My Week with Fable

原始來源與檔名：2026-06-10T093420+0800-My Week with Fable.md

NAPKIN | 餐巾纸

餐巾纸公式

模型能力 = 時間跨度 (Time Horizon) × 平行代理數量 (Parallel Agents) × 資訊密度 (Information Density)

Fable (Mythos) 展現了次世代模型的核心特徵，透過極長期的任務執行力、大規模的平行代理操作與高密度的資訊輸出，達到前所未有的自主解決問題能力。

一句话

Fable 是一款高度自主、擅長極長跨度與平行代理任務的次世代 AI，儘管目前存在反應緩慢且過度深究的缺點，但已重新定義了 AI 處理複雜專案的天花板。

餐巾纸草图

      [使用者 Prompt]
            |
      (Clarifying & Spec)
            |
     +------V------+
     | Fable(Mythos)| --> 高密度思考 (High Information Density)
     +------+------+
            |
     [Workflow Mode]
   /    |    |    |    \
 Ag1  Ag2  Ag3  Ag4  AgN  (平行掃描上百個檔案)
   \    |    |    |    /
    [全面解決方案與 Bug 尋找]
            |
    極長時間跨度 (Long Horizon)

ROUND 1: SKELETON | 骨架扫描

“这本书在说什么”

章节骨架

  1. The Good: 驚人的平行代理與極長任務跨度能力。
  2. Quirks: 資訊密度過高、過度確認與執行緩慢。
  3. Conclusion: 調低努力層級，潛力巨大的次世代模型。

ROUND 2: DISSECTION | 血肉解剖

“凭什么这么说”

论证链

{Fable擁有極強的自主與平行處理能力} --> {能同時開啟數百個Agent審查代碼與抓Bug} --> {但為了確保準確，會不斷提問與深度思考} --> {導致過程緩慢且回答深奧} --> {結論：它是一個需要適應其「努力層級」的強大次世代模型}

关键证据

  1. 在「全面代碼審查」任務中，模型平行啟動數百個代理，針對每個檔案獨立審查並找出遠超以往模型的 Bug 與 UX 問題。
  2. 為了確保方向正確，會將單個 Prompt 轉化為繁瑣的確認流程：提問 -> 總結回答 -> 確認總結 -> 產出規格 -> 確認規格 -> 確認代理模式 -> 構建。
  3. 即使在低努力層級下，依然會耗費大量時間思考，五分鐘內只產出少量 Token。

隐形假设与边界

ROUND 3: SOUL | 灵魂提取

“还能怎么用”

跨域映射

STRUCTURE MAP | 全书结构图

[Fable (Mythos) 測評]
       |
       +---> [The Good: 突破性的能力]
       |       |-- Workflow 模式 (數百個 Agent 平行協作)
       |       |-- 極高的自主性與長任務跨度 (Long Horizon)
       |       +-- 針對複雜目標的不懈執行 (不惜燃燒 Token)
       |
       +---> [Quirks: 初期體驗的陣痛]
       |       |-- 過度冗長與高資訊密度 (讓人感到智商被輾壓)
       |       |-- 缺乏決斷力 (過度依賴使用者的多次確認)
       |       +-- 執行速度緩慢 (重思考，輕產出速度)
       |
       +---> [Actionable Advice: 實戰調整]
               |-- 即使中等設定也思考過度，建議調降「努力層級」
               +-- 期待未來的微調與系統提示詞優化

My Week with Fable (Architectural Deep Dive)

前言/背景

本篇文章由 Matthew Berman 分享，探討了他對全新次世代 AI 模型 Fable (Mythos) 的一週深度測試體驗。文章指出了此模型在自主任務執行上的突破，特別是其獨特的平行代理架構與長跨度任務處理能力，同時也剖析了現階段面臨的效能瓶頸與過度思考的問題。

章節詳細總結

The Good (突破性的架構能力)

Fable 的核心亮點在於其 Workflow mode (工作流模式)。當作者要求進行 “full code review” 時，Fable 並非採用單執行緒逐行掃描，而是展現了類似雲端原生架構中的高併發微服務處理能力：它同時啟動了數百個代理 (Agents) 進行平行運算。它為應用程式中的每一個檔案指派了專屬的代理。這種架構帶來了驚人的覆蓋率，能夠找出其他模型難以發現的深層 Bug、邊界條件 (Edge cases)、缺失的文件以及 UX 改善點。

此外，該模型具備極高的自主性 (Autonomy) 與長任務跨度 (Long-horizon tasks) 能力。相比以往的 Claude 或 GPT 模型，Fable 能夠獨立工作數小時以達成設定目標，且毫不吝嗇於消耗大量 Token。在架構師視角來看，這意味著我們能夠將更龐大、複雜的系統重構任務直接委派給模型，而不用擔心其在中途「斷線」或忘記上下文。

Quirks (系統行為的怪僻與瓶頸)

然而，Fable 並非毫無缺陷，其行為模式在某種程度上類似於過度設計的系統：

Conclusion (總結與實踐建議)

作者給出了一個具體的實踐建議 (Pro tip)：「調低模型的努力層級 (Effort level)」。即便是在低努力層級下，Fable 依然具備極強的能力並且會花時間思考。這代表模型的預設算力投入過剩，需要開發者手動調節資源配置。作者認為 Fable 現有的缺點（速度慢、過度謹慎、冗長）都可以透過未來的模型最佳化、RLHF 微調、以及增加算力來解決，但其底層的任務解決能力已然超越現有世代。

總結與結論