modèle semble éviter les comportements de raccourci qui nuisent à la fiabilité dans les chaînes multi-étapes, et ses boucles de vérification localisent plus souvent les causes racines plutôt que de masquer les symptômes. Cette fiabilité se traduit par moins de relances, ce qui compte autant que le coût des tokens à prix catalogue lorsque vous opérez des agents à grande échelle.
Le coût est là où la mise à niveau devient opérationnelle. L’accent mis par Anthropic sur des lectures en cache moins coûteuses — combiné à la capacité de Fable 5.1 à réutiliser efficacement l’état — signifie que les charges agentiques peuvent pousser plus de plans, de contextes et de schémas d’outils dans une mémoire réutilisable. Pour les acheteurs, les économies se cumulent lorsque vous : 1) chargez en amont la planification et les contraintes dans des prompts système mis en cache ; 2) baissez le niveau d’effort par défaut pour les étapes routinières ; 3) augmentez l’effort uniquement aux points de vérification ; et 4) limitez l’accès aux outils pour que le modèle effectue moins d’appels exploratoires. Le résultat est un meilleur débit, des factures plus raisonnables et des SLO plus simples pour les tâches non supervisées.