原文:Which Claude model should you build with? Fable, Opus, Sonnet, or Haiku
作者:Addy Osmani / claude.dev
发布日期:2026-11-09
本期研究日期:2026-11-15
原文链接:https://claude.dev/blog/which-claude-model-should-you-build-with/
手上同时有 Haiku、Sonnet、Opus、Fable 四个模型,还有一个叫 effort 的旋钮,一个很实际的问题就冒出来了:这个任务到底该用谁?多数人的答案是凭印象——难题上大模型,简单题上小模型,然后盯着排行榜换模型。Addy Osmani 在 claude.dev 上这篇 15 分钟的工程手册把这件事变成了一套可以核算的规则。它的核心结论一句话就能说完:先调 effort,再换模型;按"每个完成的任务"计价,而不是按"每个 token"计价。
先看清今天的选择面。Claude 平台目前有四个正式提供的模型:Haiku 5.5、Sonnet 5.5、Opus 5.5 和 Fable 5.2,另有一个 Mythos 5.2 通过验证计划提供,专门用于网络安全和生命科学研究。文章给的起点很明确:大多数工作从 Opus 5.5 的默认 effort——medium——开始。它是 Claude Code 的默认模型,而每 input/output token 的价格只有 Fable 5.2 的一半。
每 token 更贵,不等于每个任务更贵
第一个要纠正的直觉,是把 token 单价当成任务成本。原文有句话说得很直接:"A higher price per token doesn't always mean a higher cost per task, or a better result."(每 token 价格更高,不总意味着每个任务更贵,或结果更好。)
数字支持这句话。在 FrontierCode 2.0 上,Fable 5.2 在 high effort 得 45.3%,Opus 5.5 在 max effort 得 45.5%,两者分数相当,而 Fable 每个任务的成本大约只有 Opus 的一半。只看单价,Fable(每百万 input/output token 8/40 美元)是 Opus(4/20 美元)的两倍,似乎更贵;换成"完成一个任务花多少钱"这把尺子,结论就反过来了。Terminal-Bench 3.0 上也是类似的故事:上一代 Fable 5.1 在 max effort 得 58.0%,Opus 5.5 在 high effort 得 58.9%,用的 token 还只有前者的一半。(这些都是作者报告的基准数字,未经独立复现;它们来自跨代、跨 effort 的对比,不是严格同条件的实验。)
还有一组数字提醒你把难题单独算账:在一个 20 题的搜索基准里,最难的两道题吃掉了 43% 的开销。如果只按"典型任务"估算预算,你会严重低估总 spend。所以作者的现实建议是:遇到难题,在把 Opus 5.5 升过 high 之前,先测试 Fable 5.2——同一笔钱,换个模型可能比继续加 effort 更划算。
effort 是一根比换模型更细的旋钮
值得注意的是,原文并没有给出一棵"选模型"的决策树;它把核心张力拆成三组两两权衡:每个完成任务的能力与成本、延迟与准确率、上下文与成本。原文把这三组称为主要的 trade-offs。下面这个判断顺序,是我按原文散落各处的建议整理出来的,方便你实际照着走:先问任务范围,日常工程、范围明确的代码修改,还是开放式长链研究;再问 effort 能不能解决,调一调旋钮就够了,不必动模型;最后才问要不要换模型——只有当 effort 到顶仍不够,或模型本身就缺某项能力时才跨档。
"先问范围"这一问,原文给了一张按任务查起点的对照表:
| | |
|---|
| | |
| | |
| | |
| 范围明确的编码(bug 修复、按 spec 迭代) | | |
| | |
| 重大重构、迁移、架构规划、带大量 subagent | | |
| | |
| | |
这张表的暗线是让能力与任务难度匹配、并留一档向上的空间:几乎每行都从较低 effort 起步、必要时再升,而不是一上来就拉满。
为什么 effort 要排在换模型前面?因为它是一根更细的刻度。作者给出的 effort 曲线(Opus 5.5 在 SWE-bench Pro 上,以 high 为参照)是这样的:medium 比 high 低约 2.5 个百分点,成本约 70%;low 低约 8 个百分点,成本只有约三分之一;xhigh 反而高约 1.4 个百分点,成本却是 2.5 倍。这条曲线解释了"先调 effort"的根据:medium 到 high 是性价比最高的区段,多花三成钱换 2.5 个百分点;high 到 xhigh 开始边际塌陷,多花 150% 只买回 1.4 个百分点(作者报告,未经独立复现)。
但 effort 有边界。原话说得很清楚:"moving to a higher effort level won't give a model knowledge or skill it doesn't have."(把 effort 调高,不会给模型它本来没有的知识或技能。)effort 决定的是同一份能力用多深,换模型决定的才是能力本身的天花板。把它当成万能旋钮,在缺能力的任务上是白花钱——那里的正确动作是换模型,而且从比小模型更低的 effort 起步。
把算力按难度重新分配:失败重跑
全文最值得拆开的一条,也是最反直觉的一条,来自一个 SWE-bench Pro 子集。先看它的前提:这些题的结果可以用测试自动验证。没有这个前提,整套方法不成立。
旧的用法是所有题都用 high effort 跑一遍:通过率 95.3%,每题成本约 0.29 美元。新用法分两步——先用 low effort 把全部题跑一遍,只对失败的那些用 high effort 重跑:通过率约 97%,每题成本约 0.17 美元。
为什么更便宜反而通过率更高?因为 high effort 的额外思考花在了每一道题上,可很多题 low 就能过,在这些题上加 effort 纯属浪费。把省下来的预算集中到真正难的少数题上,等于按难度重新分配了算力;而 low 能过的题重跑机制不会漏掉,high 仍过不了的题两种方法一样过不了。(作者报告的数字,来自特定子集,不可外推为所有任务的普适值。)
这套方法的失效边界也很清楚:它完全依赖"结果能自动判定成功或失败"。开放式写作、质量判断这类没有干净成功判据的任务,没有可靠的"失败项"去触发重跑,方法就失灵。这也是为什么作者把"给模型一个检查自己工作的途径——一个测试、一次构建、一个能调用端点的脚本"列为省钱的第一习惯。
那么什么时候该换层、换层要付什么代价?把这条暗线画出来是这样(自绘):
任务进入
│
├→ 结果可自动验证?
│ ├→ 是 → low 全跑 → 失败项 high 重跑 → 交付
│ └→ 否 → 从 Opus + medium 起步
│
└→ effort 到顶仍不够?
└→ 换更高档模型(在自然断点切)
└→ 交接成本:cache 重写 + thinking 丢弃
图的转折在"结果可自动验证"这一步:能验证,就走按难度分配的快路径;不能验证,只能退回"起点加 effort"的常规路径。而无论哪条路,一旦要换到更高的模型,都要付一笔交接费。
四种把模型编进同一条流水线的办法
单个模型选定了,真正省钱的往往是把几个模型组合起来。文章给了四条路径,每一条都有它的成立条件和代价。
第一条,在自然断点切换模型。这里有个容易忽略的事实:prompt cache 属于写下它的那个模型。新模型接手的第一个 turn,要为整段对话重新付一次 cache-write 的钱。所以切换前最好先把上下文压小——在 Claude Code 里先运行 /compact,或者干脆开一个带简短书面计划的新 session;用 API 时,则用一个工作摘要去开启新模型的对话,而不是把完整历史发过去。
第二条,把小模型放在 subagent 上。做法是在 subagent 定义里写 model: haiku 或 model: sonnet,让它去做搜文件、读日志、摘要这类"错了也很容易被发现"的活;代码编辑和最终判断留在主模型上。这条原则被作者压缩成一句话:"Keep the expensive model's context for the decisions, and let cheaper subagents do the verbose reading."(把昂贵模型的上下文留给决策,让便宜的 subagent 去做冗长的阅读。)风险在于:小模型一旦误读了搜索结果,主模型就会打开错误的文件,白烧一轮 token。省下的钱和这类浪费之间,需要你自己权衡。
第三条,用 advisor 处理困难决策。这个工具还处在 beta:一个更快更便宜的 executor 执行任务,中途可以问一个更强的 advisor,大部分 token 按 executor 的费率计费。听起来很美,但有两个限制。其一,advisor 只在 executor 主动咨询它时才有用,而 executor 的 effort 越低,咨询得越少。其二,平台的成本指南里,四组搭配没有一组明显优于 executor 单干。
一个内部编码基准给这条路径浇了冷水:Opus 5.5 在 high effort 加 Fable 5.1 作 advisor,得 90.1%,每次 2.92 美元,比 Opus 单干高 1.7 个百分点,成本却是 2.1 倍。作者自己的判断是,这点提升接近 run-to-run 噪声的边缘,也大致等于直接加 effort 能买到的东西。这组对自己不利的数字被原文保留了,它提醒我们:多模型不是天然优于单模型。
第四条,把大批量工作分给更便宜的 worker。架构是让顶层模型做 lead,拆任务,分给许多便宜 worker 并行处理,再合并。一个内部缺陷搜索基准里(约 2200 万 token 的源码),Opus 做 lead、Sonnet 做 worker,最多 25 个并发,成本比 Opus 单干(默认 effort)低约三分之一,分数相当(作者报告,未经独立复现)。但这条路径有明确的反面:如果工作是单一依赖链,或者能塞进一个 context window,就该跳过——拆解与合并的开销会超过省下的钱。当路由规则简单到"每种步骤对应一个模型"时,让代码去选模型,别让模型自己决定。
换模型不只是改个名字
多模型系统的坑,大多埋在迁移里,而且会以 400 错误的形式突然出现。
Fable 5.2 开了 preserved thinking 之后,只要它某段 thinking 之前的内容发生变化——system prompt、工具、更早的消息中的任何一项——API 就会返回 400。如果你用的是 Claude Code、Agent SDK 或 Managed Agents,不用管;如果自己的代码会编辑历史,就得保持 history 是 append-only 的,切换前先测。forced tool use 是另一处:把 tool_choice 设成 any 或 tool,在 Sonnet 5.5、Opus 5.5、Fable 5.2 上都会返回 400,正确做法是用 auto,把工具标成 strict: true,并在 prompt 里说清楚什么时候用它。Haiku 4.5 迁到 5.5 时,要用 effort 替换掉 budget_tokens,去掉非默认的 temperature、top_p、top_k,并让 messages 以 user turn 结尾。
还有一类坑不报错,只是悄悄让你损失推理。每个 thinking block 都记着产生它的模型,而模型只会读取部分其他模型的 thinking block:向下切换到更低的档位,会丢掉较早的高档模型的推理;从 Fable 5.2 切到任何其他正式提供的模型,都会丢掉它的推理。API 会把这些 block 丢掉,但请求照样成功——新模型是在缺少那些推理的情况下继续工作的。这需要你在切换前查清兼容性。
分布的差异也要留意。haiku 这个 alias 在 Anthropic API 上指向 Haiku 5.5(需要 Claude Code v2.1.293 以上),但在 Bedrock、Google Cloud、Foundry 和 AWS 上仍指向 Haiku 4.5。另外,Opus、Sonnet、Fable 都会跑安全分类器,最常标记的是网络安全与生物内容;在 Claude Code 里,被标记的请求可能被重跑到一个较旧的模型,transcript 会注明实际用了谁——Fable 5.2 的网络安全请求回退到 Opus 4.8,生物请求回退到 Opus 5。这些都是多模型系统里你以为在用一个模型、实际未必的证据。
这对我自己的工作意味着什么
如果你也在一个多模型、多 Agent 的环境里工作,这套规则有几处可以直接拿来用:给范围明确、重复的任务配小模型,把关键判断留给主模型;在结果能自动验证的任务上,用"低 effort 全跑、失败项高 effort 重跑"替代"一律高强度";换模型前先动 effort,因为 effort 有拐点,而能力天花板只能靠换模型突破。
把它挪到化学信息学任务时,判断要更谨慎。这套方法成立的前提是"结果可自动验证"——在有明确判据的计算任务上(比如分子性质回归的测试集、构象生成的 RMSD 阈值、反应预测的准确率),前提成立;但化学研究里大量判断(谱图解析是否合理、机理假设孰优孰劣)没有干净的成功判据,此时"失败重跑"无从触发,只能退回"选个起点、逐步加 effort"的常规路径。把 effort 类比成化学实验里的投入强度(粗筛、复测、确证)是一种启发性联想,不是机制上的同构——实验的不可逆性和计算的重试有本质差别,不能据此推出"化学实验也该一律先粗后精"。
从一个可以测的小实验开始
原文本身给了一套在你自己任务上定稿的办法,值得原样搬来。第一步,抽一组真实任务样本,为每个任务写一个结果检查——一个通过的测试、一个关闭的工单、一个正确的行数。第二步,每个候选模型在两三个 effort 档位上各跑一遍,每次用独立 session 避免共享 cache,从响应的 usage 字段记录每个完成任务的花费。第三步,画一张分数对花费的图;只有当某个多模型组合在图上超过所有单模型点时,才保留它,否则就用最简单的单模型配置。第四步,正式切换前,先在一小部分真实流量上做 shadow run。
这里有个一开始就想清楚的停止条件:如果画出来的图上,多模型并没有胜过单模型——前面那个 advisor 反例就是这样——那就停,不要为了"用上了多模型"而维持一套更复杂的系统。这些步骤要用你自己环境的任务样本、预算和流量来做;上面的描述不假设你已经拥有任何一个特定的数据集或评测框架。
结论可以收得很具体。这篇文章最值得留下的,不是此刻该选哪个模型——那个答案会随版本迭代过期——而是把"选模型"从一个凭感觉的判断,变成一个可以测量、可以核算的工程问题:按每个完成任务计价,先调 effort 再换模型,多模型组合要扣掉交接成本并且只有在你自己的 score-spend 图上胜过单模型时才成立。它的局限也因此清楚:所有证据都是作者报告的,带半衰期,方法的前提是结果可自动验证。记住这两点,这套框架在模型换代之后仍然好用;忘了它们,就会把一时的基准数字当成永恒真理。
参考资料
- Addy Osmani, "Which Claude model should you build with? Fable, Opus, Sonnet, or Haiku", claude.dev, 2026-11-09. https://claude.dev/blog/which-claude-model-should-you-build-with/ (正文本源,实际用于正文)
- "What a task costs on Opus 5.5", claude.dev, 2026-09-25. https://claude.dev/blog/what-a-task-costs-on-opus-5-5/ (辅助,用于交叉核对 cache 与 effort 成本定位,未直接引用其独有数字)
本文为对原文的独立解读与中文评述,版权归原作者所有;原文链接见文首元信息。