AI评测史上最荒诞的一幕，在2026年盛夏正式上演。
Anthropic 最新发布的 Claude Fable 5，刚刚凭借碾压级的编程实力刷新行业上限，转头就在权威编程基准测试中交出了200题全拒答的白卷。更离谱的是：即便全数弃考、一题未答，它依然稳居榜单综合排名第一。
这看似闹剧的结果，撕开了当下顶级AI模型最尖锐的结构性矛盾：模型能力越强，安全护栏越严苛；护栏越紧绷，真实可用性反而越低。Fable 5 既是当前最强的工程编程模型，也是被自身安全规则束缚最严重的“受限强者”。
一、封神开局：碾压全场的顶级编程硬实力
Fable 5 发布之初，行业评价堪称顶格待遇，直接重塑了AI编程赛道的能力天花板。
在业内公认最硬核、最贴近真实工程场景的 SWE-Bench Pro基准中，Fable 5 拿下 80.3% 的高分，较自家上一代 Opus 4.8 高出11个百分点，对比 GPT-5.5 更是领先21.7个百分点，优势断层式领跑。
落地实测同样惊艳。支付巨头 Stripe 曾用 Fable 5 处理5000万行 Ruby 老旧代码库迁移工作，模型单日完成的工作量，等效替代了传统团队两个月的人工产能，长链路、大仓库、复杂重构的工程能力，得到真实产业验证。
就连OpenAI前核心科学家Andrej Karpathy都公开评价：Fable 5 的迭代幅度，完全配得上一次大版本级别的升级。
彼时行业共识十分统一：AI 编程正式进入 Fable 5 定义的新阶段。但谁也没想到，极致能力的背后，是极致保守的安全枷锁。
二、荒诞名场面：200题全数拒答，弃考依旧登顶
随着各大测评机构开启系统性跑分，Fable 5 的双面属性彻底暴露，最戏剧性的一幕发生在权威编程基准 ProgramBench 测评中。
这套基准聚焦底层代码重建、二进制还原等硬核编程能力，总计200道测试题目。面对整套试卷，Fable 5 没有答错一题、没有空题、没有低分，而是选择了全数拒绝作答，完成率直接归零。
拒答原因并非能力不足，而是安全分类器误判过度拦截。ProgramBench 核心的“重建编译后二进制文件”任务，在 Fable 5 的安全体系判定逻辑中，被等价归类为“二进制逆向、疑似恶意软件分析”的高危行为，触发最高等级防护，直接一刀切拦截全部试题。
更颠覆行业认知的是榜单后续操作：ProgramBench 官方并未将其判零分、除名，而是综合 Fable 5 在其他所有基准的碾压级实力，依然将其保留在排行榜首位。
这也创造了 AI 评测史无前例的奇观：唯一交白卷的选手，稳稳坐住第一名宝座。
该结果引发大量行业争议与吐槽：常规考试逻辑里，弃考即为零分，但在顶级AI测评体系中，模型硬实力太强，以至于“弃考”都无法撼动其排名，足以见得 Fable 5 与其他模型的能力代差。
三、隐形降智：用户花钱，却可能拿到低配模型体验
比全数拒答更隐蔽、更影响落地的，是 Fable 5 一套静默降级机制。
根据 Anthropic 官方技术文档披露，Fable 5 内置双层安全管控体系，专门针对前沿科研与高危技术场景：一旦模型检测到用户需求涉及AI 训练流水线、分布式训练基建、ML 加速器设计、网络安全、生物化工等领域，会在不告知用户的前提下主动降智。
用户付费调用的是顶配 Fable 5，实际响应的却是接近 Opus 4.8 的低配能力，全程无提示、无告知、无追溯，普通用户完全无法感知。
技术层面，这套机制依托探针监控模型内部激活状态，结合独立专项训练的 LLM 安全分类器做最终裁决，通过提示词改造、转向向量等方式，强制压低模型输出质量与能力上限。
实测数据佐证了过度防护的问题：在 Terminal-Bench 2.1 测评中，Fable 5 有 20.9% 的测试用例被安全拦截，自动回退降级；海外测评平台 Vals AI 因 Fable 5 在网络安全、生物领域拒答率过高，直接将 Opus 4.8 设为默认兜底模型，专门承接 Fable 5 拒绝的任务。
四、历代通病：Claude 系的“中途罢工”传统
事实上，过度拒绝、随意罢工、伦理过度风控，是 Claude 系列长期存在的老问题，并非 Fable 5 独有。
Claude 3 Opus 时代，就多次出现解题过半、逻辑通顺、结果合理，但中途以“存在伦理顾虑”为由强行终止作答的情况；Claude 3.5 Sonnet 也曾因“命令可能生成载荷、存在执行风险”，直接拒绝常规结构化 Bash 运维任务。
Fable 5 只是将这套安全机制升级到了极致：宁可错杀一万，绝不放行一个。原本用于防范恶意攻击、高危技术滥用的安全护栏，变成了误伤正常科研、工程开发、安全研究的“拦路墙”。
除此之外，前代遗留的小bug依旧存在，有网友实测发现，Fable 5 在纯英文输出场景中，仍会偶发夹杂汉字输出，老问题尚未彻底根治。
五、真实职场大考：能力顶尖，成本却四倍于竞品
如果说编程基准测试暴露了 Fable 5 的安全短板，伯克利大学 RDI 实验室的全新测评基准 ALE（Agents' Last Exam），则撕开了它的商业化落地痛点。
ALE 是目前最贴近真实社会用工场景的AI测评体系，覆盖55个职业赛道、1500+真实职场任务，由300余家机构、300多位行业专家出题，完全按照实际工作结果计分，堪称AI的“职场高考”。
测评结果极具参考价值：Fable 5 得分 22.0%，位列第二名，小幅落后于 GPT-5.5 的 24.0%。能力差距虽小，但成本差距极其悬殊：
- Fable 5：单题平均成本 15.70 美元
- GPT-5.5：单题平均成本 3.80 美元
- Composer 2.5：单题平均成本仅 1.33 美元
换算下来，Fable 5 的使用成本是 GPT-5.5 的四倍，昂贵溢价并未匹配对应的职场综合能力优势。
同时测评平台特别标注：Fable 5 存在系统性静默降级、访问限制问题，即便多次重试任务也无法规避，现有跑分大概率低估了其真实硬件能力、高估了其可用能力。
六、深层矛盾：顶级AI的能力与安全撕裂
Fable 5 的极致风控并非无的放矢。其前身 Mythos 系列模型，在漏洞挖掘、网络进攻、高危技术研发等场景展现出的能力，曾引发全球监管与科技机构的高度警惕，这也是 Anthropic 将其定位为受限模型、强制叠加顶级安全护栏的核心原因。
站在安全视角，这套机制可以有效规避顶级AI能力被滥用的风险；但站在产业落地视角，当下的安全判定标准过于粗糙、边界极度模糊。
二进制重建、底层代码逆向，本是正向安全研究、代码审计、老旧系统重构、漏洞修复的基础刚需操作，却被一刀切归类为高危行为。最终导致真实开发者陷入两难：要么放弃 Fable 5 改用低配模型，要么反复修改提示词规避风控，要么接受“顶级模型只能做基础工作”的尴尬现状。
结语：弃考登顶背后，是整个行业的两难困局
交白卷拿第一的荒诞剧情，绝非简单的测评乌龙，而是当下超级AI发展的终极缩影：
模型智能上限越来越高，但安全束缚越来越紧；技术突破速度越来越快，但落地可用空间越来越窄。
Anthropic 手握当下最强的工程编程模型，却无法放开手脚让其服务真实产业，反而通过严苛、模糊、一刀切的安全规则，替用户定义“什么能做、什么不能做”。
未来，AI行业需要解决的早已不是“如何把模型做更强”，而是如何在顶级能力与合理安全之间找到精准边界。唯有告别粗放式风控、告别一刀切拦截、告别静默降级，顶级AI的硬实力，才能真正转化为产业价值，而非仅供榜单观赏的“空中楼阁”。