Claude Fable 5: Presyo at Kailan Ito Gagamitin

Magkano ang Claude Fable 5?

Ang Claude Fable 5 ay nagkakahalaga ng $10 bawat milyong input token at $50 bawat milyong output token sa Claude API. Ito ang mga public list rate ng Anthropic, na kinuha mula sa pricing page noong 3 August 2026. Ang API model ID ay claude-fable-5. Naging generally available ito noong 9 June 2026 sa Claude API, Amazon Bedrock, Claude Platform on AWS, Google Cloud, at Microsoft Foundry.

[
  {
    "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"
  }
]

Ituring ito bilang isang hagdan ng presyo. Ang list price ng Fable 5 ay dalawang beses sa Claude Opus 5, limang beses sa kasalukuyang rate ng Claude Sonnet 5, at sampung beses sa Claude Haiku 4.5. Pareho ang ratio sa input at output dahil ang bawat model sa chart na iyon ay nagpepresyo ng output sa eksaktong limang beses ng sarili nitong input rate. Kaya kung alam mo ang hati ng input at output token para sa isang workload, maaari mong i-convert ang isang presyo sa iba gamit ang multiplication.

May isang petsang nagbabago sa kalkulasyon. Naka-introductory pricing ang Sonnet 5 na $2 at $10 bawat milyong token hanggang 31 August 2026. Mula 1 September 2026, ang list price nito ay $3 at $15. Hindi nagbabago ang sariling presyo ng Fable 5, kaya liliit ang agwat ng dalawa mula limang beses tungo sa bahagyang higit sa tatlong beses sa araw na iyon. Kung gumagawa ka ng budget para sa autumn, gamitin ang mas bagong mga numero para sa Sonnet.

Ang mga discount at ang isang multiplier na nagpapataas sa singil

Ang prompt caching ang pinakamalaking paraan para mapababa ang gastos. Ang cache read ay nagkakahalaga ng one tenth ng base input price, o $1 kada million tokens sa Fable 5. Mas mahal kaysa sa ordinaryong input token ang pagsusulat sa cache: 1.25 times ng base price para sa five minute cache, at 2 times ng base price para sa one hour cache. Nababayaran na ng five minute cache ang sarili nito matapos ang isang read, at ng one hour cache matapos ang dalawang read. Iyan ang buong batayan kung bakit dapat tukuyin kung saan nagiging sulit ang prompt caching bago mo ito i-enable sa lahat ng lugar.

Binabawasan ng Batch API ng 50% ang parehong panig ng singil, kaya ang batched Fable 5 work ay nagkakahalaga ng $5 at $25 kada million tokens. Asynchronous ang mga batch request, kaya nakatutulong lamang ito sa mga work na hindi nangangailangan ng sagot agad. Nagsasama ang dalawang discount, kaya mura sa parehong input at output ang cached, batched job.

Kasama sa standard rates sa Claude 4.6 at mga susunod na model ang 1M token context window. Walang long context surcharge, kaya pareho ang per-token rate ng 900k token request at ng 9k token request.

Ang multiplier na nagpapataas sa singil ay data residency. Kapag itinakda ang inference_geo: "us" upang manatili sa United States ang inference, nalalapat ang multiplier na 1.1 times sa bawat token category, kabilang ang cache reads at cache writes. Panatilihin ang default global routing maliban kung kinakailangan ng isang kontrata ang ibang setting.

May isang billing rule na partikular sa model na ito. May safety classifiers ang Fable 5 na maaaring tumanggi sa isang request. Kapag nangyari ito, ibinabalik ng Messages API ang stop_reason: "refusal" bilang matagumpay na HTTP 200 response sa halip na error, at hindi ka sisingilin para sa request na tinanggihan bago makabuo ng anumang output. Kung susubukan mong muli ang parehong prompt sa ibang Claude model, ibinabalik ng fallback credit ang prompt cache cost ng paglipat, kaya hindi mo kailangang bayaran nang dalawang beses ang pag-init ng parehong cache.

Aling mga plan ang may kasamang Claude Fable 5?

Noong 3 August 2026, sinasabi sa Claude Fable page ng Anthropic na available ang model sa mga user ng Pro, Max, Team, at Enterprise. Hindi binanggit ang free plan. Ang Pro ang pinakamurang seat sa listahang iyon, kaya ang halaga ng Pro at kung saan nagtatapos ang mga limitasyon sa paggamit nito ang nagtatakda ng pinakamababang gastos para sa anumang subscription route papunta sa Fable. Kung ang pangunahing dahilan ng pag-upgrade mo ay access sa Fable, alamin muna kung sulit bayaran ang Pro seat batay sa sarili mong paggamit, dahil mahina ang batayan para sa subscription kung maliit lang ang Fable allowance. Para sa mga developer, karaniwang available ito sa Claude API at sa mga cloud marketplace na nakalista sa itaas. Walang free tier sa route na iyon, kaya ang maliit na credit na ibinibigay ng Anthropic kapag nag-sign up lang ang magagamit mo bago magsimulang maningil ang meter.

Ang available sa isang plan ay hindi kapareho ng included nang walang limit. Hindi rin pareho ang metering ng subscription at ng API, dahil walang inilathalang token quota ang isang Pro seat at sa halip ay binibilang ang paggamit batay sa mga mensahe sa loob ng rolling window. Kaya walang bahagi ng plan na direktang maikokonvert sa mga per-million figure sa itaas. Sa plan comparison table ng pricing page ng Anthropic, nakadepende ang access sa Fable sa bahagi ng weekly usage limits para sa ilang seat at sa usage credits para sa iba. Ilang beses ding binago ang setup na ito noong July 2026. Sa sariling pahayag ng Anthropic tungkol sa muling pag-deploy ng Fable 5, kasama ang model sa hanggang 50% ng weekly usage limits hanggang 7 July 2026 para sa Pro, Max, Team, at piling Enterprise plan. Pagkatapos ng petsang iyon, usage credits na ang ginamit. Iniulat sa natitirang bahagi ng July ang mga karagdagang extension at ang paghahati batay sa uri ng seat.

Kaya hindi maglalagay ang page na ito ng limitasyon para sa bawat plan. Walang figure na inilathala noong buwang iyon ang nanatiling tama nang dalawang linggo, at mas masama ang lumang numero rito kaysa sa walang numero. Buksan ang row na may label na Fable sa plan comparison table sa araw na magpasya ka, at ituring na luma na ang anumang numero sa isang news article. Kung kumuha ka ng seat para sa Fable access at mas maliit pala ang allowance kaysa sa ipinahiwatig ng table, ang pag-downgrade bago ang susunod na renewal ay mag-iiwan na hindi magagalaw ang buwan na nabayaran mo na.

Ang nananatiling pareho ay ang API rate. Sa bawat route, kapag nagamit na ang included allowance, sisingilin ang karagdagang paggamit ng Fable 5 batay sa mga presyong nasa chart sa itaas. Malinaw ang istrukturang ito sa Enterprise, dahil ang Enterprise seat fee ay para sa access, habang ang mga token mismo ay sinisingil pa rin batay sa API rates bukod pa rito. Dahil dito, ang price list ang dapat gawing batayan sa pagpaplano sa alinmang route. Ito rin ang konklusyong makukuha kapag ikinumpara ang API billing sa subscription para sa iba pang Claude model. Kung hindi ka pa pumipili ng tier, magsimula sa kung aling Claude plan ang angkop sa paggamit mo. Kung ang seat na iyon ay gagamitin mo rin bilang everyday assistant at hindi lamang bilang paraan para magkaroon ng Fable access, makabubuting tingnan muna kung paano ikinukumpara ang presyo ng mga Claude plan sa ChatGPT bago ka magpasya.

Bakit mas mataas ang bill kaysa sa ipinahihiwatig ng price ratio

May dalawang dokumentadong mekanismo kung bakit mas mahal ang Fable 5 kaysa sa ipinahihiwatig ng direktang paghahambing ng presyo.

Una ang tokenizer. Ginagamit ng Fable 5 ang tokenizer na ipinakilala kasama ng Claude Opus 4.7. Kung ihahambing sa mga modelong inilabas bago ang Opus 4.7, humigit-kumulang 30% mas maraming token ang nalilikha mula sa parehong text, at nakadepende sa content ang eksaktong dagdag. Nauna ang Haiku 4.5 sa tokenizer na ito, kaya ang sampung beses na agwat sa listahan ng presyo ay nagiging mas malapit sa labintatlong beses kapag parehong text block ang ipinadala sa dalawang model. Ginagamit ng Sonnet 5 ang mas bagong tokenizer, kaya patas ang per-token na paghahambing sa pagitan ng Fable at Sonnet. Hindi patas ang paghahambing sa pagitan ng Fable at Haiku.

Ikalawa ang thinking. Palaging naka-on ang adaptive thinking para sa Fable 5, at hindi sinusuportahan ang thinking: {"type": "disabled"}. Sinisingil ang thinking tokens bilang output tokens, gamit ang buong output rate. Hindi kailanman ibinabalik ng model na ito ang raw chain of thought, at ang thinking.display ay naka-default sa "omitted". Ibig sabihin, maaaring may malaking billed output count kahit maikli ang nakikitang sagot. Malinaw itong sinasabi sa documentation ng Anthropic: hindi katumbas ng nakikitang token count sa response ang billed output token count.

Basahin ang breakdown sa halip na manghula. Iniuulat ng field na usage.output_tokens_details.thinking_tokens kung ilang billed output tokens ang ginamit para sa reasoning:

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

Sa halimbawang iyon mula sa documentation ng Anthropic tungkol sa thinking, 312 sa 348 billed output tokens ang ginamit sa reasoning na hindi kailanman nakita ng user. Kapag nag-stream ka, dumarating lamang ang breakdown na ito sa final na message_delta event. Kaya hindi ito maitatala ng client na humihinto sa pagbasa sa huling text chunk.

Ang control ay effort, na naka-set sa output_config.effort, kasama ang mga level na low, medium, high (ang default), xhigh, at max.

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

Ang gabay ng Anthropic para sa model na ito ay magsimula sa high, umakyat sa xhigh para lamang sa mga gawaing lubhang sensitibo sa capability, at bumaba sa medium o low para sa mga routine na gawain. Dahil dito, madalas na mas mahusay ang mas mababang effort sa Fable 5 kaysa sa xhigh sa mga naunang model. May dalawang dapat bantayan. Kapag binago ang effort sa pagitan ng mga request, nagiging invalid ang prompt cache dahil nire-render ang resolved effort value sa prompt. Kaya pumili ng isang level para sa bawat workload at panatilihin itong pare-pareho. Ang max_tokens ay hard cap sa pinagsamang total output, thinking, at response text. Kung ang cap ay itinakda para sa sagot na walang thinking, maaaring maputol ang output. Kapag nakita ang stop_reason: "max_tokens", itaas ang cap o ibaba ang effort.

Gastos bawat nakumpletong task, hindi gastos bawat 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"
  }
]

Ang 3 row na iyon ay kalkulasyon, hindi benchmark. Published ang mga rate. Mga palagay ang volume ng token, kaya dapat mong palitan ang mga ito ng figures mula sa sarili mong usage data. Ang coding session na katulad ng nasa gitnang row ay nagkakahalaga ng $5.00 sa Fable 5 kumpara sa $1.00 sa Sonnet 5. Ang mahabang run ay nagkakahalaga ng $40.00 kumpara sa $8.00. Arithmetic lamang ang Haiku column sa huling row na iyon: may 200k token context window ang Haiku 4.5, kaya hindi nito kayang maglaman ng job na iyon.

Maling unit para sa isang desisyon ang gastos bawat token. Ang gastos bawat nakumpletong task ay gastos bawat attempt na minultiply sa bilang ng mga attempt. Sa mga rate ngayon, kapareho ng halaga ng limang Sonnet 5 attempts ang isang Fable 5 attempt, kaya halos hindi kailanman sapat na dahilan ang retry count lamang para mag-upgrade. Kailangang mag-fail ang Sonnet nang mahigit apat na beses sa bawat lima bago maging mas mahal ang murang path batay sa tokens.

Ang tunay na dahilan ay ang lahat ng hindi kasama sa token bill. Sa karamihan ng market, mas maliit sa isang oras ng oras ng engineer ang agwat ng dalawang long run sa chart. Kung makakatipid ang mas mahal na model ng isang oras ng review, o makakaiwas sa isang maling migration na kailangan mo pang ayusin, nabawi na nito ang gastos kahit hindi ipinapakita ng bill ang natipid na iyon. Ihambing ang gastos batay sa pera bawat tinanggap na resulta, at isama ang sarili mong oras sa kabuuan. Ang aktuwal na nabibili ng isang milyong token ay ginagawang mas konkreto ang pagtatantyang iyon.

Tatlong gawain kung saan sulit ang presyo ng Claude Fable 5

Mahahabang agent run kung saan magastos ang maling direksiyon. Idinisenyo ang Fable 5 para sa trabahong sinusukat sa oras: may 1M token context window, hanggang 128k output tokens bawat request, at xhigh effort level na nakatuon sa mga task na tumatakbo nang lampas tatlumpung minuto at gumagamit ng token budget na milyunan ang laki. Ihambing ang gastos ng run sa cleanup matapos pumili ang agent ng maling branch sa step 40 na walang nakapansin hanggang step 300.

Isang migration o audit na isang beses mong tatakbuhin sa malaking codebase. Walang volume para ma-amortize ang one-off na trabaho, kaya napupunta ang premium sa bawat token sa iisang invoice, at maaaring magkasya ang buong job sa loob ng isang context window. Kung maaari itong tumakbo nang asynchronous, hinahati ng Batch API ang gastos sa $25 bawat milyong output tokens.

Ang task na dalawang beses nang nabigo sa mas murang model. Mas mahal ang dalawang nabigong attempt kasama ang oras mo sa pag-debug kaysa sa isang Fable attempt sa mga volume na nasa chart sa itaas. Mas mura ang pag-escalate, at iyan ang gamit ng model ladder. Kung pumipili ka pa rin sa pagitan ng mga tier sa pangkalahatan, sinasagot ng paghahambing ng capability ng mga Claude model tier ang ibang tanong kaysa sa sinasagot ng page na ito.

Tatlong gawain kung saan ang tapat na sagot ay Sonnet 5 o Haiku 4.5

High-volume classification at extraction. Sinusukat ang mga gawaing ito batay sa throughput at unit cost, at sapat na mababa ang quality ceiling para maabot ito ng murang model. Kung sampung beses ang halaga ng isang task na tama nang nakukumpleto ng Haiku 4.5, walang nasusukat na pakinabang ang Fable 5.

Interactive na gawain kung saan ang latency ang mismong produkto. Inililista ng model table ng Anthropic na mas mabagal ang comparative latency ng Fable 5, at hindi maaaring i-off ang thinking. Mas hindi maganda ang pakiramdam ng chat box o editor completion sa mas capable na model, dahil napapansin muna ng mga user ang paghihintay bago nila mapansin ang kalidad.

Anumang nakadepende sa mga event matapos ang January 2026. Ang reliable knowledge cutoff ng Fable 5 ay January 2026. Ang sa Opus 5 ay May 2026. Mas luma ang impormasyong taglay ng mas mahal na model, kaya sa mga tanong tungkol sa recency, doble ang bayad mo para sa mas lumang kaalaman maliban kung bibigyan mo ito ng search o fetch tools.

May isang constraint na hiwalay sa usapin ng gastos. May 30 day data retention ang Fable 5 at hindi ito available sa ilalim ng zero data retention dahil itinalaga ito bilang Covered Model. Kung nangangailangan ang agreement mo ng zero retention, hindi opsyon ang Fable 5 sa anumang presyo, at walang discount na makapagbabago nito.

Ang ipinapakita ng mga fable-method repo, at ang hindi nila ipinapakita

May mga practitioner na nag-publish ng mga repository na nagbubuod kung paano ginagawang mga skill ang mga approach ng Fable 5 na maaaring sundan ng mas murang model. Inilalarawan ng fable-method repo ang isang thinking skill, isang orchestration loop, at isang adversarial verifier na muling nagpapatakbo ng bawat claim na check sa halip na basahin ang sariling report ng agent. Malinaw itong sinasabi sa README nito: "Isa itong distillation mula sa komunidad, hindi isang artifact ng Anthropic."

Ituring ito nang eksakto bilang ganoon. Ebidensiya ito kung paano ginagamit ng mga tao ang model, at hindi ito dokumentasyon kung paano gumagana ang model. Walang bahagi nito ang validated ng Anthropic, at may ilang halos magkakaparehong fork na magkakaiba ang wording. Mas inaasahan ito sa folklore kaysa sa isang spec.

Ang mahalagang signal para sa cost decision ay procedural ang mga bahaging nakita ng mga tao na sulit kopyahin. I-classify ang task, tukuyin ang check na magpapatunay na tapos na ito, mangalap ng ebidensiya bago magdesisyon, pagkatapos ay mag-verify sa pamamagitan ng observation sa halip na pagbabasa ng summary. Kapag binigyan ang mas murang model ng malinaw na checklist at verification step, nababawasan ang bahagi ng agwat. Kaya isagawa muna ang experiment sa sarili mong evaluation set bago ka mag-standardize sa mas mahal na model. Depende ang resulta sa mga task mo, kaya hindi gaanong mahalaga sa iyo ang numero ng ibang tao.

Suriin ang sarili mong mga numero bago maglaan ng budget

• Basahin ang usage sa bawat response, at i-log nang hiwalay ang output_tokens_details.thinking_tokens mula sa nakikitang output. Ang reasoning na hindi mo nakikita ang line item na madalas ikinagugulat ng mga tao.
• Itakda nang tahasan ang effort sa halip na tanggapin ang default, at panatilihin itong pareho sa loob ng anumang conversation na gumagamit ng prompt caching.
• Ilagay muna sa likod ng cache breakpoint ang stable prefix mo. Ang cache read na nasa one tenth ng base input price ay mas malaking tipid kaysa sa karaniwang naibibigay ng pag-downgrade ng model.
• Ilipat sa Batch API ang anumang hindi nangangailangan ng agarang sagot.
• Tapatang kalkulahin ang alternatibo. Sulit ang Paghahambing ng Claude at ChatGPT API pricing batay sa sarili mong workload bago gumawa ng pangmatagalang commitment.

Kung ang workload ay isang agent na tumatakbo sa sarili mong server, nasa labas ng pagpili ng model ang pinakamahahalagang control. Saklaw ng Pagkontrol sa gastos ng agent sa isang VPS ang mga limitasyon sa loop at spend cap na pumipigil sa runaway session, at ipinapaliwanag ng kung saan talaga gumagastos ng tokens ang Claude Code ang mga numerong makikita mo sa usage dashboard.

FAQ

Magkano ang halaga ng Claude Fable 5 bawat isang milyong token?

Ang Claude Fable 5 ay nagkakahalaga ng $10 bawat isang milyong input token at $50 bawat isang milyong output token sa Claude API, batay sa pricing page ng Anthropic na sinuri noong 3 August 2026. Ang cache read ay nagkakahalaga ng $1 bawat isang milyong token, o isang-sampung bahagi ng base input rate. Nagbibigay ang Batch API ng 50% diskuwento sa parehong uri, kaya nagiging $5 at $25 bawat isang milyong token para sa asynchronous na trabaho. Kapag pinananatili ang inference sa loob ng United States gamit ang inference_geo parameter, nagdaragdag ito ng 1.1 times multiplier sa bawat kategorya.

Kasama ba ang Claude Fable 5 sa Claude Pro subscription?

Inililista ng Claude Fable page ng Anthropic ang model bilang available sa mga user ng Pro, Max, Team, at Enterprise, at hindi binabanggit ang free plan. Hindi unlimited ang access na kasama sa subscription. Nakakakuha ang ilang seat ng Fable bilang bahagi ng weekly usage limits, habang nakakakuha naman ang iba sa pamamagitan ng usage credits. Nagbago ang arrangement na ito nang higit sa isang beses noong July 2026. Basahin ang row na may label na Fable sa plan comparison table ng pricing page ng Anthropic sa araw na magpapasya ka, sa halip na umasa sa figure mula sa isang article. Kapag nagamit na ang allowance na kasama sa subscription, sisingilin ang karagdagang paggamit sa API rate.

Bakit mas mataas ang bill ko sa Claude Fable 5 kaysa sa ipinapakitang output?

Palaging naka-on ang adaptive thinking para sa Claude Fable 5. Sisingilin bilang output token ang mga thinking token, at hindi kailanman ibinabalik ang raw chain of thought. Kapag ang thinking.display ay nasa default nitong omitted, makakakita ka ng walang laman na thinking field habang sinisingil ang bawat reasoning token sa likod nito. Basahin ang usage.output_tokens_details.thinking_tokens sa response upang makita ang paghahati, at tandaan na kapag streaming, dumarating lamang ito sa final na message_delta event. Bawasan ang effort level kung mas mataas kaysa sa kailangan ng task ang ratio ng reasoning sa sagot.

Dapat ko bang gamitin ang Claude Fable 5 o Claude Opus 5?

Kalahati ng presyo bawat token ang Claude Opus 5 at mayroon itong mas bagong reliable knowledge cutoff: May 2026 kumpara sa January 2026 para sa Fable 5. Magsimula sa Opus 5 at mag-escalate kapag nabigo roon ang task, o kapag mas mahal ang isang maling sagot kaysa sa price difference. Mas angkop ang Fable 5 para sa long-horizon agent work kung saan maaaring umabot nang ilang oras ang cleanup dahil sa isang maling branch, at para sa one-off na trabaho kung saan mapupunta ang premium sa iisang invoice sa halip na sa bawat request nang tuluy-tuloy.