Claude Fable 5.1 är Anthropics Mythos-klassmodell — en kapacitetsnivå över Opus-klassen — gjord säker för bred användning, och efterträdare till Claude Fable 5. Den förbättrar Fable 5 på alla områden, med de största framstegen inom agentisk kodning, långvariga agentiska arbetsflöden och kunskapsarbete: långa kodrefaktoreringar, frontend- och visuell utveckling samt flerstegsuppgifter där bestående koherens och omdöme betyder mest. Den accepterar text-, bild- och filinmatningar med textutdata, erbjuder ett kontextfönster på 1M token med upp till 128K utdata-token, och stöder adaptivt resonemang och strukturerade utdata. Fable 5.1 behåller den autonoma, långsiktiga hållningen i Fable-serien: den förblir koherent över miljontals token, förbättrar sina egna utdata med hjälp av filbaserat minne och slutför komplexa flerstegsuppgifter med betydligt mindre stödstruktur än tidigare modeller. Den är ett starkt standardval för AI-kodningsassistenter, djupforsknings- och analyspipelines samt långvariga autonoma agenter.
Claude Fable 5.1 är en Anthropic-modell som finns tillgänglig på OrcaRouter med modell-ID:t anthropic/claude-fable-5.1. Den tar emot text-, bild- och filinmatningar, stödjer ett kontextfönster på…
Den huvudsakliga dokumenterade förmågan hos Claude Fable 5.1 är att hålla upp till 1 000 000 tokens i sitt kontextfönster samtidigt som den genererar upp till 128 000 tokens. Det gör det möjligt att placera hela källmaterialet före instruktionen och be modellen att svara utan att bygga ett separat hämtningssteg. Eftersom den tar emot text, bilder och filer kan ett enda meddelande innehålla diagram, skannade sidor, kalkylblad och annat material tillsammans med vanlig text. Granskningsuppgifter kan då hantera hela samlingar i stället för sidstora delar. Modellen har också 66,0 i generell intelligens enligt Artificial Analysis Intelligence Index, men katalogen anger inget beteende på domännivå. Resonemang, kodning och instruktionsföljning bör verifieras med skräddarsydda utvärderingar. I de tillhandahållna faktauppgifterna finns inga påståenden om latens, cachning eller agentisk verktygsexekvering. Använd modellen där kontextminne och långa utdata står i centrum för arbetet, och mät allt annat mot din egen testsvit.
De starkaste användningsfallen följer direkt av specifikationen. En kontext på 1 000 000 token gör Claude Fable 5.1 lämplig för kodanalys av hela repositoryt, granskning av långa juridiska eller vetenskapliga dokument, korpusövergripande sammanfattning och frågebesvarande utifrån en källa på flera hundra sidor i ett enda anrop. Den maximala utmatningen på 128 000 token stödjer långa rapporter, detaljerade sammanfattningar eller innehållsgenerering som annars skulle kräva flera modellanrop och manuell sammanfogning. Blandade indata innebär att bilder och filer kan analyseras tillsammans med text. Eftersom kontext kostar $10 per miljon inmatade token lämpar sig modellen bäst när hela inmatningen verkligen behövs för svaret. Den lämpar sig också bäst när dyr ingenjörstid annars skulle gå åt till att bygga en pipeline för uppdelning och sammanfogning. Om uppgiften bara kräver några få stycken från ett dokument, eller om applikationen inte kan vänta på en lång prefill, kommer en mindre modell troligen att hantera trafiken bättre. Testa med representativa nyttolaster för att se vilket arbetsbelastningssegment som får en påtaglig förbättring.
Använd en billigare modell när dess utdata är tillräckligt bra för uppgiften. Enkel klassificering, metadataextraktion, kort sammanfattning, chattassistenter och kodkomplettering behöver sällan 1 000 000 tokens kontext eller 128 000 tokens utdata. Claude Fable 5.1 är prissatt till $10,00 per miljon inmatningstokens och $50,00 per miljon utdatatokens. Vid hög förfrågningsvolym gör dessa priser att vanliga prompter blir en märkbar radpost jämfört med lågkostnadsalternativ. En billigare modell tenderar också att vara snabbare för små datamängder och gör att du slipper betala för kontext som du inte använder. Inget i katalogen tyder på att Claude Fable 5.1 överträffar alla billigare modeller på varje kort uppgift. Bygg en routningsregel i OrcaRouter så att långa och högt värderade jobb går till denna modell medan rutinförfrågningar stannar på en mer ekonomisk väg. Ompröva uppdelningen efter att produktionsloggar visar hur ofta lång kontext faktiskt förändrar svarskvaliteten.
Det enda riktmärket för Claude Fable 5.1 är 66,0 på Artificial Analysis Intelligence Index. Det indexet är ett sammansatt tredjepartsmått som används för att jämföra den allmänna förmågan hos språkmodeller från olika leverantörer. Eftersom det sammanför många uppgifter till ett enda tal är det användbart som en bred referens, men det kan inte tala om huruvida modellen hanterar ditt specifika arbetsflöde för lång kontext, bilder eller filer på ett korrekt sätt. Katalogen tillhandahåller varken konfidensintervall, uppdelning per uppgift eller vilken exakt indexversion som använts. Betrakta poängen som en datapunkt snarare än en certifiering. Om du vill ha jämförbarhet bör du jämföra Claude Fable 5.1 med en annan modell som mätts på samma indexversion. För interna beslut bör du alltid kombinera siffran med domänspecifika utvärderingar på dina egna data. Ett sammansatt index kommer inte att upptäcka subtila fel i juridiskt resonemang, bildprecision eller citeringsbeteende.
Inga hastighets- eller latenssiffror anges för Claude Fable 5.1. Förväxla inte ett indexresultat på 66,0 eller en hög token-gräns med svarstid. I proportionella termer kommer en begäran som skickar en mycket lång inmatning att spendera tid på att bearbeta hela inmatningen innan den första utdatatokenen produceras, och en begäran som genererar många utdatatokens kommer också att behöva mer väggklockstid. Längre kontext och höga utdatabudgetar tyder därför på variabel latens. Om din produkt kräver snabba handläggningstider, mät tid-till-första-token och tokens-per-sekund på realistiska uppmaningar genom OrcaRouters OpenAI-kompatibla API. Kvantifiera beteendet med de exakta filstorlekar och utdatagränser du planerar att ange. Undvik att anta prestanda utifrån en annan modells beteende. Om endast en del av trafiken är latenstolerant och kontexttung kan Claude Fable 5.1 hantera det segmentet medan snabbare modeller svarar på interaktiva förfrågningar. Utan uppmätta siffror i denna post förblir latens en öppen fråga.
Styrkorna i faktabladet är kapacitet och modalitet. Claude Fable 5.1 har ett kontextfönster på 1 000 000 tokens och en maximal utdata på 128 000 tokens. Det accepterar text-, bild- och filinmatningar. Tillsammans gör dessa det möjligt att hantera särskilt långa, blandade uppgifter i ett enda anrop. Poängen 66,0 på Artificial Analysis Intelligence Index ger också en allmän signal om modellens kompetens. Den främsta styrkan är räckvidden: mängden källmaterial och genererad text som modellen kan hantera i en enda begäran. Begränsningarna är lika tydliga från det som saknas. Ingen latenssiffra, cachningsgrad eller domänspecifik referensprestanda anges. Ingen garanti ges för perfekt återkallelse vid kontextens bortre ände, korrekt tolkning av varje bild- eller filtyp, eller beteende under adversariella instruktioner. Modellen är också dyr, så slarvig användning kan öka kostnaderna. Produktionsteam bör verifiera förankring, utdatakvalitet och felscenarier innan de betraktar den som standard för varje scenario.
OrcaRouter fakturerar Claude Fable 5.1 till Anthropics leverantörspris utan påslag. Det angivna priset är 10,00 USD per 1 000 000 inmatningstokens och 50,00 USD per 1 000 000 utdatatokens. Det finns ingen avgift per begäran eller gateway-påslag som beskrivs i de tillhandahållna uppgifterna. Du betalar för vad modellen förbrukar i tokens, och användningsdatan i API-svar kan tala om för dig hur många inmatnings- och utdatatokens som fakturerades. Text, bild och filinnehåll blir alla en del av modellens inmatning och omvandlas till tokens, även om exakta omvandlingsregler inte tillhandahålls. Att ställa in ett lägre max_tokens-värde är ett praktiskt sätt att kontrollera utgifterna för utdata. En kort fråga med ett kort svar kostar mycket lite till dessa priser; en full inmatning på 1 000 000 tokens följt av en lång utdata kostar betydligt mer. Eftersom dessa är leverantörspriser kan de ändras om Anthropic ändrar sin egen prislista.
Vid 10 dollar per miljon inmatningstokens och 50 dollar per miljon utmatningstokens är Claude Fable 5.1 tillräckligt dyr för att kostnaden per framgångsrik uppgift spelar roll. Att fylla hela den 1 000 000-token stora inmatningen kostar 10 dollar före generering; att producera en mycket stor utmatning lägger till generationskostnad ovanpå. Det innebär att den ekonomiskt bästa passformen är en uppgift som ger ett väsentligt bättre svar eftersom den förbrukar modellens hela kontext. Om en billigare modell kan använda ett kort avsnitt och returnera ett svar av liknande kvalitet, finns ingen premie för lång kontext motiverad. Avvägningen handlar inte bara om tokenpris. Du kan spara utvecklingstid genom att ta bort uppdelning i segment, sammanfattningsloopar och vektorsökning. De besparingarna kan väga upp en högre kostnad per token. Jämförelsen bör vara total ägandekostnad, inklusive utvecklingstid och feltal, inte bara API-utgifter. Kör en pilot på representativa dokument genom OrcaRouter, logga användningen, och jämför framgångsfrekvenser mot billigare alternativ.
De medföljande uppgifterna innehåller inget cachepris, ingen cache-control-parameter och ingen rabattsats för Claude Fable 5.1. Eftersom ingen cacherabatt är dokumenterad i denna katalogpost, planera din budget utifrån de fulla priserna för in- och utdata. Om Anthropic eller OrcaRouter returnerar separata fält för cachelagrade inmatningstoken i användningsdata, dyker dessa fält upp i API-svaret och kan visa lägre faktisk debitering. Anta inte att de finns. För att minska kostnaderna utan att förlita dig på en cache, håll resten av ditt system effektivt: återanvänd prompts där det är möjligt, uteslut irrelevant filinnehåll och begränsa utdata. Om upprepade identiska prefix är vanliga i din arbetsbelastning, testa en dags trafik och inspektera användningsmetadata för att se om några cache-poster visas. I avsaknad av ett dokumenterat pris debiteras modellen enligt leverantörens standardpris utan påslag från OrcaRouter. För den senaste cachetillgängligheten, konsultera OrcaRouters faktureringsdokumentation.
Anrop går till OrcaRouters OpenAI-kompatibla API på https://api.orcarouter.ai/v1. Använd modell-ID:t anthropic/claude-fable-5.1 i chat completions-brödtexten. Meddelandenyttolasten följer OpenAI-konventionen med roll- och innehållsfält för system- och användarmeddelanden, och assistentmeddelanden används när en konversation fortsätts. Kod skriven för OpenAI-SDK:er kan peka på denna bas-URL och detta modellnamn utan att byta till en Anthropic-SDK. Bilder och filer tillhandahålls i den innehållsstruktur som chatt-API:et förväntar sig. OrcaRouter-autentiseringsuppgifter autentiserar förfrågningar. Svarsobjektet innehåller fälten model, choices och usage, där usage räknar in- och utdatatoken enligt priserna i denna katalog. Börja med en minimal förfrågan, inspektera svaret och öka sedan kontextlängden i steg. Dina första anrop bör sätta max_tokens till ett blygsamt antal tills du har bekräftat utdatalängden och formateringen.
OpenAI-kompatibla slutpunkten på OrcaRouter stöder standardparametrar för chattkompletion som används av OpenAI-klienter. Dessa inkluderar messages, model, temperature, max_tokens, stop och relaterade genereringskontroller. Katalogen listar inte varje accepterat fält för anthropic/claude-fable-5.1, så kontrollera OrcaRouters referensdokumentation eller inspektera felmeddelanden för parametrar som inte stöds. Vissa fält, särskilt de som används för strukturerad utdata eller verktygsanrop, kan bara fungera om modellen implementerar det underliggande schemat. Med tanke på kontextfönstret på 1 000 000 tokens och utdatabudgeten på 128 000 tokens bör du medvetet ange max_tokens på varje produktionsförfrågan. Om meddelanden överskrider kontextfönstret bör API:t avvisa dem eller signalera trunkering. Det är god praxis att beräkna tokenanvändning från usage-objektet och jämföra det med din kostnadsuppskattning. Svar kan använda samma textinnehållsformat över den OpenAI-kompatibla API:n, och strömmande beteende bör valideras separat om du planerar att använda det.
Om du för närvarande anropar Anthropic Messages API direkt är migreringen mestadels en ändring av förfrågningsformatet. Anthropic API använder ett modellnamn, ett systemfält och en body med meddelanden; OrcaRouters slutpunkt använder OpenAI-kompatibla chattmeddelanden. Ställ in din bas-URL till https://api.orcarouter.ai/v1, placera det fullständiga modell-ID:t anthropic/claude-fable-5.1 i modellfältet och formatera om systemprompter till ett systemmeddelande. Verktygsscheman, om sådana finns, måste använda de konventioner som dokumenterats av OrcaRouter. Om du flyttar från en annan OpenAI-kompatibel gateway byter du bas-URL och autentiseringsuppgifter medan du behåller samma meddelandestruktur. Modell-ID:t behåller anthropic-prefixet, så loggningen förblir identifierbar. Inget gateway-påslag per token är listat för den här rutten, så enhetspriserna är leverantörens priser. Kör ett röktest med en kort prompt och därefter ett jobb med lång kontext innan du dirigerar om produktionstrafiken.
Smaller and cheaper models normally offer lower cost per token, less context capacity, and shorter maximum output. Claude Fable 5.1's comparative advantage is range: a 1,000,000-token context and 128,000-token output allow it to accept whole libraries of text and write much longer answers. A small model may still beat it on speed and cost for a request that only needs a few thousand tokens, and it may perform better on a narrow, specialized domain. On a general benchmark, Claude Fable 5.1 scores 66.0 on the Artificial Analysis Intelligence Index, but no comparable score is provided for alternative models on this page. Compare models directly on your own prompts through OrcaRouter. Measure quality, latency, and cost per accepted answer. If a cheaper model returns the same quality for a typical request, the rational default is the cheaper model. Reserve the large model for cases where its size changes the outcome.
Mot andra långkontextmodeller är de direkta jämförelsepunkterna fakta i denna katalog: text-, bild- och filinmatning, 1,000,000-token kontext, 128,000 maximal utdata, $10.00 per miljon inmatningstokens, $50.00 per miljon utdatatokens, och 66.0 på Artificial Analysis Intelligence Index. Vissa alternativ kan ha en mindre utdatagräns eller debitera annorlunda. Andra kan erbjuda lägre priser men poängsätta annorlunda på samma index. En katalog kan inte fastställa en omätt vinnare. Den ansvarsfulla jämförelsen håller utvärderingsuppgiften konstant. Använd samma dokument och instruktioner för varje kandidatmodell. Kör var och en genom OrcaRouters OpenAI-kompatibla API, registrera tokenanvändning och poängsätt utdata för noggrannhet. Detta undviker att jämföra kontextstorlekar eller indexpoäng utan att veta hur de relaterar till din arbetsbelastning. Om en modell kan acceptera din fulla kontext och en annan inte kan, är det en betydelsefull fördel. Annars bedöm kvalitet snarare än rubriksiffror.
Välj Claude Fable 5.1 när uppgiften beror på hela kontextfönstret, kräver ett stort genererat svar eller kombinerar text-, bild- och filinmatningar i en enda operation. Priserna på $10 och $50 per miljon tokens borde vara överkomliga i förhållande till uppgiftens värde. Välj en annan modell när promptarna är korta, när ett mindre tillvägagångssätt är mätbart träffsäkert, eller när din latensbudget inte kan absorbera en begäran med lång kontext. Det finns ingen anledning att betala höga utdatapriser för ett svar på två meningar. Den bästa beslutsprocessen är empirisk. Starta en testuppgift i OrcaRouter, ställ in modell-ID:t till anthropic/claude-fable-5.1 och kör samma uppgift på ett eller två alternativ. Jämför korrekthet, svarslängd och total kostnad över ett realistiskt urval. Eftersom OrcaRouter exponerar modeller genom ett OpenAI-kompatibelt API är det billigt att testa modellbyte. Gör Claude Fable 5.1 till standard endast om den vinner på användarsynlig kvalitet och kostnad per slutförd uppgift.
OpenAI-kompatibel — behåll det SDK du redan använder
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| Inmatning / 1M token | $10.00 |
| Utdata / 1M tokens | $50.00 |
| Cacheläsning / 1M | $0.250 |
| Cache-skrivning / 1M | $12.50 |
| Valuta | USD |
Uppskattning baserad på listpris
Endast en uppskattning — faktiskt antal token beror på leverantörens tokenizer.
Vad utvecklare säger den här veckan
GET /api/public/models/anthropic/claude-fable-5.1Öppna @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