本来，今天该是 Claude 订阅用户能用 Fable 5 的最后一天：太平洋时间 7 月 7 日 23 点 59 分 59 秒，订阅权限到期。之后想用它，只能按 API 定价从预付额度里扣钱：10 美元一百万输入 token，50 美元一百万输出，贵得离谱…
结果几个小时前，Anthropic 发推改口了：所有付费计划的 Fable 5 权限，延长到 7 月 12 日。续了五天。五天之后呢？没说。
说实话，这种五天一续、有一天没一天的用法，比一刀切断还难受。被这么吊着，工作流不知道该不该搬，账不知道该怎么算。是时候认真找找替代方案了。
先说我的真实体感。Fable 5从能力上来说是真的强（尤其是第一次被放出来时），最近能用的这段时间我拿它跑长任务、做深度研究，经常是丢一个模糊的需求过去，它自己闷头干二十分钟，回来的东西比我想的完整，而且很少有bug。强到我很难找到替代。
但它和大多数人的关系，可能只剩下「听说过」了。
一是账号问题，国内用户什么情况你们都懂，我不展开。二是价格，上面那个数字摆着。三是它上个月还因为美国出口管制的一纸指令全线断供过一轮，7 月 1 日才恢复。用不上、用不起、随时可能断，只能说不愧是A社的模型。
最强的模型，正在离普通人越来越远。
一个替代策略
正好这几天，我关注的一个开源项目给出了另一个答案。
OpenSquilla，上个月我写过一篇讲它 MetaSkill 的文章，说的是当技能多到一定程度，agent 得学会自己把技能组织起来。那篇的结尾我留了一个判断：瓶颈早就不是模型聪不聪明，而是手里的东西能不能被组织好。
这次它发了 0.5.0 Preview，把类似的理念又做了一层升级：上次组织的是技能，这次组织的是模型。
具体做法叫多模型集成协作。不是换一个更强的模型，而是把 DeepSeek、GLM、Kimi、Qwen 这四个国产模型组成一支队伍：几家并行干活、各交一份方案，再由一个模型把这些方案聚合成最终输出。
打个比方，以前的思路是花大价钱请一位天才，现在的思路是开一场会：几个人先各写各的方案，最后有人负责汇总拍板。单拎出来谁都不是最强，但一支组织得当的队伍，能跟天才掰手腕（现实版的三个臭皮匠，顶个诸葛亮…）
配套还发了一份技术报告《Agentic Routing》，代码和报告都挂在 GitHub 上。评测用的也不是自家出的题，是 Perplexity 开源的公开数据集，等于当着所有人的面考试。
账单摆在桌上
评测基准叫 DRACO，100 道高难度的研究分析任务，横跨金融、医学、法律、学术等十个领域。难到什么程度，我从数据集里翻几道不同类型的给你感受下：
学术研究：分析计量经济学里双重差分估计的「交错采纳」批判之后，各家提出的修正方案（两阶段聚合、交互加权估计、插补法）在处理异质性处理效应和动态处理时机上有什么不同，比较它们的性能假设……
财务分析：分析 CME 集团的现金生成效率和资本配置策略，计算 2024 一季度到 2025 一季度的经营现金流增长，包括应收账款和应付所得税的变化，算出两个时期的经营现金流转化率……
临床医学：一位 68 岁男性一个月内三次因近晕厥和乏力进急诊，每次肌钙蛋白正常、胸片无异常，今天心率 52、心电图显示窦性心动过缓……接下来该做什么？
大海捞针：大概 2015 年前后。有一家烤鸡连锁，1972 年创立于珀斯郊区，好像是希腊裔澳洲家庭的两兄弟开的，红色招牌。他们有个从 90 年代延续至今的午市优惠……这个促销叫什么名字？
从研究员的活、分析师的活、医生的活，到互联网考古，都不是「帮我写个周报」这个级别的。每道题还要按事实准确性、完整性、客观性、引用质量几个维度打分，糊弄不过去。
结果是这样的。这支全国产队伍跑完 100 道题，平均 60.82 分，Fable 5 是 59.80 分；成本那边，队伍平均每道题 0.38 美元，Fable 5 每道 1.21 美元。分数打平，账单只有 1/3。
有个细节值得带一句：Fable 5 有 6 道题直接拒答了，它那个分数是按跑完的 94 道算的。不光贵，还挑活干，这很Claude了…
这组数字该怎么理解？我觉得你可以认为在测试集的这类难题上，这种组织模型的方式已经达到了和 Fable 5 类似的水平，而钱只花了 1/3。报告自己也写得克制，说这些是描述性的运行结果对比，不是统计显著性研究，这个坦诚我给好评。
另一组差距拉得更开。换成 Brave 做搜索源之后，同一支队伍跑到 64.09 分，比单跑的 Opus 4.8 高快 5 分，比 GPT-5.5 高 10 分多，成本分别低了 92.5% 和 85.5%。对上这两位，账单是真的只剩零头。
报告里还顺手比了 Hermes 的 MoA 方案。读过我写的 Hermes 橙皮书的老读者知道，MoA 是混合智能体那条线的代表作。59.55 对 60.82，分数咬得很紧，但 MoA 还更贵一点。所以，如果你关心 OpenSquilla 的混合智能体相比 Hermes 有什么差异的话，那就是：更便宜，水平相似或更好。
为什么能这么便宜？
看到「1/3 的账单」，直觉反应是它省着花。翻开报告看细账，恰恰相反：这支队伍一道题烧掉 58 万 token，Fable 5 只用 9.4 万，它花的 token 是对方的六倍。
六倍的用量，三分之一的账单，中间差出来的是什么？是单价。国产模型的 API 价格比旗舰低一个量级，把大量的活派给便宜的模型干，把汇总拍板这种关键决策交给合适的模型做，总账就被打下来了。
便宜不是抠出来的，是组织出来的。省钱的关键动作是「用对」：让什么水平的智力干什么水平的活。人类组织早就想明白了这件事，公司不会让最贵的合伙人去贴发票，但今天大多数人用 AI，还处在「所有活都找最贵的那个人」的阶段。
这也不是这个团队第一次押这个方向。他们之前有篇论文测过，同一个模型换一个 Harness（就是模型外面那层调度和工程），结果最多能差 27.4 个百分点；产品从最早的智能路由（简单任务自动派给便宜模型），到我上次写的 MetaSkill（让 agent 自己组织技能），再到这次的多模型集成，三步走的是同一条线：模型的能力是原材料，组织方式决定你能拿到多少。一个方向从头押到尾的团队，比追着热点换故事的团队值得多看两眼。
算力领域其实发生过一模一样的剧情。当年高端服务器是「最强的单点」，贵且高不可攀；后来谷歌用一堆便宜的商用服务器组成集群，靠调度和容错的软件层，把高端服务器的活干了，价格是零头。赢在组织，不在单机。今天的模型市场，越来越像当年的算力市场。
这条路的边界
吹到这里得踩一脚刹车。这套打法不是万能的，它的边界报告里其实都写着，我帮你划出来。
第一，它赢的是可以并行、可以汇总的任务。研究分析这类活，几份方案各写各的、最后合成一份，天然适合开会。但 Fable 5 真正让我离不开的能力是长程执行：一个模糊目标，自己规划、自己干、自己检查，二十分钟不用管。这种一环扣一环的活没法拆给一队模型并行，这次的评测也没碰它。所以严格说，它替代的是 Fable 5 的「研究员」身份，还替代不了「操盘手」身份。
第二，它不提分的时候也很多。同一份报告里的另一个基准 PinchBench 上，这支队伍没能把分数往上顶，只是用低 18% 的成本追平了 Opus 4.8。所以别把它理解成万能提分器，它的真实价值是把「同样质量」的价格打下来，偶尔在合适的任务上再送你几分。
第三，有个更根本的质疑值得正面回答：每一代新模型发布，都会吃掉上一代靠工程技巧攒出来的优势，凭什么这次的「组织红利」不会被下一代旗舰直接吸收掉？我觉得会被吸收一部分，但这个游戏对组织方有利：新模型再强，发布第二天就能被编进队伍里当队员。军备竞赛你只能站在场边等，组织方法是你今天就能上手的杠杆。
还有一笔使用成本的实话：这支队伍要开会，一道题跑下来的时间差不多是 Fable 5 的三倍（中位数 535 秒对 188 秒），赶时间的活别指望它。它适合的场景很清楚：不急、可并行、量大、对账单敏感，比如批量做行业调研、盯着几十个主题做监测、给长报告做多角度审阅。反过来，实时对话、赶 deadline 的单点难题，还是老老实实用旗舰。
真正值钱的信号是趋势，这一次跑分只是个快照。国产模型自己在快速变好，组织模型的方法也在变好，两条曲线叠着涨。只要国产模型的单价差维持在几倍以上，在这类任务上组队就是理性选择。今天「一队国产模型顶上旗舰」还算个新闻，往后可能就是常态。
同一天的两件事
把今天的两件事放在一起看，挺有意思的。
一边是 Fable 5 在订阅里进进出出，最强的单个模型在变贵、变得没准信；另一边是有人在 DRACO 上跑出了一个实证：把手里够得着的模型组织好，能用 1/3 的价格摸到旗舰的水平。
AI 的下一步，未必是继续追更贵的模型，可能是把手里的模型组织得更聪明。这句话上个月我说的是技能层，这个月它在模型层又应验了一次。我不敢说这条路一定通到底，但方向上，我是真希望它走通的。
OpenSquilla 是开源的，桌面版装好配上 key，就能把这支队伍跑起来，感兴趣的可以自己去试试：
技术报告在仓库里，DRACO 数据集在 HuggingFace 上，想复现的一切都是公开的。
我那句「能不能被组织起来」，这次又多了一个证据。