像 Claude Fable 5 这样的 Mythos 级模型，已经改变了 Anthropic 许多人的工作方式。我想分享两个技巧，帮助大家更好地发挥这类模型的能力。
自我纠错 loops
最近大家对 loops 很感兴趣。@bcherny 曾提到，“（他的）工作就是写 loops”。让模型围绕一个评估指标不断迭代优化，是提升任务表现的常见做法：Claude Code 里的 /goal，以及 Claude Managed Agent 里的 Outcomes，都是一些基础能力，让你能把这套通用做法用到自己的具体任务上。
正如我们在 prompting guide 中提到的，Fable 5 很擅长在 loop 中自我纠错。一个设计良好的目标或 rubric，会给 Claude 所运行的环境加入反馈。这样 Claude 就能运行起来，通过目标或 rubric 收集反馈，自我纠正，然后继续推进，直到满足目标或 rubric 为止。
我分享一个用来测试 Fable 的玩具例子：Parameter Golf 是一个开源 ML 工程挑战，目标是在 8xH100 上用不到 10 分钟，训练出能装进 16MB artifact 的最佳模型。
它有点像 @karpathy 的 autoresearch 项目：它测试的是一个 agent 编辑基础训练代码（一个 train_gpt.py 文件）、启动训练、轮询日志、读取分数，并决定下一步该跑什么实验的能力。
我用 Claude Managed Agents（CMA）在这个挑战上比较了 Fable 5 和 Opus 4.7。CMA 提供 agent harness 和托管 sandbox，因此很适合让 Fable 5 执行长时间运行的任务。对于 Parameter Golf，我通过 self-hosted sandbox 给 CMA 接入了 8xH100 GPU。
有一个微妙之处：由谁来评判很关键。我们看到，模型在对自己的输出做自我评判时会遇到问题。Prithvi Rajasekaran 在我们的工程博客里写过这个问题。
我们发现，在 Fable 5 上，用来验证的子 agent 通常优于自我评判，因为评分是在一个独立的 context window 中完成的。CMA 里的 Outcomes 会为你生成一个评分子 agent 来处理这件事。
每次测试时，我都会提供一个 rubric（一个文件），里面有九条可检查的标准（例如，运行一个 baseline、跑 20 个实验，等等）。然后，我让 Parameter Golf 最多运行 8 小时。Outcomes 的 grader 会确认所有实验标准都已满足，然后才允许 Claude 停止工作。
Fable 5 对训练 pipeline 的改进幅度大约是 Opus 4.7 的 6 倍。如果把实验分成结构性实验（例如架构改动）和数值型实验（例如调整一个常数），Fable 5 更敢下注在更大的结构性改动上，并且表现出韧性（例如顶住一次量化回归，最终拿到最大收益）。
Opus 4.7 的第一个实验带来了一点小收益，此后几乎所有实验都沿着同一个模板走：调整一个标量、测量结果，如果收益为正就保留。
Memory
Memory 是 Fable 另一个表现出色的领域。可以把它看成一个跨 session 的外层 loop：Claude 在一个 session 中写入 memory，这些 memory 可以在未来的 session 中被取回使用。
@pgasawa 和团队最近发布了 Continual Learning Bench 1.0，所以我想在 Fable 5 和更早的模型之间测试一下这件事。
https://x.com/i/status/2051361012838957144
我比较了 Fable 5、Opus 4.7 和 Sonnet 4.6 在这个 benchmark 中一个任务上的表现：这个任务要求 agent 在可以访问 SQL 数据库的情况下，按顺序回答一系列问题。每个问题都是一个单独的 agent session，并且都会提供 memory。
为此，我使用了带 memory 的 CMA。它会让每个 agent 访问一个挂载的文件系统，这个文件系统可以在多个 session 之间共享。
在这个任务里，有效使用 memory 通常会经历一个递进过程：失败（答错并记录下来）、调查（在继续之前弄清楚原因）、验证（把诊断变成已检查的事实）、提炼（把验证结果变成通用规则），以及查阅（读取这条规则，而不是重新推导一遍）。
Sonnet 4.6 大约停在第 1 步：它的存储内容是一串失败记录和未解决的猜测（例如，“也许是 prc 而不是 prc_usd？”）。它很少查阅之前的笔记。要提升表现，需要提供面向该任务的 memory 指令。
Opus 4.7 大约停在第 3 步：它会创建一份 schema reference，并标出不确定之处（例如，“prc 可能以美分为单位？验证一下。”），但验证覆盖率很低：只覆盖 7–33% 的问题（中位数 run 大约 17%）。
Fable 5 往往能走完整个递进过程：在它表现最强的几次 run 中，验证覆盖率最高达到 73%（30 个问题中的 22 个），并且它会把学到的东西提炼成通用规则，帮助未来任务。
与其直接给 Fable 5 下 prompt、一路手动引导，很多时候更好的做法是设计 loops，让模型根据环境反馈（例如 /goal 或 Outcomes）自我纠错，并管理自己的 context（例如通过 memory）。
我这里只分享了自己跑过的几个小规模实验，但 Fable 5 值得你在有挑战性的任务上亲自测试，也值得尝试用 loops 来做自我纠错或管理 memory。
如果想开始，可以阅读我们的 docs，或者询问最新版 Claude Code。它可以使用我们内置的 /claude-api skill，告诉你关于 Fable 5（例如 prompting best practices）、/goal、Claude Managed Agents，或其他 API 功能的信息。