이미지: dbreunig.com
摘要
- 编程模型Fable质量出众但成本高昂,开发者中正流行把设计工作交给Fable、把重复性任务转给更便宜模型的用法
- 与Fable同周发布的GLM 5.2,据悉成本约为Fable的九分之一、Opus 5的五分之一
- Fable的访问控制和数据留存政策,被认为是促使部分企业和国家重新审视流量与token处理路径的契机
- Fable 특징
- 뛰어난 코딩 품질, 높은 비용, 접근 통제·동적 성능 저하·데이터 보관 정책 포함
- GLM 5.2 출시 시점
- Fable과 같은 주 출시로 알려졌어요
- GLM 5.2 상대 비용
- Fable 대비 약 1/9, Opus 5 대비 약 1/5 수준
- 업계 반응
- 일부 기업·국가가 트래픽·토큰 처리 경로를 재검토하는 계기가 됐어요
- 배경 비유
- 허브 서터의 2005년 에세이 '공짜 점심'과 2000년대 중반 무어의 법칙 둔화에 빗댐
- 함께 언급된 모델
- Opus 5, GPT-5.6, K3 — 대부분의 코딩 작업에 충분하다고 평가됨
自新编程模型Fable问世以来,开发者中"该把哪项任务交给哪个模型"的考量明显多了起来。科技博主dbreunig把这一变化比作摩尔定律失灵的年代,这一说法恰好与近期不满Anthropic定价、转向替代模型的编程智能体用户潮流相呼应,格外引人关注。
性能拔尖,成本吃紧
Fable在质量上被认为是迄今为止最出色的编程模型之一。问题出在价格上。同期存在的Opus、GPT-5.6、K3等模型已经足以应付大多数编程任务,因此没有必要把所有工作都交给Fable。dbreunig把这种局面总结为"免费的午餐结束了"。
这句话原本出自软件工程师Herb Sutter在2005年发表的一篇文章。在摩尔定律还生效的年代,开发者只需等上18个月,CPU性能就会翻倍,根本没必要费心优化代码。但到了2000年代中期,单线程性能停滞不前,开发者不得不亲自琢磨并行化、架构设计、内存布局这些问题。dbreunig认为,如今的AI编程模型市场正在上演同样的剧情。
GLM 5.2:同一周登场的替代方案
与Fable同周发布的GLM 5.2正处于这股潮流的中心。据悉GLM 5.2的成本约为Fable的九分之一、Opus 5的五分之一。虽然质量可能不及Fable,但dbreunig认为它足以应付大多数重复性编程任务。因此他表示,自己现在的做法是:定方向时找Fable商量,实际执行任务时交给GLM,两个模型分工使用。
| 模型 | 相对成本(GLM 5.2=1) |
|---|---|
| GLM 5.2 | 1 bar:11 |
| Opus 5 | 5 bar:56 |
| Fable | 9 bar:100 |
也有人反驳说,推理成本一旦下降,最终大家还是会重新涌向最大的模型。但dbreunig指出,成本下降同样会让K3、Qwen等更便宜的模型受益;而且随着编程"套件"(harness,即为AI提供任务上下文的工具体系)不断改进,较弱的模型只要拿到足够的上下文,同样能胜任工作。
数据政策带来的第二重冲击
Fable引发的冲击不只是价格。它还配备了访问控制、动态性能降级(dynamic degradation)以及强制性数据留存政策,这促使部分企业和国家重新考虑自己的工作记录和token处理路径究竟该发往何处。dbreunig指出,选择用哪个模型,如今已经等同于选择把数据托付给谁。
这一趋势也与近期OpenAI和Anthropic在中国AI模型追赶压力下下调价格的动向相互呼应。
编辑视角
这篇文章并不是在贬低Fable,反而点出了一个悖论:正因为Fable做得太好,市场才被拆分了。从把编程智能体真正投入团队实践的经验来看,这种判断并不陌生。在设计阶段定方向时舍得花钱用最聪明的模型,方向定下来之后把重复性工作交给便宜得多的模型——这种做法已经在不少开发团队里成了自然而然的日常。
对国内开发团队来说,实际要抓的有两点:一是提前定好路由策略,把编程工作拆成"设计"和"实现"两块,分别交给不同价位的模型;二是养成团队层面记录"哪个模型接触了哪些数据"的习惯。像Fable这种数据留存政策比较严苛的模型,如果没经过合同审查就贸然引入,日后审计出问题可不是小事,这一点不能轻易忽视。
未来几个月里,像GLM、K3、Qwen这类价格便宜又能和"套件"很好配合的模型组合搭配的技术栈会越来越多。相反,最顶级、最昂贵的模型很可能会被压缩到设计、验证这类出错代价高昂的环节里使用。靠一个模型包打天下的时代,看来已经过去了。
评论