Anthropic: Claude Fable 5 (batch)

Claude Fable 5 (batch) to model tekstowy od Anthropic, wymieniony na api14 pod identyfikatorem modelu anthropic/claude-fable-5:batch. Anthropic opisuje go jako model klasy Mythos zbudowany do autonomicznej pracy z wiedzą i kodowania. Etykieta batch oznacza ten wariant jako punkt końcowy batch modelu, czyli formę, którą wywołujesz, gdy chcesz, aby ten sam model był obsługiwany przez przepływ pracy wsadowej, a nie interaktywnej.

Model przyjmuje dane wejściowe w postaci tekstu, obrazów i plików, a zwraca tekst. Ma okno kontekstu wynoszące 1 000 000 tokenów i może wygenerować do 128 000 tokenów wyjściowych w jednej odpowiedzi. Rozumowanie jest częścią projektu modelu, a API udostępnia dla niego mechanizmy sterujące, więc możesz zdecydować, ile wewnętrznego wysiłku rozumowania model zużyje, zanim napisze odpowiedź. Dane wyjściowe to wyłącznie tekst, co upraszcza obsługę odpowiedzi, jeśli Twój potok oczekuje ciągów znaków, a nie mieszanej zawartości.

Te możliwości wskazują na kilka praktycznych zastosowań. Długie dokumenty, całe bazy kodu lub duże zbiory plików mieszczą się w oknie kontekstu, więc zadania takie jak streszczanie repozytorium, odpowiadanie na pytania w obrębie zestawu umów czy wyodrębnianie ustrukturyzowanych rekordów ze zeskanowanych stron i plików PDF są rozsądnie dopasowane. Dane wejściowe w postaci obrazów pomagają, gdy materiał źródłowy zawiera zrzuty ekranu, diagramy lub sfotografowane dokumenty, które trzeba odczytać razem z tekstem. Ponieważ model jest ukierunkowany na autonomiczną pracę z wiedzą i kodowanie, pasuje do zadań w stylu agentowym, w których czyta materiał, rozumuje nad nim, a następnie wywołuje narzędzia, aby działać na podstawie tego, co znalazł.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu anthropic/claude-fable-5:batch, więc istniejące biblioteki klienckie OpenAI działają po zmianie jedynie bazowego adresu URL i nazwy modelu. Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools oraz verbosity. W praktyce tools i tool_choice sterują wywoływaniem funkcji, structured_outputs i response_format ograniczają kształt odpowiedzi, max_tokens i stop ograniczają generowanie, a parametry związane z rozumowaniem pozwalają dostroić sposób myślenia modelu przed udzieleniem odpowiedzi.

Pamiętaj o górnym limicie danych wyjściowych: 128 000 tokenów to dużo, ale skończenie wiele, więc bardzo duże zadania generowania mogą wymagać podzielenia na kilka wywołań. Jeśli Twoje zadanie jest wyłącznie interaktywne i nie potrzebujesz przetwarzania wsadowego, lepszym dopasowaniem może być nie-wsadowa forma tego samego modelu. Wariant wsadowy jest naturalnym wyborem, gdy masz wiele niezależnych żądań i możesz zaakceptować przepływ pracy wsadowej w zamian za uruchomienie ich razem.