半價沒有變成省一半

以下逐節展開。體例：影片主張一律保留歸屬（「作者指出」「作者推論」）；Ci 的推論與計算明確標示。承重的量化段落依 Claim → Basis → Boundary → Application 四級拆開。

一、benchmark 的前提與它的位置

Claim：該影片作者指出，Opus 5 在 Frontier Bench、Cursor Bench 與一項 coding agent index 上的分數高於 Fable 5，而且他表示 Opus 5 每 token 的價格是 Fable 5 的一半。他同時仍把 Fable 5 定位為 Anthropic 最強的模型。

Basis：影片開場展示 benchmark 圖表畫面並口述其內容（00:31）。價差主張在開場與彙總段各出現一次（00:00、27:45）。影片未給出榜單網址，也未展示官方定價頁。

Boundary：這是創作者對第三方 benchmark 與定價的口述轉引，不是官方文件本身。本報告未在成稿當日向官方定價頁或榜單頁重查，因此價差與名次一律保留歸屬，綁定影片日期 2026-07-24，不寫成事實句。模型定價與榜單名次都會隨版本改動。

Application：可以拿它當「為什麼要做這場實測」的動機，不能拿它當本文後續數字的解釋依據。作者自陳他對這些 benchmark 都加一撮鹽看待，因為真正重要的是怎麼跟模型說話、手感對不對——本文採用同樣的處理。

二、成本：半價在帳單上發生了什麼

Claim：在兩個模型都跑到的八場對照裡，Opus 5 只有四場比較便宜（找 bug 第一場 $4.22 對 $5.30、找 bug 第二場 $6.50 對 $8.73、受眾研究 $8.34 對 $10.60、影片大綱＋簡報 $33 對約 $40）。另外四場 Fable 5 比較便宜（宣傳影片約 $7 對 $11.19、landing page $20.50 對 $35.83、LinkedIn $6.17 對 $8.22、結構模擬器 $73 對 $112）。彙總下來 Opus 5 花的錢比較多。

Basis：每一場的金額都由作者在影片中讀出 session 帳單畫面（03:31–03:47、04:15–04:30、07:48–09:00、11:30–11:47、13:45–14:01、16:31–16:47、20:01–20:15、26:03–26:31）。彙總結論在 27:45–28:16。逐場相減與計次為 Ci 的計算。

Boundary：所有金額出自同一位作者、同一支影片、同一組 session 畫面，屬於同一條證據鏈；本報告沒有第二條獨立證據可以交叉驗證，因此沒有任何一列升為已驗證事實。影片沒有給出彙總總金額，只說 Opus 花得比較多，本文因此不出現總花費數字。作者說明彙總表實際上是 10 場 Opus 對 8 場 Fable，本來應該各 9 場，所以「彙總下來誰花得多」帶有樣本不對稱。

Application：可以用它來預期單場的成本量級（找 bug 是個位數美元、做一個完整應用可能三位數）。不能用它推「換成 Opus 會省一半錢」——這八場沒有出現過那個結果。

三、token 效率：為什麼半價會變成更貴

Claim：作者推論，如果兩者用掉一樣多的 token，Opus 應該正好是一半的錢；它反而更貴，就代表它的 token 效率差得多。彙總數字是合計 output token Opus 200 萬、Fable 832,000；Opus 的 active time 合計 630 分鐘，平均每場約一小時，Fable 平均約 25 分鐘。費用組成裡 cache read 佔最大宗，接著是 cache write、output 與 input；這些 run 的 input 都很少。

Basis：推論在 14:01–14:30，彙總數字在 27:45–28:47，全部是作者讀彙總表畫面的口述。

Boundary：這條推論以「每 token 半價」為前提（見第一節，該前提本身是歸屬主張）。output token 的合計對應的是 10 場 Opus 與 8 場 Fable，不是等量比較，因此 200 萬對 832,000 不能直接讀成「每場 2.4 倍」。影片沒有給 input token 合計，本文不做該方向的推論。

Application：可以用它來校正一個直覺——每 token 的單價不是採購決策的終點，實際帳單取決於模型願意跑多久、跑多少輪驗證。要控成本，控制的對象是停止條件而不是單價。不能據此宣稱 Opus 的 token 效率在所有工作負載上都較差，這八場的任務類型與 prompt 都出自同一人。

四、品質分岔：兩種評審，兩種結果

找 bug 的兩場有外部評審。第一場作者把兩份輸出交給 Codex 評審，Codex 判 Fable 勝出，理由是它的修補正好等同上游的一行修法，較乾淨也可以立刻審閱。第二場 Codex 評出：Opus 四項全過，Fable 過兩項並留下一項未解；技術分數 Opus 93/95、Fable 66/95。Codex 總結：兩者都找到核心架構問題，Fable 的修補在功能上接近並修好了使用者看得到的 bug，Opus 交付的是更精確、經完整測試、能通過 benchmark 的版本。

這裡有一個容易滑過去的邊界：評審者是另一個模型，不是人工複核，而且 93/95 這種分數不是任何公開 benchmark 的刻度，是評審模型當場產生的。它能區分「四項過」和「兩項過」這種可查的事實，不適合被當成兩個模型能力差距的量尺。

其餘幾場的評審是作者本人的眼睛。他判斷兩版 landing page 非常相似、沒有一方明確勝出，兩版他都會想再手動微調；他偏好 Fable 的推文風輪播；他判斷 Fable 那份簡報明顯較好，共 29 張、視覺也更貼近他慣用的風格，即使比較貴，他仍算 Fable 勝，因為它 token 效率較好也更快。受眾研究那場，Opus 那份掃過約 2,200 則 YouTube 留言與約 480 則社群貼文，Fable 掃過的社群貼文較少，但作者認為兩份結論高度相似，剩下的差別只是你更信任哪一份、哪一份看過更多資料。

作者自己也標了兩處干擾：他說明這兩次（大綱＋簡報）都跑在全新的空目錄，不在他平常的工作環境裡，所以「找不找得到自己慣用的 skills」也在變因裡；宣傳影片那場，他指出 Fable 那支的部分資訊過時，並判斷那是自己的 context 沒更新，不算 Fable 的錯，但如果它驗證挖得更深，應該找得到正確資料。

五、貪食蛇：全片資訊量最高的一場

作者原本要用這場比較 computer use，事後發現兩次都跑了 Opus：第一次 1 小時 53 分、$18，第二次 1 小時 10 分、$10。第一次那跑違反了只玩五局的指示，連跑約 30 局、平均 63 分；第二次的分數是 81、25、33、21、44。作者的結論是：同一個模型、同一個 prompt 兩次結果差這麼多，正好提醒這些東西完全非決定性。他在別處把這件事形容成拉一次吃角子老虎的拉桿。

Ci 的判斷是：這場量到的不是模型差異，是同一個模型的變異度——同模型同 prompt，成本從 $10 到 $18，而且其中一次直接不遵守「只玩五局」。作者選擇不刪掉這段而是照播，是這支影片最誠實的地方，也是讀者評估其餘七場時該套用的折扣係數：任何單場的兩個數字之差，都要先扣掉這個量級的噪音，才輪得到模型差異上場解釋。

六、開放任務：兩種失控方向

結構模擬器那場，Fable 7 分鐘、$73；Opus 2 小時 26 分、$112。作者推測 Opus 把驗證判準解讀得不一樣，因此跑了更多 sub-agent、做了更多壓力測試。他也認為 Fable 明明做得出遠更好的東西，但它就是決定做完了。他指出 Opus 5 解讀指令的方式跟 Opus 4.8 不同，也跟 Fable 5 不同。

（影片在此處用畫面指涉哪一版介面屬於哪個模型，純文字紀錄無法還原指涉對象，本文因此不寫哪一版是誰做的。）

Ci 的判斷是：這一場示範的是同一個缺口的兩面。任務越開放，模型自己決定「什麼叫做完」的權重越大，而兩個模型對「做完」的預設不一樣。這正好接回作者的另一條主張：驗證是 agent 工作最關鍵的一環，給它明確的停止條件與可測試的完成判準，硬指標就設 10/10，主觀的就讓多個 sub-agent 辯到有共識。他也主張，找到最好的模型有用，但更關鍵的是怎麼跟它說話、怎麼餵 context。

七、這份數據撐得起什麼、撐不起什麼

Ci 的判斷是：這份數據撐得起量級差異，撐不起勝負。

撐得起的：

• 單場任務的成本與時間量級（找 bug 個位數美元、十幾分鐘；完整應用三位數美元、可能數小時）。
• 兩個模型的行為傾向差異：Opus 傾向跑更久、驗證更多，Fable 傾向早收工。
• 「每 token 單價」與「實際帳單」之間確實會脫鉤。

撐不起的：

• 「哪個模型比較強」。樣本是一位創作者的 10 場對 8 場，其中一組對照因為標錯模型而完全失效，作者本人也說明本來應該各 9 場。
• 「Opus 的 token 效率較差」作為普遍性質。所有 prompt 都出自同一人、同一種工作風格。
• 任何一場的單點差距。第五節的變異度證明，同一模型同一 prompt 的成本就能差近一倍。
• 「Codex 打的 93/95 代表能力差距」。那是評審模型當場產生的刻度，不是可複現的公開 benchmark。

作者建議讀者自己拿 Opus 5 跑一次自己的 skills 跟慣用工作流，去感受它當 orchestrator 的手感。以本報告的證據邊界來看，這條建議跟數據是一致的：這份素材的正確用法是拿它當實驗設計的範本，不是拿它當結論。

讀完 L2，你能指出每一條主張的證據等級與邊界、知道哪一場量到的其實是噪音，以及採用前該自己重查什麼。