Claude Fable 5: قیمت و زمان استفاده

هزینه Claude Fable 5 چقدر است؟

هزینه Claude Fable 5 در Claude API برای هر یک میلیون input token برابر با $10 و برای هر یک میلیون output token برابر با $50 است. این ارقام، نرخ‌های فهرست منتشرشده توسط Anthropic هستند که در 3 August 2026 از صفحهٔ قیمت‌گذاری خوانده شده‌اند. شناسهٔ مدل در API برابر با claude-fable-5 است. این مدل در 9 June 2026 در Claude API، Amazon Bedrock، Claude Platform on AWS، Google Cloud و Microsoft Foundry به‌طور عمومی در دسترس قرار گرفت.

[
  {
    "label": "Claude Fable 5",
    "input": "10",
    "output": "50",
    "cache_read": "1",
    "batch_input": "5",
    "batch_output": "25"
  },
  {
    "label": "Claude Opus 5",
    "input": "5",
    "output": "25",
    "cache_read": "0.50",
    "batch_input": "2.50",
    "batch_output": "12.50"
  },
  {
    "label": "Claude Sonnet 5 (intro rate)",
    "input": "2",
    "output": "10",
    "cache_read": "0.20",
    "batch_input": "1",
    "batch_output": "5"
  },
  {
    "label": "Claude Sonnet 5 (from 1 Sep)",
    "input": "3",
    "output": "15",
    "cache_read": "0.30",
    "batch_input": "1.50",
    "batch_output": "7.50"
  },
  {
    "label": "Claude Haiku 4.5",
    "input": "1",
    "output": "5",
    "cache_read": "0.10",
    "batch_input": "0.50",
    "batch_output": "2.50"
  }
]

این قیمت‌ها را به‌صورت یک نردبان در نظر بگیرید. قیمت Fable 5 دو برابر Claude Opus 5، پنج برابر نرخ فعلی Claude Sonnet 5 و ده برابر Claude Haiku 4.5 است. این نسبت در هر دو بخش صورت‌حساب یکسان است، زیرا همهٔ مدل‌های آن جدول output را دقیقاً با نرخ 5 برابر input خود قیمت‌گذاری می‌کنند. بنابراین، اگر نسبت input token و output token یک کار را بدانید، می‌توانید با ضرب‌کردن، قیمت یک مدل را به قیمت هر مدل دیگر تبدیل کنید.

یک تاریخ محاسبه را تغییر می‌دهد. Sonnet 5 تا 31 August 2026 با قیمت مقدماتی $2 و $10 برای هر یک میلیون token عرضه می‌شود. از 1 September 2026، قیمت فهرستی آن به $3 و $15 می‌رسد. قیمت خود Fable 5 تغییر نمی‌کند؛ بنابراین در آن روز، فاصلهٔ قیمت آن با Sonnet 5 از 5 برابر به کمی بیشتر از 3 برابر کاهش می‌یابد. اگر برای پاییز بودجه‌ریزی می‌کنید، از ارقام جدیدتر Sonnet استفاده کنید.

تخفیف‌ها و تنها ضریبی که هزینه را افزایش می‌دهد

Prompt caching بزرگ‌ترین اهرم کاهش هزینه است. هزینهٔ cache read برابر با یک‌دهم قیمت پایهٔ ورودی است؛ این هزینه برای Fable 5 برابر $1 به‌ازای هر یک میلیون token است. نوشتن در cache از یک token ورودی معمولی گران‌تر است: برای cache پنج‌دقیقه‌ای 1.25 برابر قیمت پایه و برای cache یک‌ساعته 2 برابر قیمت پایه. هزینهٔ cache پنج‌دقیقه‌ای پس از یک بار خواندن جبران می‌شود و cache یک‌ساعته پس از دو بار خواندن. همین محاسبه دلیل کامل برای مشخص‌کردن نقطهٔ سربه‌سر prompt caching پیش از فعال‌کردن آن در همه‌جا است.

Batch API از هر دو طرف 50% تخفیف می‌دهد؛ بنابراین اجرای دسته‌ای Fable 5 به‌ترتیب $5 و $25 به‌ازای هر یک میلیون token هزینه دارد. درخواست‌های Batch به‌صورت ناهمگام اجرا می‌شوند؛ بنابراین این روش فقط برای کارهایی مفید است که به پاسخ فوری نیاز ندارند. این دو تخفیف با یکدیگر جمع می‌شوند و در نتیجه، یک کار cached و batched از هر دو جنبه هزینهٔ کمی دارد.

پنجرهٔ context یک میلیون token در Claude 4.6 و مدل‌های جدیدتر، با نرخ‌های استاندارد محاسبه می‌شود. هزینهٔ اضافی برای context طولانی وجود ندارد؛ بنابراین هزینهٔ یک درخواست 900k توکنی با همان نرخ هر token یک درخواست 9k توکنی محاسبه می‌شود.

ضریبی که مبلغ صورت‌حساب را افزایش می‌دهد، data residency است. تنظیم inference_geo: "us" برای نگه‌داشتن inference در داخل ایالات متحده، ضریب 1.1 را روی همهٔ دسته‌های token، از جمله cache read و cache write، اعمال می‌کند. routing سراسری پیش‌فرض را حفظ کنید، مگر آن‌که قرارداد به تنظیم دیگری نیاز داشته باشد.

یک قانون صورت‌حساب به این مدل اختصاص دارد. Fable 5، safety classifierهایی دارد که ممکن است یک درخواست را رد کنند. در این حالت، Messages API مقدار stop_reason: "refusal" را به‌عنوان پاسخ موفق HTTP 200 برمی‌گرداند، نه به‌عنوان خطا؛ همچنین برای درخواستی که پیش از تولید هر خروجی رد شده باشد، هزینه‌ای دریافت نمی‌شود. اگر همان prompt را روی مدل Claude دیگری retry کنید، fallback credit هزینهٔ prompt cache ناشی از این جابه‌جایی را بازپرداخت می‌کند؛ بنابراین برای warm کردن همان cache دوبار هزینه نمی‌پردازید.

کدام طرح‌ها Claude Fable 5 را شامل می‌شوند؟

تا 3 August 2026، صفحه Claude Fable شرکت Anthropic اعلام می‌کند که این مدل برای کاربران Pro، Max، Team و Enterprise در دسترس است. در این صفحه نامی از طرح رایگان برده نشده است. برای توسعه‌دهندگان، این مدل به‌طور عمومی در Claude API و از طریق cloud marketplaceهای فهرست‌شده در بالا در دسترس است.

در دسترس بودن در یک طرح، با شامل شدن بدون محدودیت یکسان نیست. جدول مقایسه طرح‌ها در صفحه قیمت‌گذاری Anthropic، دسترسی به Fable را در برخی seatها به سهمی از محدودیت‌های مصرف هفتگی و در برخی دیگر به usage creditها مشروط می‌کند. این سازوکار در طول July 2026 بیش از یک بار تغییر کرد. بیانیه خود Anthropic درباره redeploy کردن Fable 5 اعلام کرده بود که این مدل تا 50% از محدودیت‌های مصرف هفتگی را تا 7 July 2026 در طرح‌های Pro، Max، Team و برخی طرح‌های Enterprise شامل می‌شود و پس از آن تاریخ، usage creditها اعمال می‌شوند. گزارش‌های منتشرشده در ادامه July نیز از تمدیدهای بیشتر و تفکیک بین انواع seat خبر دادند.

بنابراین این صفحه محدودیت هر طرح را به‌صورت جداگانه درج نمی‌کند. هیچ رقمی که در آن ماه منتشر شد، حتی برای یک fortnight معتبر نماند و درج یک عدد قدیمی در اینجا از درج نکردن آن بدتر است. در روزی که تصمیم می‌گیرید، ردیف دارای برچسب Fable را در جدول مقایسه طرح‌ها باز کنید و هر عدد موجود در یک مقاله خبری را قدیمی در نظر بگیرید.

آنچه ثابت مانده، نرخ API است. در هر route، پس از مصرف شدن allowance شامل‌شده، مصرف بیشتر Claude Fable 5 بر اساس قیمت‌های نمودار بالا محاسبه می‌شود. بنابراین در هر دو حالت، برای برنامه‌ریزی باید به فهرست قیمت‌ها استناد کنید؛ همین نتیجه‌ای است که هنگام مقایسه صورت‌حساب API با اشتراک برای هر مدل دیگر Claude نیز به آن می‌رسید. اگر هنوز tier خود را انتخاب نکرده‌اید، از این‌که کدام طرح Claude با الگوی مصرف شما سازگار است شروع کنید.

چرا هزینه صورت‌حساب شما بیشتر از چیزی است که نسبت قیمت‌ها نشان می‌دهد

دو سازوکار مستند باعث می‌شوند هزینه Fable 5 بیشتر از مقداری باشد که مقایسه مستقیم قیمت‌ها نشان می‌دهد.

نخست tokenizer است. Fable 5 از tokenizer معرفی‌شده همراه با Claude Opus 4.7 استفاده می‌کند. در مقایسه با مدل‌های منتشرشده پیش از Opus 4.7، تولید token برای یک متن یکسان تقریباً 30% بیشتر است و مقدار دقیق این افزایش به محتوای متن بستگی دارد. Haiku 4.5 پیش از آن tokenizer عرضه شده است؛ بنابراین فاصله 10 برابری در فهرست قیمت، زمانی که یک بلوک متنی یکسان را به هر دو مدل بدهید، به حدود 13 برابر نزدیک‌تر می‌شود. Sonnet 5 از tokenizer جدیدتر استفاده می‌کند؛ بنابراین مقایسه Fable با Sonnet از نظر هزینه هر token منصفانه است. اما مقایسه Fable با Haiku منصفانه نیست.

دومین عامل thinking است. Adaptive thinking در Fable 5 همیشه فعال است و thinking: {"type": "disabled"} پشتیبانی نمی‌شود. tokenهای مربوط به thinking به‌عنوان tokenهای خروجی و با نرخ کامل خروجی محاسبه می‌شوند. زنجیره خام استدلال هرگز در این مدل برگردانده نمی‌شود و thinking.display به‌طور پیش‌فرض روی "omitted" قرار دارد؛ بنابراین یک پاسخ کوتاه و قابل‌مشاهده می‌تواند تعداد زیادی token خروجی مشمول هزینه داشته باشد. مستندات Anthropic این موضوع را صریح بیان می‌کنند: تعداد tokenهای خروجی مشمول هزینه با تعداد tokenهای قابل‌مشاهده در پاسخ یکسان نیست.

به‌جای حدس‌زدن، breakdown را بخوانید. فیلد usage.output_tokens_details.thinking_tokens نشان می‌دهد چه تعداد از tokenهای خروجی مشمول هزینه برای reasoning مصرف شده‌اند:

{
  "usage": {
    "input_tokens": 25,
    "output_tokens": 348,
    "output_tokens_details": {
      "thinking_tokens": 312
    }
  }
}

در این مثال که از مستندات thinking مربوط به Anthropic گرفته شده است، 312 مورد از 348 token خروجی مشمول هزینه به reasoning اختصاص داشته‌اند؛ reasoningای که کاربر هرگز آن را ندیده است. هنگام stream کردن، این breakdown فقط در رویداد نهایی message_delta دریافت می‌شود؛ بنابراین clientای که خواندن را پس از آخرین chunk متنی متوقف کند، هرگز آن را ثبت نخواهد کرد.

کنترل مربوط به این بخش effort است که روی output_config.effort تنظیم می‌شود و سطوح low، medium، high (پیش‌فرض)، xhigh و max را دارد.

{
  "model": "claude-fable-5",
  "max_tokens": 32000,
  "output_config": { "effort": "medium" },
  "messages": [{ "role": "user", "content": "..." }]
}

راهنمای Anthropic برای این مدل این است که کار را از high شروع کنید، فقط برای کارهایی که capability در آن‌ها بیشترین اهمیت را دارد به xhigh افزایش دهید و برای کارهای معمول به medium یا low کاهش دهید؛ زیرا در Fable 5، effort کمتر اغلب از xhigh در مدل‌های قبلی عملکرد بهتری دارد. این تنظیم دو دام دارد. تغییر effort بین requestها prompt cache را نامعتبر می‌کند، زیرا مقدار نهایی effort داخل prompt قرار می‌گیرد؛ بنابراین برای هر workload یک سطح را انتخاب کنید و آن را ثابت نگه دارید. همچنین max_tokens سقف سختی برای مجموع output، شامل thinking و متن پاسخ، است؛ در نتیجه سقفی که برای پاسخی بدون thinking تعیین شده باشد باعث truncate شدن پاسخ خواهد شد. مشاهده stop_reason: "max_tokens" یعنی باید سقف را افزایش دهید یا effort را کاهش دهید.

هزینه به‌ازای کار تکمیل‌شده، نه هزینه به‌ازای token

[
  {
    "label": "Short answer (5k in, 1k out)",
    "fable_5": "0.10",
    "opus_5": "0.05",
    "sonnet_5": "0.02",
    "haiku_4_5": "0.01"
  },
  {
    "label": "Coding session (300k in, 40k out)",
    "fable_5": "5.00",
    "opus_5": "2.50",
    "sonnet_5": "1.00",
    "haiku_4_5": "0.50"
  },
  {
    "label": "Long agent run (2M in, 400k out)",
    "fable_5": "40.00",
    "opus_5": "20.00",
    "sonnet_5": "8.00",
    "haiku_4_5": "4.00"
  }
]

این 3 ردیف محاسبهٔ ریاضی هستند، نه benchmark. نرخ‌ها منتشر شده‌اند. حجم tokenها فرضی است و باید آن‌ها را با ارقام حاصل از داده‌های مصرف خودتان جایگزین کنید. یک جلسهٔ coding با الگوی ردیف میانی، در Fable 5 برابر با $5.00 و در Sonnet 5 برابر با $1.00 هزینه دارد. اجرای طولانی برابر با $40.00 در برابر $8.00 هزینه دارد. ستون Haiku در ردیف آخر فقط محاسبهٔ ریاضی است: Haiku 4.5 پنجرهٔ context برابر با 200k token دارد و بنابراین اصلاً نمی‌تواند آن کار را در خود جای دهد.

هزینه به‌ازای token واحد مناسبی برای تصمیم‌گیری نیست. هزینه به‌ازای کار تکمیل‌شده برابر است با هزینهٔ هر تلاش ضربدر تعداد تلاش‌ها. با نرخ‌های امروز، هر تلاش در Fable 5 همان هزینهٔ 5 تلاش در Sonnet 5 را دارد؛ بنابراین تعداد retry به‌تنهایی تقریباً هیچ‌وقت ارتقا را توجیه نمی‌کند. Sonnet باید در بیش از 4 مورد از هر 5 مورد شکست بخورد تا مسیر ارزان‌تر از نظر token زیان‌ده شود.

آنچه این انتخاب را توجیه می‌کند، همهٔ عواملی است که در صورت‌حساب token دیده نمی‌شوند. اختلاف هزینهٔ دو اجرای طولانی در نمودار، در بیشتر بازارها از هزینهٔ 1 ساعت زمان engineer کمتر است. اگر مدل گران‌تر 1 ساعت زمان review را کاهش دهد، یا از یک migration نادرست جلوگیری کند که بعداً باید آن را اصلاح کنید، هزینهٔ خود را جبران کرده است؛ حتی اگر این صرفه‌جویی در صورت‌حساب قابل مشاهده نباشد. مقایسه را بر اساس هزینهٔ پولی هر نتیجهٔ پذیرفته‌شده انجام دهید و زمان خودتان را نیز در مجموع هزینه لحاظ کنید. دانستن این‌که 1 میلیون token واقعاً چه چیزی می‌خرد این برآورد را بسیار ملموس‌تر می‌کند.

سه کاری که Claude Fable 5 ارزش هزینه‌اش را دارد

اجرای طولانی‌مدت agent که در آن یک تصمیم اشتباه هزینه‌بر است. Fable 5 برای کارهایی طراحی شده است که با ساعت اندازه‌گیری می‌شوند: پنجرهٔ context یک‌میلیون‌توکنی، حداکثر 128k توکن خروجی برای هر درخواست، و سطح تلاش xhigh که برای taskهای بیش از سی دقیقه با بودجهٔ چندمیلیون‌توکنی در نظر گرفته شده است. هزینهٔ اجرای آن را با cleanup لازم پس از آن مقایسه کنید که agent در گام 40 وارد مسیر اشتباه می‌شود و کسی تا گام 300 متوجه آن نمی‌شود.

یک migration یا audit که آن را فقط یک‌بار روی یک codebase بزرگ اجرا می‌کنید. کارهای یک‌باره حجم کافی برای سرشکن‌کردن هزینه ندارند؛ بنابراین premium هر token روی یک invoice اعمال می‌شود و ممکن است کل کار در یک context window جا بگیرد. اگر این کار بتواند به‌صورت asynchronous اجرا شود، Batch API هزینه را به $25 به‌ازای هر یک میلیون توکن خروجی کاهش می‌دهد.

کاری که یک model ارزان‌تر پیش‌تر دو بار در آن شکست خورده است. دو تلاش ناموفق به‌همراه زمان debugging شما، در حجم‌های نشان‌داده‌شده در نمودار بالا، بیشتر از یک تلاش Fable هزینه دارد. ارتقا به tier بالاتر مسیر ارزان‌تر است و model ladder برای همین کاربرد دارد. اگر هنوز به‌طور کلی بین tierها انتخاب می‌کنید، مقایسهٔ قابلیت‌های tierهای Claude model به پرسشی متفاوت از پرسش این صفحه پاسخ می‌دهد.

سه کاری که در آن‌ها Sonnet 5 یا Haiku 4.5 پاسخ صادقانه است

طبقه‌بندی و استخراج در حجم بالا. این کارها بر اساس throughput و هزینه واحد ارزیابی می‌شوند و سقف کیفیت آن‌ها آن‌قدر پایین است که یک مدل ارزان به آن می‌رسد. اگر برای کاری که Haiku 4.5 آن را درست انجام می‌دهد 10 برابر هزینه کنید، Fable 5 هیچ مزیت قابل‌اندازه‌گیری ایجاد نمی‌کند.

کار تعاملی که latency در آن خودِ محصول است. جدول مدل‌های Anthropic، latency نسبی Fable 5 را کندتر اعلام می‌کند و امکان خاموش‌کردن thinking وجود ندارد. chat box یا تکمیل کد در editor با مدل توانمندتر تجربه بدتری ایجاد می‌کند، چون کاربر پیش از کیفیت، زمان انتظار را احساس می‌کند.

هر چیزی که به رویدادهای پس از January 2026 وابسته باشد. cutoff قابل‌اعتماد دانش Fable 5، January 2026 است. این مقدار برای Opus 5 برابر با May 2026 است. مدل گران‌تر، اطلاعات به‌روز کمتری دارد؛ بنابراین در پرسش‌های مربوط به تازگی اطلاعات، برای دانش قدیمی‌تر 2 برابر هزینه می‌کنید، مگر آن‌که ابزارهای search یا fetch را در اختیار آن قرار دهید.

یک محدودیت کاملاً جدا از هزینه وجود دارد. Fable 5 دارای data retention به مدت 30 روز است و با zero data retention در دسترس نیست، زیرا به‌عنوان Covered Model تعیین شده است. اگر توافق شما به zero retention نیاز دارد، Fable 5 با هیچ قیمتی گزینه مناسبی نیست و هیچ تخفیفی این موضوع را تغییر نمی‌دهد.

مخزن‌های fable-method چه چیزی را نشان می‌دهند و چه چیزی را نشان نمی‌دهند

کاربران حرفه‌ای مخزن‌هایی منتشر کرده‌اند که روش‌های کار Fable 5 را به مهارت‌هایی تبدیل می‌کنند که یک مدل ارزان‌تر می‌تواند از آن‌ها پیروی کند. مخزن fable-method یک مهارت فکری، یک حلقهٔ orchestration و یک adversarial verifier را توضیح می‌دهد که هر بررسی ادعاشده را دوباره اجرا می‌کند، نه این‌که گزارش خود agent را بخواند. در README این مخزن نیز مستقیماً آمده است: «این یک تقطیر جامعه‌محور است، نه محصول Anthropic.»

با آن دقیقاً به همین شکل برخورد کنید. این مخزن شواهدی دربارهٔ نحوهٔ هدایت مدل ارائه می‌کند، اما مستندات نحوهٔ کار مدل نیست. هیچ‌یک از مطالب آن توسط Anthropic اعتبارسنجی نشده است. چند fork تقریباً یکسان با عبارت‌بندی‌های متفاوت نیز وجود دارد؛ این وضعیت بیشتر با نقل‌قول‌ها و روش‌های رایج غیررسمی سازگار است تا با یک مشخصات رسمی.

نکته‌ای که برای تصمیم‌گیری دربارهٔ هزینه ارزش دارد این است که بخش‌هایی که کاربران ارزش کپی‌کردن برایشان قائل شده‌اند، رویه‌ای هستند. کار را دسته‌بندی کنید، بررسی‌ای را که تکمیل آن را ثابت می‌کند مشخص کنید، پیش از تصمیم‌گیری شواهد جمع کنید، سپس به‌جای خواندن خلاصه، با مشاهده آن را تأیید کنید. اگر یک مدل ارزان‌تر checklist صریح و مرحلهٔ verification دریافت کند، بخشی از این فاصله را جبران می‌کند. بنابراین پیش از آن‌که استفاده از مدل گران‌تر را استاندارد کنید، این آزمایش را روی evaluation set خودتان اجرا کنید. نتیجه به کارهای شما وابسته است؛ به همین دلیل عددی که دیگران به دست آورده‌اند، برای شما ارزش چندانی ندارد.

پیش از اختصاص بودجه، اعداد واقعی خود را بررسی کنید

• در هر پاسخ، usage را بخوانید و output_tokens_details.thinking_tokens را جدا از خروجی قابل‌مشاهده ثبت کنید. استدلالی که نمی‌بینید همان ردیف هزینه‌ای است که معمولاً باعث شگفتی می‌شود.
• effort را صراحتاً تعیین کنید و در هر مکالمه‌ای که به prompt caching متکی است، مقدار آن را ثابت نگه دارید.
• ابتدا پیشوند پایدار خود را پشت یک cache breakpoint قرار دهید. خواندن از cache با یک‌دهم قیمت ورودی پایه، معمولاً بیشتر از اغلب downgradeهای مدل صرفه‌جویی ایجاد می‌کند.
• هر چیزی را که به پاسخ فوری نیاز ندارد، به Batch API منتقل کنید.
• گزینه جایگزین را صادقانه قیمت‌گذاری کنید. مقایسه قیمت API در Claude و ChatGPT بر اساس workload خودتان، پیش از یک تعهد بلندمدت ارزش اختصاص دادن یک بعدازظهر را دارد.

اگر workload شما agentای است که روی سرور خودتان اجرا می‌شود، مهم‌ترین کنترل‌ها خارج از انتخاب مدل قرار دارند. کنترل هزینه agent روی VPS محدودیت‌های حلقه و سقف‌های هزینه‌ای را پوشش می‌دهد که از ادامه یافتن یک session خارج از کنترل جلوگیری می‌کنند، و Claude Code واقعاً توکن‌ها را کجا مصرف می‌کند اعدادی را توضیح می‌دهد که در داشبورد مصرف خود خواهید دید.

FAQ

هزینه Claude Fable 5 به‌ازای هر یک میلیون token چقدر است؟

قیمت Claude Fable 5 در Claude API، طبق صفحه قیمت‌گذاری Anthropic که در 3 August 2026 بررسی شده است، $10 به‌ازای هر یک میلیون token ورودی و $50 به‌ازای هر یک میلیون token خروجی است. هزینه خواندن cache برابر با $1 به‌ازای هر یک میلیون token است؛ یعنی یک‌دهم نرخ پایه token ورودی. Batch API برای هر دو بخش 50% تخفیف ارائه می‌دهد و هزینه کارهای ناهمگام را به $5 برای tokenهای ورودی و $25 برای tokenهای خروجی، به‌ازای هر یک میلیون token، می‌رساند. نگه‌داشتن inference در داخل ایالات متحده با پارامتر inference_geo، ضریب 1.1 را به همه دسته‌ها اضافه می‌کند.

آیا Claude Fable 5 در اشتراک Claude Pro گنجانده شده است؟

صفحه Claude Fable در Anthropic این مدل را برای کاربران Pro، Max، Team و Enterprise در دسترس اعلام می‌کند و نامی از طرح رایگان نمی‌برد. دسترسی included نامحدود نیست. برخی seatها به Fable را به‌عنوان بخشی از سقف مصرف هفتگی دریافت می‌کنند و برخی دیگر از طریق usage credit به آن دسترسی دارند؛ این سازوکار در طول July 2026 بیش از یک بار تغییر کرده است. در روزی که تصمیم می‌گیرید، ردیف Fable را در جدول مقایسه طرح‌ها در صفحه قیمت‌گذاری Anthropic بخوانید و به عددی که در یک مقاله آمده است اعتماد نکنید. پس از مصرف allowance included، مصرف بیشتر با نرخ API محاسبه می‌شود.

چرا مبلغ صورتحساب Claude Fable 5 من از چیزی که خروجی قابل مشاهده نشان می‌دهد بیشتر است؟

Adaptive thinking برای Claude Fable 5 همیشه فعال است، tokenهای مربوط به thinking مانند tokenهای خروجی محاسبه می‌شوند و raw chain of thought هرگز بازگردانده نمی‌شود. وقتی thinking.display روی مقدار پیش‌فرض omitted باشد، فیلد thinking را خالی می‌بینید، اما برای همه tokenهای reasoning پشت آن هزینه می‌پردازید. برای مشاهده تفکیک، usage.output_tokens_details.thinking_tokens را در response بخوانید و توجه داشته باشید که هنگام streaming، این مقدار فقط در رویداد نهایی message_delta می‌رسد. اگر نسبت reasoning به answer بیشتر از نیاز task است، سطح effort را کاهش دهید.

آیا باید از Claude Fable 5 استفاده کنم یا Claude Opus 5؟

Claude Opus 5 به‌ازای هر token نصف هزینه را دارد و cutoff قابل‌اعتمادتر و جدیدتری برای دانش آن تعیین شده است: May 2026 در برابر January 2026 برای Fable 5. کار را با Opus 5 شروع کنید و زمانی به مدل دیگر ارتقا دهید که task در آنجا شکست بخورد یا هزینه پاسخ اشتباه از تفاوت قیمت بیشتر باشد. Fable 5 برای کارهای agent با horizon طولانی انتخاب مناسبی است؛ یعنی جایی که یک branch اشتباه ساعت‌ها cleanup ایجاد می‌کند. همچنین برای jobهای یک‌باره مناسب است که هزینه بیشتر آن فقط در یک invoice ظاهر می‌شود، نه در هر request برای همیشه.