2026-09-02 — Anthropic 雙模型安全分流、Gemini 代理式影片理解、Hugging Face 207 個 WebGPU 核心

Anthropic 發表 Claude Fable 5.1 與 Mythos 5.1：同一顆模型、雙重安全閥門的命名分流

anthropic.com · 2026-09-01

Anthropic 於 2026 年 9 月 1 日發表 Claude Fable 5.1 與 Claude Mythos 5.1，官方說明兩者「是同一個模型，只是安全防護層級不同」。API 模型代號統一為 claude-fable-5-1，已同步上架 Claude.ai、Claude API 以及 AWS、Google Cloud、Microsoft Azure 三大雲端平台。這次更新的重點落在代理式（agentic）長情境作業、程式除錯與科學研究能力。

核心改動：跑分全面對比 Fable 5 與 Opus 5

官方公布的內部評測顯示，新版在多項代理式與推理基準上都超越前代與同代旗艦模型。以下數字皆為 Anthropic 自行測得：

其中 Terminal-Bench-Science 0.1 的進步幅度最大，從 Fable 5 的 24.7% 跳到 52.6%，反映官方強調的「科學研究能力」提升方向。AutomationBench 分數也接近翻倍，對應長情境代理任務的處理能力。

規格細節：定價與安全分流機制

計費維持每百萬輸入 token US$10、輸出 US$50，但 快取讀取價格從舊制下砍 75%，降到每百萬 token US$0.25。官方換算典型工作負載成本較 Fable 5 降低約 25%，若是高度代理式的工作流程，成本降幅最高可達 45%。

Fable 與 Mythos 的分流本質是安全防護等級的不同開關：一般管道走 Fable 5.1，較低防護版本的 Mythos 5.1 則搭配 Cyber Verification Program（網路安全驗證計畫）與 Life Sciences Verification Program（生命科學驗證計畫），供防禦性資安研究與生醫研究人員申請使用，例如允許漏洞探勘（vulnerability discovery，非漏洞利用開發）等原本受限的操作。Anthropic 表示資安防護的誤判率（false positive）較先前下降 60%。

影響範圍：企業資料控管與科學實測案例

企業客戶另可申請 Enterprise Frontier Safeguards（EFS），將資料儲存權限交還客戶自行控管，預計 2026 年秋季陸續開放。產品線涵蓋 Claude Code、Claude Enterprise、Claude Platform，以及三大雲端的代理平台版本（Amazon Bedrock、Google Agent Platform、Microsoft Foundry）。

官方也附上幾項科學應用實測數字：蛋白質結合體（protein binder）設計在 12 個目標上的命中率接近 50%，相較業界典型的 10–15% 明顯提升；金星地形高程建模解析度從 10–20 公里提升到 2–3 公里；部分深度學習模型的運算最佳化可帶來最高 2.5 倍 GPU 加速。

原始來源：Anthropic — Introducing Claude Fable 5.1 and Claude Mythos 5.1

Google 為 Gemini 導入代理式影片理解：不再固定幀率抽樣，改由模型自主決定看哪一段

blog.google · 2026-09-01

Google 於 2026 年 9 月 1 日在 Gemini 3.7 Flash、Gemini 3.6 Flash、Gemini 3.5 Flash-Lite 三個模型上發表代理式影片理解（agentic video understanding）功能。開發者只需在 API 呼叫中加入 "processing": "agentic" 參數即可啟用，透過 Google AI Studio 與 Gemini Enterprise Agent Platform 立即可用。此功能鎖定長影片內容的搜尋與分析場景。

核心改動：模型自主決定取樣方式

傳統影片理解以固定幀率逐格處理，代理式模式則讓模型動態搜尋、掃描並檢視特定影片片段，同時跨視覺畫面、音訊與逐字稿三種模態運作。官方描述模型會依查詢內容自行判斷要分析哪一段、用什麼播放速度、透過哪一種模態切入，而非無差別地處理整段影片。

這個機制對長篇內容（10 分鐘到數小時的錄影）效益最明顯，因為固定幀率抽樣在長影片上會浪費大量 token 在不相關畫面。

規格細節：token 與準確率的實測落差

官方公布與固定幀率處理相比的效能數字：token 消耗最高減少 88%，成本最高降低 66%，準確率最高提升 7%。計費本身沿用既有 Gemini API 標準 token 定價，啟用代理式模式不額外收費。

• 秒級片段定位（sub-second moment retrieval），可用於自動化影片剪輯
• 跨數小時內容的長影片搜尋
• 動態幀率取樣下的異常偵測
• 動作與物件的精確計數

影響範圍：從 API 到 YouTube 的擴散路徑

此功能已透過 API 立即開放，並將陸續推送到 Gemini App 的 Flash 與 Flash-Lite 系列模型；YouTube 的「Ask YouTube」功能也預告未來數月內導入同一套處理邏輯。技術文件放在 ai.dev/learn/agentic-video-understanding-with-gemini，列出完整的參數設定與使用範例。

原始來源：Google — Introducing agentic video understanding with Gemini

Hugging Face 發布 @huggingface/kernels：207 個 WebGPU 核心，讓瀏覽器原生跑深度學習運算

huggingface.co · 2026-09-01

Hugging Face 於 2026 年 9 月 1 日發布 @huggingface/kernels JavaScript 函式庫，讓瀏覽器可以直接從 Hugging Face Hub 載入並執行最佳化過的 WebGPU 運算核心（kernel）。首發即涵蓋 207 個核心，全部發布在 Hub 上的 webgpu-kernels 組織下，採 Apache-2.0 授權，npm 套件名稱為 @huggingface/kernels@preview。

背景：WebGPU 可攜性不等於效能

WebGPU 是跨瀏覽器的可攜式 GPU API，WGSL（WebGPU Shading Language）則是對應的共通 shader 語言。官方部落格點出關鍵問題：可攜性不代表效能——同一段 WGSL 程式碼在不同硬體上直接執行，效能落差可能很大，因此需要針對常見運算子做專門調校，而非只依賴通用實作。

核心改動：每個核心的標準化結構與載入方式

每個核心倉庫遵循固定結構：manifest.json 定義運算契約（輸入輸出與型別限制）、metadata.json 記錄核心識別與來源、test.json 放正確性測試案例、bench.json 放效能調校案例，實際運算邏輯則寫在參數化的 *.wgsl.jinja 樣板中。載入方式非常精簡：

import { getKernel } from "@huggingface/kernels";
const add = await getKernel("webgpu-kernels/ai.onnx.Add", { version: 1 });

涵蓋的運算範圍包括矩陣乘法、正規化、卷積、注意力機制原語、量化運算與資料排列轉換，命名沿用 ONNX 運算子規範，例如 ai.onnx.Add、ai.onnx.MatMul、ai.onnx.LayerNormalization、ai.onnx.Softmax。

影響範圍：實測數字與社群基準工具

官方在 Apple M4 上與 ORT WebGPU 1.30.0-dev 對比，在 1,756 個測試案例中有 809 個可直接比對，幾何平均加速 2.57 倍，中位數加速 1.90 倍，其中 629 個案例勝出、176 個落後、4 個打平。

部分極端案例更為誇張：雙線性 Einsum 運算加速超過 10,000 倍，逐列 CumSum 運算加速達 301 倍，顯示通用實作在特定運算型態上效率極差。社群可透過瀏覽器基準工具 Fleet（webgpu-kernels-fleet.hf.space）在自己的硬體上跑測試並回傳效能資料；使用門檻是瀏覽器需支援 WebGPU，可用 "gpu" in navigator 偵測。

原始來源：Hugging Face — Introducing @huggingface/kernels