编者按：Anthropic 的 Lance Martin 认为，Claude Fable 5 这类 Mythos 级模型的关键用法，不是靠人不断手动提示，而是为模型设计可自我纠错的循环。

文章提出两个核心技巧：一是通过 /goal、Outcomes 等机制设置明确目标或评分标准，让模型在执行、接收反馈、修正方案之间持续迭代；二是利用 memory（跨会话记忆）让模型记录失败、调查原因、验证结论，并把经验提炼成未来可复用的规则。

在 Parameter Golf 和 Continual Learning Bench 等实验中，Fable 5 相比 Opus 4.7、Sonnet 4.6 更擅长进行结构性探索、坚持长期任务，并把记忆转化为后续任务的有效改进。

文章的核心观点是：与其直接操控模型，不如设计环境、反馈机制和记忆系统，让模型自己在循环中变强。

以下为原文：

像 Claude Fable 5 这样的 Mythos 级模型，已经改变了 Anthropic 内部许多人的工作方式。我想分享两个技巧，帮助大家更好地发挥这类模型的能力。

自我纠错循环

最近，大家对「循环（Loop）」很感兴趣。@bcherny 曾提到，「我的工作就是写循环。」让模型围绕某个评估标准不断爬坡优化，是提升任务表现的常见方法：Claude Code 里的 /goal，以及 Claude Managed Agent 里的 Outcomes，都是可以让你把这一通用方法应用到具体任务中的基础能力。

正如我们在 Prompt 指南中提到的，Fable 5 很擅长在循环中进行自我纠错。一个设计良好的目标或评分标准，相当于给 Claude 所处的环境增加了反馈机制。这样，Claude 就可以先执行任务，再通过目标或评分标准收集反馈，随后自我修正，并持续推进，直到满足目标或评分标准为止。

我分享一个自己用来测试 Fable 的小例子：Parameter Golf。这是一个开源的机器学习工程挑战，目标是在 8 张 H100 GPU 上、10 分钟以内，训练出一个效果最好的模型，并且最终产物必须控制在 16MB 以内。

它有点像 @karpathy 的 autoresearch 项目：这个挑战测试的是一个 Agent 是否有能力修改基础训练代码，也就是一个 train_gpt.py 文件；启动训练；轮询日志；读取分数；并决定下一步该运行什么实验。

我用 Claude Managed Agents（CMA）在这个挑战上对比了 Fable 5 和 Opus 4.7。CMA 提供 Agent 运行框架和托管沙盒，因此非常适合让 Fable 5 执行长周期任务。在 Parameter Golf 这个测试里，我让 CMA 接入了一个自托管沙盒，其中包含 8 张 H100 GPU。

这里有一个微妙但重要的点：由谁来评判结果很关键。我们发现，模型在批判自己生成的内容时往往会出现问题。Prithvi Rajasekaran 曾在我们的工程博客中写过这一点。

我们发现，对于 Fable 5 来说，使用一个验证型子 Agent，通常比让模型自我批判效果更好，因为评分是在一个独立的上下文窗口中完成的。CMA 里的 Outcomes 功能会自动为你启动一个评分子 Agent 来处理这件事。

在每次测试中，我都会提供一个评分标准文件，其中包含九项可检查的标准，比如运行基线实验、完成 20 次实验等。随后，我让 Parameter Golf 最多运行 8 小时。只有当 Outcomes 评分器确认所有实验标准都已满足之后，Claude 才被允许停止工作。

结果是，Fable 5 对训练流程的改进幅度大约是 Opus 4.7 的 6 倍。如果把实验分为结构性实验，比如改变模型架构，和标量型实验，比如调整某个常数，那么 Fable 5 更倾向于押注更大的结构性改动，并且表现出了更强的韧性。例如，它在一次量化回归问题中坚持推进，最终取得了最大的一次提升。

相比之下，Opus 4.7 的第一次实验带来了一点小幅提升，但之后几乎所有实验都沿用了同一种模板：调整一个标量，测量结果，如果结果为正就保留。

记忆

记忆是 Fable 擅长的另一个领域。我们可以把它理解为一种跨会话运行的外部循环：Claude 会在一次会话中写入记忆，而这些记忆可以在未来的会话中被再次检索出来。

@pgasawa 和团队最近发布了 Continual Learning Bench 1.0，所以我也想用它来测试 Fable 5 和早期模型之间的差异。

我在这个基准测试中的一项任务上，对比了 Fable 5、Opus 4.7 和 Sonnet 4.6。这个任务要求 Agent 在访问一个 SQL 数据库的前提下，连续回答一系列问题。每个问题都是一次独立的 Agent 会话，并且会提供记忆能力。

为此，我使用了带有记忆功能的 CMA。它会为每个 Agent 提供一个挂载的文件系统，并且这个文件系统可以在不同会话之间共享。

对于这项任务来说，想要有效利用记忆，通常需要经历这样一个递进过程：失败（答错并记录下来）、调查（在继续之前弄清楚错因）、验证（把诊断结果变成经过检查的事实）、提炼（把验证结果转化为通用规则），以及查阅（之后直接读取规则，而不是重新推导一遍）。

Sonnet 4.6 大约停留在第 1 步：它的记忆存储更像是一串失败笔记和未定猜测，比如「也许应该用 prc，而不是 prc_usd？」它很少查阅此前的笔记。若想提升表现，就需要加入面向具体任务的记忆使用说明。

Opus 4.7 大约推进到第 3 步：它会创建一份 schema 参考文档，并标注其中的不确定性，比如「prc 可能是以美分计价？需要验证。」但它的验证覆盖率并不高：只覆盖了 7% 到 33% 的问题，中位数运行结果约为 17%。

Fable 5 则倾向于完成整个递进过程：在表现最好的几次运行中，它的验证覆盖率最高达到 73%，也就是 30 个问题中验证了 22 个，并且会把学到的内容提炼成通用规则，从而帮助后续任务。

因此，与其直接提示并不断引导 Fable 5，很多时候更好的方式，是设计一套循环，让模型能够根据环境反馈自我纠错，比如使用 /goal 或 Outcomes；同时让它自己管理上下文，比如通过记忆机制来完成。

我这里只分享了几个自己做过的小规模实验，但 Fable 5 很值得你亲自在高难度任务上测试，尤其是结合自我纠错循环或记忆机制来使用。

想要上手，可以查看我们的文档，或者直接询问最新版 Claude Code。它可以使用内置的 /claude-api skill，向你介绍 Fable 5，比如 Prompt 最佳实践、/goal、Claude Managed Agents，或其他 API 功能。

[原文链接]