跳到正文
Theo - t3.gg(youtube.com)· Theo Browne·· 10 天前品質評分58

我想我搞懂了

我想我搞懂了

重點導讀

Theo Browne 主張,模型選擇應取決於任務型別:需要可驗證、講究細節的工作用 Opus,創意型或卡關的問題用 Fable,因為 Fable 願意直接動手修,而 Opus 常會漏掉。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

開發者兼科技 YouTuber Theo Browne 認為,實務寫程式只值得用兩個模型——Anthropic 的 Claude Opus 55 與 Claude Fable 52——而兩者之間的取捨,關鍵與其說是原始能力,不如說是「性情」:Opus 是那個一絲不苟、疑神疑鬼的檢查者,Fable 則是才華洋溢卻懶散的資深老鳥,會直接叫你 ship。本集大部分時間都花在這套 Opus 對 Fable 的決策框架、環繞其外的推理強度(reasoning effort)等級,以及讓 Anthropic 訂閱方案成為唯一明智選擇的訂閱經濟學;標題暗示的那個更大的「這麼多模型該選哪個」問題,則在開場幾分鐘內用一張圖表草草帶過,並對開放權重(open-weight)替代方案直接一句話打發。

Browne 的發言立基於異常大量的實戰經驗——他說自己用 Opus 55 的次數超過任何他碰過的模型,而 Fable 52 在錄音時只拿到大約兩天——並用具體點名的基準(Artificial Analysis、他自己跑的評測)、每秒 Token 數(TPS)實測,以及兩個延伸的職場比喻(「老師的寵兒」學生,以及「Allen 對 Brad」的程式碼審查者)來支撐比較。讀者讀完應該帶走一套可用的決策規則、清楚理解為何 $200 的 Claude 方案在每任務成本上壓倒性勝出,以及對「強度等級」這個旋鈕保持健康的懷疑——他本人和 Anthropic 自家指南都把這個旋鈕當成真正的調校介面。

訂閱經濟學讓 $200 的 Claude 方案成為唯一理性的選擇

Browne 最具體、也最不打折扣的主張是:任何以成本為最佳化目標的人都該買自己負擔得起的最貴 Claude 訂閱,因為方案裡內含的補貼遠超過 API 定價。他把這個比例講得很直白:$100 的 Claude 訂閱約可換得 $3,000–$5,000 的用量,而且「你用 $100 的 Claude 訂閱能拿到的 Token 和完成的工作量,比你在世界上任何其他模型上花 $300 還多。」他直接先發制人回應預算上的反對意見——他說,如果你買不起 $200 方案,那你就是在「自我安慰」——並駁斥開放權重模型是省錢途徑的想法。

支撐證據是一張重新定價的帕雷托圖(Pareto chart):當成本改以訂閱價格、而非每任務的原始 API 成本計算時,Opus 落在最右側(高效能、低有效成本),OpenAI 把訂閱用量加倍,只讓 GPT-6「Soul」和「Terra」在「邊緣上」有競爭力,而唯一擠上帕雷托線的開放權重模型是 DeepSeek V41 Flash,「被塞在角落」。他特別點名 MiniMax M31 是個好模型,但在 Max 方案上成本卻比 Opus 55 還高——「這太扯了。」

模型/方案Browne 的每任務成本或用量觀察
Claude Opus 55(Max 訂閱)重新定價圖上每訂閱美元效能最佳
GPT-6 Soul(Max 訂閱)在他的指數上得 61 分;OpenAI 把訂閱用量加倍,仍只在「邊緣上」有競爭力
DeepSeek V41 Flash唯一擠上帕雷托線的開放權重模型
MiniMax M31在 Max 方案上成本比 Opus 55 還高
Claude Sonnet 55(max 強度)約 $10/任務,與 Opus 定價相當,產出卻更差
Claude Sonnet 55(x-high)約 $49/任務,對比 x-high Opus 的約 $65——是約 50% 的漲幅,而非預期中的折扣

他也點出一個「理智溢價」:他寧可接受分數從「max 強度的 Soul 61 分」名義上掉到「medium 強度的 Opus 55」——他認為這個差距在生產級程式碼上根本不存在——也不願用一個「合作起來、對話起來都很痛苦」的模型。

Opus 是老師的寵兒;Fable 是坐後排的聰明小孩

本集的核心框架把兩個模型擬人化成學生。Opus 55 是老師的寵兒:它會「跑到宇宙盡頭再跑回來」討好你,會提醒老師有作業,凡事一查再查、三查四查——但它「永遠不是教室裡最聰明的那個人」,而且這股熱切會讓它把規格灌水、放任功能蔓延,除非你明確制止。Fable 52 則是那個「大麻抽太多、不知怎地還考滿分」的學生:更聰明、更懶、願意作弊,而且能想出 Opus 永遠到不了的解法。

Browne 用一個經典的小學整人測驗說明差異:指示要求先把整份考卷讀完再作答,而最後一題說交白卷即可。「Opus 會過,Fable 會掛,」他說——而這正是重點。當任務獎勵的是滴水不漏的驗證,Opus 勝;當任務獎勵的是快速、聰巧地讀懂局勢,Fable 勝。

他把這個比喻延伸到第二個、在操作上更有用的類比,取材自 AI 之前的軟體工作經驗:兩位程式碼審查者。「Allen」是資深到不行的工程師,熟知程式碼庫每一處粗糙的邊角,一個小 PR 留八條評論,而且會「為吹毛求疵而死守山頭」。「Brad」有 20 多年經驗、在這份程式碼庫只待了三個月,瞄一眼 PR 就說 LGTM。Opus 是 Allen;Fable 是 Brad。改動高風險、必須完美時,你找 Allen;想趕快 ship 時,你找 Brad。

「Opus 很怕犯錯……Fable 則是『管他的,大概就是 B 吧。』」

他提到自己選「AB」這兩個名字,純粹只是想照字母順序排下去,而這兩種典型都是他共事過最頂尖的工程師。

可驗證的工作交給 Opus;需要判斷的交給 Fable

Browne 把這個選擇濃縮成一個測試:這份工作能不能被驗證、能不能靠爬坡逐步逼近最佳解?如果可以——把 TypeScript 改寫成 Rust、有明確正確性判準的遷移——Opus 就「綽綽有餘」。如果任務需要細膩度、創造力、探索或品味——更好的圖形、獨特的視覺化工具、可能省錢的非傳統基礎架構點子——Fable「會找到 Opus 永遠找不到的東西」。

第二條更簡單的規則:用 Opus,直到你想要 Opus 給你更多。那個「更多」不只是能力,還有變化。Browne 說,當你要求 Opus 給五個候選解法,其中兩個幾乎重複、一個還行、兩個是胡說八道;Fable 給出的分佈更廣,有些更好、有些更差。第三個觸發時機:當你只想把程式碼合併進去。Fable 願意放過假設性的邊角案例——「它不會因為某個使用者手上有一筆兩年前的資料、某個假設情境,就把你卡住」——而這正是讓那些 Opus 在裡面「自我煤氣燈」繞圈子的討論串得以解套的關鍵。

他舉了自己產品 T3 Code 的一個具體案例,涉及極長時間執行的討論串(單一提示跑了四天)的效能。Opus 打造了極佳的重現環境與測試框架,卻沒注意到:討論串歷史早期一個未完成的待辦清單,會迫使整段歷史被重新送出。Fable 被要求稽核 Opus 的工作時,立刻找出這個問題,並提出把目標狀態從 JSON 歷史中提拉出來——這個改動在某些邊角案例中把傳輸的資料量砍了約 150 倍。Fable 在同時建構測試環境上較差;Opus 則較差於看出結構性的修法。

Fable 願意放過事情,是特性而非 bug

Browne 起初把 Fable 較弱的程式碼審查表現視為缺陷。在他自己比較各模型如何對真實程式碼庫給回饋的評測中,Fable 抓問題的表現 consistently 不如 Sonnet 和 Opus——而他其中一位評審 GPT-6 Soul「只要你漏掉任何東西就會對你發火」,所以把 Fable 的排名壓得很低。但更深入稽核後,這個差距並不重要:Fable 漏掉的東西較不重要、或根本是錯的,而且「到目前為止,每一件 Fable 說可以合併的,最後真的都可以合併。」

他把這點框定為資深導師被低估的價值:有經驗的工程師給他的東西,很多不是知識,而是「停止過度檢查、放心 ship」的信心。Fable 就扮演這個角色——「它與其說是真正的協作者,不如說更像一位老前輩在說:『別擔心了,你沒問題的,兄弟。』」

強度等級:high 是甜蜜點,max 是陷阱

Browne 走過 Anthropic 自家的指南,引用 Addy Osmani 在 Fable 52 上線當天發表的一篇文章,並大致認同其起點:多數工作從 medium 強度的 Opus 55 開始。他個人的偏好是 high——「Opus 55 high 是神級」——這是在被同事 Julius 說服後改的。medium 和 x-high 都很好;low 是「垃圾」;max「就是垃圾,別用」。

他解釋 max 為何適得其反:max 不只拉高思考的天花板,還逼模型連雞毛蒜皮的小事都用力思考,導致過度思考與「一堆蠢[東西]」。他指出 Fable 52 是第一個在多數基準上 max 表現 consistently 比 x-high 還差的模型。他也樂見 Anthropic 把「ultracode」從一個強度等級改成一個開關。

強度等級Browne 的評價最佳用途
Low「垃圾」無
Medium很好;Anthropic 建議的預設值日常工程、除錯、多功能開發
High「神級」;他的日常主力多數實際工作;檢查與稽核
X-high很好Windows 開發、大量日誌語料、重播/測試框架、「翻遍每塊石頭」的探索型 PR
Max「垃圾」;對簡單任務過度思考避免
Ultracode現在是開關,不是等級為荒謬目標燒 Token

他認同 Osmani 的規則:超過 high 之後,再升一級強度的成本可能等同於換一個更大的模型——所以不如改測下一個更大的模型、搭配較低的強度。他也點出自己與指南相左之處:他絕不會用 Haiku 55 來做會寫程式的子代理(sub-agent)側任務,只會拿來在程式碼庫或大型資料集上做大量模式比對。而且他認為現在幾乎沒理由選 Sonnet 55,因為它成本可能跟 Opus 一樣高,產出卻更差。

延遲已不再是前兩名模型的分野

Browne 原本預期 Fable 會明顯比 Opus 慢,實測卻在誤差範圍內,令他意外:Opus 55 約 112 Token/秒(Artificial Analysis 測得 102–115),Fable 52 則 consistently 落在約 106。Sonnet 達約 145,Haiku 約 255。作為對照,Fable 51 跑在 88 TPS。

他藉此戳破外界對 Google 速度名聲的假設:Gemini 4 Carbon 即使扣掉 consistently 約 10 秒的啟動延遲,也只跑 60–70 TPS,其他實驗室則不到一秒。他的結論是:速度、極限能力、子代理編排與工具使用,在 Opus 與 Fable 之間如今都已接近到不該成為選擇依據——「Anthropic 現在就是遙遙領先所有人,領先到令人作嘔。」

訂閱上限悄悄讓 Opus 佔了約 4 倍的優勢

兩個模型之間的 API 價差(依 Anthropic 自家文章,high 強度下 Fable 每任務成本約為一半)並沒有延伸到訂閱方案。在 $200 方案上,每週額度只有一半能花在 Fable;另一半可以給任何其他東西,包括更多 Opus。Browne 的演算法:那 50% 的 Fable 上限約值每月 $3,000 的用量,而整個方案約值 $14,000 的純 Opus——所以 Fable 的有效額度「不到 Opus 額度的四分之一」。實務上的意涵是:在 $200 方案上,max 強度的 Opus 55 能完成的實際工作,會比 high 強度的 Fable 52 更多,即使 Fable 每個 Token 是更強的模型。

他也點出讓 Anthropic 模型有別於 OpenAI 的連貫性(coherence)面向:Opus 和 Fable 在經過數千萬 Token、反覆脈絡壓縮(context compaction)之後,都還能用平實的英文解釋自己在做什麼,而「OpenAI 的模型一個都做不到。」

結語綜整

本集真正的論點是:模型選擇已經從能力問題,轉變成性情問題。Browne 的雙模型世界,是一場押注——押 Anthropic 在寫程式上的領先幅度大到足以讓真正有趣的決策發生在它自家產品線內部——而他的框架(可驗證 vs. 不可驗證的工作、Allen 對 Brad、老師的寵兒對後排天才)是一套耐用的思考方式,可用來理解任何一對訓練性情不同的模型,而不只是這兩個。有兩處張力值得持續關注。第一,他對 Fable 的評價建立在約兩天的使用上,這點他講得很明白,而且他自己的評測資料顯示 Fable 在程式碼審查上表現較差,即便他主張那些漏看並不重要。第二,他的成本論證取決於 Anthropic 持續以目前的水準補貼訂閱;他坦承「這未來可能會變」,而一旦改變,整個建議都得重跑一遍。強度等級那一段則指向一個他明確想要的未來:由模型自己決定推理深度,讓這個他形容為「想起來就累」的旋鈕退場。

來源: Theo - t3.gg (youtube.com)
開啟原文

讀者討論

理性交流 · 即時討論