2026年6月10日，Anthropic发布Claude Fable5与Claude Mythos5。关于这次模型更新，值得我们重点关注的，不只是模型回答得更准、聊天体验更好，而是任务形态变了：大模型正在从问答工具，往能够持续规划、执行、检查和修正的长任务Agent方向升级。

　　对应到投资上，问题也很直接。如果AI不只是帮人写一段代码、回答一个问题，而是替人完成一项复杂工程任务，它消耗的Token、推理时间、算力资源和企业部署需求，可能都会上一个台阶。

　　一、这两个模型是什么？

　　Fable5与Mythos5可以理解为Anthropic基于同一底层模型能力做的分层发布。

　　Fable5是面向普通用户开放的Mythos-class模型，定位为公开可用的旗舰版本。它的重点不是把普通聊天体验再打磨精进一些，而是处理更长时间、更复杂、更偏异步执行的任务。说得直白些，它不只是回答得更好看，而是要在更长的任务链条里稳定干活。

　　Mythos5则是同一底层能力中权限更高、限制更少的版本，优先面向Project Glasswing等可信安全伙伴开放。由于这类模型在网络安全、生命科学等领域能力更强，也可能带来更高风险，Anthropic采用了更偏企业级的分层权限、安全审计和可信访问机制。

　　二、这两个模型有多强？

　　从公开测试看，这一代模型的能力提升主要体现在三类任务上：综合推理、Agent编程，以及复杂代码质量。

　　在人类最后考试（HLE）上，Mythos 5在不调用工具的情况下超过Preview版本，相比GPT-5.5、Gemini 3.1 Pro也明显领先。HLE主要衡量模型在数学、科学、人文、逻辑推理等复杂问题上的综合能力，而且题目通常不是简单检索就能回答。这个分数更高，说明模型不是只会生成流畅文本，而是在长链条推理、跨学科理解和复杂问题拆解上更进一步。

　　图1：HLE测评结果

　　数据来源：新智元，易方达指数

　　编程能力的差距更直观。SWE-Bench Pro主要用来测评模型能不能处理真实世界里的Agent编程任务，比如理解代码库、定位问题、修改代码、跑测试并修复错误。Fable 5拿到80.3%，高于11天前刚发布的Opus 4.8的69.2%，也高于GPT-5.5的58.6%和Gemini 3.1 Pro的54.2%。这说明它已经不只是“生成一段代码”，而是更接近能在真实工程环境里推进一段任务。

　　图2：Agentic coding测评结果

　　数据来源：新智元，易方达指数

　　代码质量也拉开了差距。在Cognition推出的FrontierCode Diamond中，Fable 5拿到29.3%，而GPT-5.5只有5.7%。这个榜单更关注Agent写出来的代码质量，而不是单纯能不能跑通。换句话说，模型要理解需求、控制修改范围、减少副作用，还要让代码更接近工程团队能接受的状态。

　　图3：Frontier Code测评结果

　　数据来源：新智元，易方达指数

　　早期案例也能说明这种变化。全球头部支付科技公司Stripe用Fable 5在5000万行Ruby代码库里做全局迁移，据称原本一个团队要两个月以上的工作，该模型一天就完成了。这个案例的重点不是“快”，而是任务规模变了：模型开始能够应对大型代码库、复杂依赖关系和连续验证流程。换句话说，AI-Coding正在从“补几行代码”，走向承接一段完整工程任务。

　　三、为什么长任务Agent有望拉动算力需求？

　　算力需求增长，不只来自模型参数变大，也来自使用方式的变化。

　　过去很多AI应用是单轮问答：用户提问，模型回答，任务结束。但Agent模式下，一个任务往往会被拆成多步：先理解目标，再制定计划，再调用工具，再检查结果，再根据反馈继续修正。一次任务可能包含多轮推理、多次工具调用、多次上下文读取和多次结果验证。

　　也就是说，完成同一个工作目标，Agent模式消耗的Token数量、推理时间和上下文窗口使用量，都可能明显高于普通聊天。代码迁移、复杂工程修复、长文档分析、金融研究、科研辅助这些场景尤其如此，任务链条长，对模型稳定性和算力供给的要求也更高。

　　更值得关注的是企业级Agent的使用频率。它不是偶尔试一次，而可能嵌入研发、运营、风控、客服、投研等日常流程。一旦从个人尝鲜走向组织级部署，算力需求就会从“流量驱动”进一步变成“工作流驱动”。这类需求通常更持续，也更看重低延迟、高可用和安全可控。

　　因此，Fable5/Mythos5不只是一次模型更新。它进一步说明，大模型竞争的主线正在从聊天机器人，转向长任务Agent、AI Coding、知识工作自动化和安全可控的企业级部署。

　　四、在这种情况下，哪些环节可能受益？

　　长任务Agent成为AI应用的重要方向，投资线索最终还是会回到算力基础设施产业链。原因在于，这类能力要真正进入企业场景，不能只停留在模型发布和产品演示层面，还要有足够的云端推理资源去承接高频调用。海外云厂商、模型公司和AI应用平台要推广这类Agent能力，推理基础设施就需要持续扩容。

　　从硬件环节看，相关需求会沿着AI服务器和数据中心链条传导。GPU和AI服务器是核心，网络互联决定集群效率，光模块、交换机、高速连接器、PCB等环节都会受益于集群规模扩大。与此同时，数据中心功率密度提升后，电源、散热、液冷、机柜等配套也会变得更重要。长任务Agent越多，推理侧负载越重，这些硬件环节的需求弹性也越值得跟踪。

　　五、应选择什么产品布局算力硬件的产业趋势？

　　不少创业板公司本身就和全球AI硬件产业链联系密切。它们通过光通信、服务器零部件、PCB、消费电子、半导体设备材料、电源散热等环节，参与海外算力基础设施建设，未来相关公司的订单和业绩弹性可能逐步体现。

　　对普通投资者来说，海外算力链覆盖环节多，既有光模块、PCB、服务器零部件，也有半导体设备材料、电源散热和消费电子，逐一个股筛选难度不低。相比集中配置于单一公司，借助ETF打包配置，可能是一种更为便捷、省心的参与方式。可以关注创业板ETF易方达（159915，联接基金A/C/Y：110026/004744/022907）。该产品跟踪创业板指，覆盖创业板中市值较大、流动性较好的代表性公司，可作为布局成长资产和观察AI硬件链外溢机会的工具之一。

　　如果希望进一步强化成长风格，也可以关注创业板成长ETF易方达（159597，联接基金A/C：021749/021750）。该产品在海外算力产业链中的暴露程度更高，在科技制造和成长风格占优阶段，或可更充分反映产业趋势变化。