Claude Fable 5.1 ist Anthropics Modell der Mythos-Klasse — eine Leistungsstufe über der Opus-Klasse — das für den breiten Einsatz sicher gemacht wurde und der Nachfolger von Claude Fable 5 ist. Es verbessert Fable 5 in allen Belangen, mit den größten Fortschritten beim agentischen Programmieren, bei langlaufenden agentischen Workflows und bei der Wissensarbeit: umfangreiche Code-Refactorings, Frontend- und visuelles Engineering sowie mehrstufige Aufgaben, bei denen anhaltende Kohärenz und Urteilsvermögen am wichtigsten sind. Es akzeptiert Text-, Bild- und Dateieingaben mit Textausgabe, bedient ein Kontextfenster von 1 Million Token mit bis zu 128.000 Ausgabetokens und unterstützt adaptives Reasoning und strukturierte Ausgaben. Fable 5.1 behält die autonome, auf lange Zeithorizonte ausgelegte Ausrichtung der Fable-Reihe bei: Es bleibt über Millionen von Token hinweg kohärent, verbessert seine eigenen Ausgaben mithilfe eines dateibasierten Gedächtnisses und erledigt komplexe mehrstufige Aufgaben mit weitaus weniger Scaffolding als frühere Modelle. Es ist eine starke Standardwahl für KI-Programmierassistenten, Deep-Research- und Analyse-Pipelines sowie langlaufende autonome Agenten.
Claude Fable 5.1 ist ein Anthropic-Modell, das auf OrcaRouter mit der Modell-ID anthropic/claude-fable-5.1 verfügbar ist. Es akzeptiert Text-, Bild- und Dateieingaben, unterstützt ein Kontextfenster…
Die wichtigste dokumentierte Fähigkeit von Claude Fable 5.1 besteht darin, bis zu 1.000.000 Token im Kontext zu halten und dabei bis zu 128.000 Token zu erzeugen. Dadurch kann das gesamte Quellmaterial vor der Anweisung platziert werden, und das Modell kann antworten, ohne dass ein separater Retrieval-Schritt aufgebaut werden muss. Da es Text, Bilder und Dateien akzeptiert, kann eine einzige Nachricht neben gewöhnlichem Text auch Diagramme, gescannte Seiten, Tabellenkalkulationen und weiteres Material enthalten. Review-Aufgaben können sich so auf ganze Sammlungen erstrecken, statt auf seitenweise zerteilte Ausschnitte. Darüber hinaus erreicht das Modell im Artificial Analysis Intelligence Index einen allgemeinen Intelligenz-Score von 66,0, doch der Katalog definiert kein Verhalten auf Domänenebene. Reasoning, Programmierung und die Befolgung von Anweisungen sollten mit eigenen Evaluierungen verifiziert werden. In den bereitgestellten Fakten finden sich keine Aussagen zu Latenz, Caching oder agentischer Tool-Ausführung. Setzen Sie das Modell dort ein, wo Kontextspeicherung und Langform-Ausgabe im Zentrum der Aufgabe stehen, und messen Sie alles Weitere an Ihrer eigenen Testsuite.
Die stärksten Anwendungsfälle ergeben sich direkt aus der Spezifikation. Ein 1.000.000-Token-Kontext macht Claude Fable 5.1 geeignet für die Codeanalyse vollständiger Repositorys, die Prüfung langer Rechts- oder Wissenschaftsdokumente, korpusweite Zusammenfassungen und die Beantwortung von Fragen anhand einer mehrere hundert Seiten umfassenden Quelle in einem einzigen Aufruf. Die maximale Ausgabe von 128.000 Token unterstützt lange Berichte, detaillierte Zusammenfassungen oder die Erstellung von Inhalten, die andernfalls mehrere Modellaufrufe und manuelles Zusammenfügen erfordern würden. Gemischte Eingaben bedeuten, dass Bilder und Dateien zusammen mit Text analysiert werden können. Da Kontext bei 10 $ pro Million Eingabe-Token kostspielig ist, passt das Modell am besten, wenn die gesamte Eingabe für die Antwort tatsächlich benötigt wird. Es passt auch am besten, wenn andernfalls teure Entwicklungszeit für den Aufbau einer Pipeline zum Aufteilen und Zusammenführen aufgewendet werden müsste. Wenn die Aufgabe nur ein paar Absätze aus einem Dokument benötigt oder wenn die Anwendung nicht auf ein langes Prefill warten kann, wird ein kleineres Modell den Datenverkehr wahrscheinlich besser bedienen. Testen Sie mit repräsentativen Nutzlasten, um zu sehen, welches Arbeitslastsegment eine spürbare Verbesserung erfährt.
Verwenden Sie ein günstigeres Modell, wenn dessen Ausgabe für die Aufgabe gut genug ist. Einfache Klassifizierung, Metadatenextraktion, kurze Zusammenfassungen, Chat-Assistenten und Code-Vervollständigung benötigen selten einen Kontext von 1.000.000 Token oder eine Ausgabe von 128.000 Token. Claude Fable 5.1 kostet 10,00 $ pro Million Eingabe-Token und 50,00 $ pro Million Ausgabe-Token. Bei hohem Anfragevolumen machen diese Preise gewöhnliche Prompts im Vergleich zu kostengünstigen Alternativen zu einem spürbaren Rechnungsposten. Ein günstigeres Modell ist bei kleinen Nutzlasten außerdem tendenziell schneller und vermeidet es, für Kontext zu zahlen, den Sie nicht belegen. Nichts im Katalog deutet darauf hin, dass Claude Fable 5.1 bei jeder kurzen Aufgabe alle günstigeren Modelle übertrifft. Erstellen Sie in OrcaRouter eine Routing-Regel, sodass lange, wertvolle Aufträge an dieses Modell geleitet werden, während Routineanfragen auf einem wirtschaftlicheren Weg bleiben. Überdenken Sie diese Aufteilung, sobald die Produktionsprotokolle zeigen, wie oft langer Kontext die Antwortqualität tatsächlich verändert.
Für Claude Fable 5.1 ist als einziger Benchmark ein Wert von 66,0 im Artificial Analysis Intelligence Index aufgeführt. Bei diesem Index handelt es sich um eine zusammengesetzte Kennzahl eines Drittanbieters, die dazu dient, die allgemeinen Fähigkeiten von Sprachmodellen verschiedener Anbieter zu vergleichen. Da er viele Aufgaben in einer einzigen Zahl zusammenfasst, eignet er sich als breite Referenz, sagt aber nicht aus, ob das Modell Ihren spezifischen Workflow mit langen Kontexten, Bildern oder Dateien korrekt bewältigt. Der Katalog enthält weder ein Konfidenzintervall noch eine Aufschlüsselung auf Aufgabenebene oder die genaue verwendete Indexversion. Betrachten Sie den Wert eher als einen einzelnen Datenpunkt denn als Zertifizierung. Wenn Sie Vergleichbarkeit benötigen, vergleichen Sie Claude Fable 5.1 mit einem anderen Modell, das mit derselben Indexversion gemessen wurde. Für interne Entscheidungen sollten Sie die Zahl stets mit domänenspezifischen Evaluierungen auf Ihren eigenen Daten kombinieren. Ein zusammengesetzter Index erkennt keine subtilen Fehler bei der rechtlichen Argumentation, bei der Bilderkennungsgenauigkeit oder beim Zitierverhalten.
Für Claude Fable 5.1 werden keine Geschwindigkeits- oder Latenzwerte angegeben. Ein Indexwert von 66,0 oder ein hohes Token-Limit sollte nicht mit Antwortgeschwindigkeit verwechselt werden. Im Verhältnis gesehen benötigt eine Anfrage mit einem sehr langen Input Zeit, um den gesamten Input zu verarbeiten, bevor das erste Ausgabe-Token erzeugt wird, und eine Anfrage, die viele Ausgabe-Token generiert, benötigt ebenfalls mehr Wanduhrzeit. Längerer Kontext und hohe Ausgabebudgets deuten daher auf variable Latenz hin. Wenn Ihr Produkt schnelle Durchlaufzeiten benötigt, messen Sie die Zeit bis zum ersten Token und die Token pro Sekunde anhand realistischer Prompts über die OpenAI-kompatible API von OrcaRouter. Quantifizieren Sie das Verhalten mit den genauen Dateigrößen und Ausgabelimits, die Sie festlegen möchten. Vermeiden Sie es, Leistung aus dem Verhalten eines anderen Modells abzuleiten. Wenn nur ein Teil des Datenverkehrs latenz tolerant und kontextlastig ist, kann Claude Fable 5.1 dieses Segment übernehmen, während schnellere Modelle interaktive Anfragen beantworten. Ohne gemessene Zahlen in diesem Eintrag bleibt die Latenz eine offene Frage.
Die Stärken im Factsheet sind Kapazität und Modalität. Claude Fable 5.1 verfügt über ein Kontextfenster von 1.000.000 Tokens und eine maximale Ausgabe von 128.000 Tokens. Es akzeptiert Text-, Bild- und Dateieingaben. Zusammen ermöglichen diese Eigenschaften besonders lange, gemischte Aufgaben in einem einzigen Aufruf. Der Artificial Analysis Intelligence Index-Score von 66,0 liefert zudem ein allgemeines Signal für die Kompetenz des Modells. Die Hauptstärke ist die Reichweite: die Menge an Quellmaterial und generiertem Text, die das Modell in einer einzigen Anfrage verarbeiten kann. Die Einschränkungen sind ebenso klar aus dem erkennbar, was fehlt. Es werden keine Latenzwerte, Caching-Raten oder domänenspezifische Benchmarks angegeben. Es wird keine Garantie für perfektes Abrufen am fernen Ende des Kontexts, für präzises Parsen jedes Bild- oder Dateityps oder für das Verhalten unter adversarischen Anweisungen gegeben. Das Modell ist zudem teuer, sodass unachtsame Nutzung die Ausgaben in die Höhe treiben kann. Produktionsteams sollten Grounding, Ausgabequalität und Fehlermodi verifizieren, bevor sie es als Standard für jedes Szenario behandeln.
OrcaRouter rechnet Claude Fable 5.1 zum Providertarif von Anthropic ohne Aufschlag ab. Der ausgewiesene Preis beträgt 10,00 $ pro 1.000.000 Eingabetokens und 50,00 $ pro 1.000.000 Ausgabetokens. Es gibt keine Gebühr pro Anfrage und keinen Gateway-Aufschlag, wie in den bereitgestellten Fakten beschrieben. Sie zahlen für das, was das Modell an Tokens verbraucht. Die Nutzungsdaten in den API-Antworten können Ihnen anzeigen, wie viele Eingabe- und Ausgabetokens in Rechnung gestellt wurden. Text-, Bild- und Dateiinhalte werden Teil der Modelleingabe und in Tokens umgewandelt, auch wenn die genauen Umrechnungsregeln nicht angegeben sind. Einen niedrigeren max_tokens-Wert festzulegen ist ein praktischer Weg, um die Ausgabekosten zu steuern. Eine kurze Frage mit einer kurzen Antwort kostet zu diesen Tarifen sehr wenig; eine vollständige Eingabe mit 1.000.000 Tokens, gefolgt von einer langen Ausgabe, kostet deutlich mehr. Da es sich um Providertarife handelt, können sie sich ändern, wenn Anthropic seine eigene Preisliste ändert.
Bei 10 $ pro Million Eingabe-Token und 50 $ pro Million Ausgabe-Token ist Claude Fable 5.1 teuer genug, dass die Kosten pro erfolgreicher Aufgabe eine Rolle spielen. Das Befüllen des gesamten 1.000.000-Token-Eingabefensters kostet 10 $ vor der Generierung; die Ausgabe eines sehr großen Outputs addiert zusätzliche Generierungskosten. Das bedeutet, dass die beste finanzielle Passung eine Aufgabe ist, die eine wesentlich bessere Antwort liefert, weil sie den gesamten Kontext des Modells nutzt. Wenn ein günstigeres Modell eine kurze Passage verwenden und eine Antwort ähnlicher Qualität liefern kann, ist kein Langkontext-Aufpreis gerechtfertigt. Der Kompromiss ist nicht einfach der Token-Preis. Sie können Entwicklungszeit sparen, indem Sie Chunking, Zusammenfassungsschleifen und Vektorsuche entfernen. Diese Einsparungen können einen höheren Preis pro Token aufwiegen. Der Vergleich sollte die Gesamtbetriebskosten umfassen, einschließlich Entwicklungszeit und Fehlerraten, nicht nur die API-Ausgaben. Führen Sie einen Pilotversuch mit repräsentativen Dokumenten über OrcaRouter durch, protokollieren Sie die Nutzung und vergleichen Sie die Erfolgsraten mit günstigeren Alternativen.
Die angegebenen Fakten enthalten keinen Cache-Preis, keinen Cache-Control-Parameter und keinen Rabattsatz für Claude Fable 5.1. Da in diesem Katalogeintrag kein Caching-Rabatt dokumentiert ist, planen Sie Ihr Budget anhand der vollen Eingabe- und Ausgaberaten. Falls Anthropic oder OrcaRouter in den Nutzungsdaten separate Felder für gecachte Eingabe-Tokens zurückgibt, würden diese Felder in der API-Antwort erscheinen und könnten eine niedrigere tatsächliche Abrechnung anzeigen. Gehen Sie nicht davon aus, dass sie vorhanden sind. Um Kosten ohne Abhängigkeit von einem Cache zu senken, halten Sie den Rest Ihres Systems effizient: Verwenden Sie Prompt-Wiederverwendung, wo möglich, schließen Sie irrelevante Dateiinhalte aus und legen Sie Ausgabelimits fest. Wenn in Ihrer Arbeitslast häufige identische Präfixe vorkommen, testen Sie einen Tag lang den Datenverkehr und prüfen Sie die Nutzungsmetadaten, um festzustellen, ob Cache-Positionen erscheinen. In Ermangelung eines dokumentierten Satzes wird das Modell zum Standard-Providersatz ohne Aufschlag auf OrcaRouter abgerechnet. Die aktuellste Cache-Verfügbarkeit entnehmen Sie der Abrechnungsdokumentation von OrcaRouter.
Anrufe gehen an die OpenAI-kompatible API von OrcaRouter unter https://api.orcarouter.ai/v1. Verwenden Sie die Modell-ID anthropic/claude-fable-5.1 im Chat-Completions-Body. Die Messages-Payload folgt der OpenAI-Konvention: role- und content-Felder für System- und User-Turns, wobei Assistant-Turns verwendet werden, wenn ein Gespräch fortgesetzt wird. Code, der für OpenAI-SDKs geschrieben wurde, kann auf diese Basis-URL und diesen Modellnamen verweisen, ohne auf ein Anthropic-SDK umzusteigen. Bilder und Dateien werden in der Inhaltsstruktur bereitgestellt, die die Chat-API erwartet. OrcaRouter-Anmeldedaten authentifizieren Anfragen. Das Antwortobjekt enthält model, choices und usage, wobei usage die Eingabe- und Ausgabetokens zählt, die den in diesem Katalog angezeigten Preisen unterliegen. Beginnen Sie mit einer minimalen Anfrage, prüfen Sie die Antwort und erhöhen Sie dann die Kontextlänge schrittweise. Ihre ersten Aufrufe sollten max_tokens auf eine moderate Zahl setzen, bis Sie die Ausgabelänge und Formatierung bestätigt haben.
Der OpenAI-kompatible Endpunkt auf OrcaRouter unterstützt die standardmäßigen Chat-Completion-Parameter, die von OpenAI-Clients verwendet werden. Dazu gehören messages, model, temperature, max_tokens, stop sowie verwandte Generierungssteuerungen. Der Katalog listet nicht jedes akzeptierte Feld für anthropic/claude-fable-5.1 auf. Schlagen Sie daher in der Referenzdokumentation von OrcaRouter nach oder prüfen Sie Fehlermeldungen auf nicht unterstützte Parameter. Einige Felder, insbesondere solche für strukturierte Ausgaben oder Tool-Aufrufe, funktionieren möglicherweise nur, wenn das Modell das zugrunde liegende Schema implementiert. Angesichts des 1.000.000-Token-Kontextfensters und des 128.000-Token-Ausgabebudgets sollten Sie bei jeder Produktionsanfrage bewusst max_tokens festlegen. Wenn die Nachrichten das Kontextfenster überschreiten, sollte die API sie ablehnen oder eine Kürzung signalisieren. Es ist gute Praxis, die Token-Nutzung aus dem usage-Objekt zu berechnen und mit Ihrer Kostenprognose abzugleichen. Antworten können über die OpenAI-kompatible API dasselbe Textinhaltsformat verwenden, und das Streaming-Verhalten sollte separat validiert werden, wenn Sie es zu nutzen planen.
Wenn Sie derzeit die Anthropic Messages API direkt aufrufen, besteht die Migration hauptsächlich aus einer Änderung des Anfrageformats. Die Anthropic API verwendet einen Modellnamen, ein Systemfeld und einen Messages-Body; der Endpunkt von OrcaRouter verwendet OpenAI-kompatible Chat-Nachrichten. Setzen Sie Ihre Basis-URL auf https://api.orcarouter.ai/v1, tragen Sie die vollständige Modell-ID anthropic/claude-fable-5.1 in das Modellfeld ein und formatieren Sie Systemprompts als Systemnachricht um. Toolschemata, falls vorhanden, müssen den von OrcaRouter dokumentierten Konventionen entsprechen. Wenn Sie von einem anderen OpenAI-kompatiblen Gateway umsteigen, wechseln Sie Basis-URL und Anmeldeinformationen und behalten dabei die gleiche Nachrichtenstruktur bei. Die Modell-ID behält das anthropic-Präfix, sodass die Protokollierung identifizierbar bleibt. Für diese Route ist kein Gateway-Aufschlag pro Token angegeben, daher entsprechen die Einheitspreise den Tarifen des Anbieters. Führen Sie zuerst einen Smoke-Test mit einem kurzen Prompt und dann einen Job mit langem Kontext durch, bevor Sie den Produktionsverkehr umleiten.
Kleinere und günstigere Modelle bieten normalerweise niedrigere Kosten pro Token, weniger Kontextkapazität und eine kürzere maximale Ausgabe. Der komparative Vorteil von Claude Fable 5.1 ist die Reichweite: Ein Kontext von 1.000.000 Token und eine Ausgabe von 128.000 Token ermöglichen es ihm, ganze Textbibliotheken aufzunehmen und viel längere Antworten zu schreiben. Ein kleines Modell kann es bei einer Anfrage, die nur ein paar tausend Token benötigt, dennoch an Geschwindigkeit und Kosten übertreffen und in einem eng begrenzten, spezialisierten Bereich eine bessere Leistung erbringen. Bei einer allgemeinen Benchmark erreicht Claude Fable 5.1 einen Wert von 66,0 auf dem Artificial Analysis Intelligence Index, aber für alternative Modelle wird auf dieser Seite kein vergleichbarer Score angegeben. Vergleichen Sie Modelle direkt anhand Ihrer eigenen Prompts über OrcaRouter. Messen Sie Qualität, Latenz und Kosten pro akzeptierte Antwort. Wenn ein günstigeres Modell bei einer typischen Anfrage dieselbe Qualität liefert, ist die rationale Standardwahl das günstigere Modell. Reservieren Sie das große Modell für Fälle, in denen seine Größe das Ergebnis verändert.
Im Vergleich zu anderen Modellen mit langem Kontext sind die direkten Vergleichspunkte die Fakten in diesem Katalog: Text-, Bild- und Dateieingabe, 1.000.000-Token-Kontext, 128.000 maximale Ausgabe, 10,00 $ pro Million Eingabe-Token, 50,00 $ pro Million Ausgabe-Token und 66,0 auf dem Artificial Analysis Intelligence Index. Einige Alternativen bieten möglicherweise ein kleineres Ausgabelimit oder verlangen andere Preise. Andere bieten niedrigere Preise, erzielen aber auf demselben Index andere Werte. Ein Katalog kann keinen ungemessenen Gewinner festlegen. Der verantwortungsvolle Vergleich hält die Bewertungsaufgabe konstant. Verwenden Sie für jedes Kandidatenmodell dieselben Dokumente und Anweisungen. Führen Sie jedes über die OpenAI-kompatible API von OrcaRouter aus, erfassen Sie den Token-Verbrauch und bewerten Sie die Ausgaben nach Genauigkeit. Dadurch vermeiden Sie, Kontextgrößen oder Indexwerte zu vergleichen, ohne zu wissen, wie sie sich auf Ihre Arbeitslast beziehen. Wenn ein Modell Ihren vollständigen Kontext akzeptieren kann und ein anderes nicht, ist das ein bedeutender Vorteil. Andernfalls beurteilen Sie die Qualität anstelle von Schlagzeilen-Zahlen.
Wählen Sie Claude Fable 5.1, wenn die Aufgabe vom gesamten Kontextfenster abhängt, eine große generierte Antwort erfordert oder Text-, Bild- und Dateieingaben in einem einzigen Vorgang kombiniert. Die Tarife von 10 und 50 US-Dollar pro Million Token sollten im Verhältnis zum Wert der Aufgabe erschwinglich sein. Wählen Sie ein anderes Modell, wenn die Prompts kurz sind, wenn ein kleinerer Ansatz nachweislich genau ist oder wenn Ihr Latenzbudget eine Anfrage mit langem Kontext nicht verkraften kann. Es gibt keinen Grund, für eine Antwort von zwei Sätzen hohe Ausgaberaten zu zahlen. Der beste Entscheidungsprozess ist empirisch. Starten Sie eine Testaufgabe in OrcaRouter, setzen Sie die Modell-ID auf anthropic/claude-fable-5.1 und führen Sie dieselbe Aufgabe mit einer oder zwei Alternativen aus. Vergleichen Sie Korrektheit, Antwortlänge und Gesamtausgaben über eine realistische Stichprobe. Da OrcaRouter Modelle über eine einzige OpenAI-kompatible API bereitstellt, ist das Testen verschiedener Modelle kostengünstig. Machen Sie Claude Fable 5.1 nur dann zum Standard, wenn es bei der für Benutzer sichtbaren Qualität und den Kosten pro abgeschlossenem Auftrag überzeugt.
OpenAI-kompatibel — behalte dein bisheriges SDK
https://api.orcarouter.ai/v1https://api.orcarouter.aiimport os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="anthropic/claude-fable-5.1",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningreasoning_effortresponse_formatstopstructured_outputstoolsverbosity| Eingabe / 1M Tokens | $10.00 |
| Ausgabe / 1M Tokens | $50.00 |
| Cache-Lesen / 1M | $0.250 |
| Cache-Schreiben / 1M | $12.50 |
| Währung | USD |
Schätzung auf Basis des Listenpreises
Nur eine Schätzung — die tatsächliche Token-Anzahl hängt vom Tokenizer des Anbieters ab.
Worüber Entwickler diese Woche sprechen
GET /api/public/models/anthropic/claude-fable-5.1Öffnen @misc{orcarouter_claude_fable_5_1,
title = {Claude Fable 5.1 API},
author = {Anthropic},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/anthropic/claude-fable-5.1}
}Anthropic. (2026). Claude Fable 5.1 API. OrcaRouter. https://www.orcarouter.ai/models/anthropic/claude-fable-5.1