Put Claude Fable 5.1 and Gemini 3.8 Flash on the same team

Kernpunkte

1. Der Ausgangsfall ist ein schlechter ROI, kein Ausfall. eine folgenarme Frage, ein Agent, der Chats und Dokumente durchforstet, die richtige Antwort, 38 $. Die Aufgabe erforderte keine kostspielige Planung. Das ist der Grenznutzen des Tokens, behandelt in [[gupta-token-budget-wars-marginal-token-utility-2026-05-28]].
2. Zwei Modellformen, eine API-Oberfläche. Fable 5.1 für autonome Planung der Mythos-Klasse, das Ein-Millionen-Token-Fenster und mehrstufige Sorgfaltsprüfung; Gemini 3.8 Flash für Geschwindigkeit zu 0,75 $ / 3,75 $ pro Million Input-/Output-Token, mit einstellbarem Thinking-Level. Alles auf eines der beiden zu routen wird als der in beide Richtungen zu vermeidende Fehler bezeichnet: Frontier-Preise zu zahlen, um Diffs zu lesen, oder ein schnelles Modell ohne Plan auf eine irreversible Migration anzusetzen.
3. Die Aktivierung von Fable auf Google Cloud ist ein mehrstufiger Weg. die API aktivieren, das Modell aktivieren, ein Nutzungsformular ausfüllen und dann das Advanced AI Safety Addendum akzeptieren, indem setPublisherModelConfig mit dataSharingEnabledProvider: ANTHROPIC auf Projektebene aufgerufen wird. Ein 409 bedeutet, dass es bereits erledigt ist; ein expliziter 403 weist auf den fehlenden Schritt hin. Der Modellname in der URL verwendet Bindestriche, claude-fable-5-1. Ein globaler Endpunkt wird empfohlen, mit multiregionalen und regionalen Varianten.
4. Der interne Benchmark passt in zwei Dateien. opencode, konfiguriert mit beiden Vertex-Providern, promptfoo, das opencode run --auto mit jedem Modell auf denselben Prompts startet, 60-Sekunden-Timeout. Die Regel: die Aufgabendateien zwischen den Durchläufen nicht verändern.
5. Die beiden Ergebnisse kreuzen sich. Bei einem PR-Branch-Status durchläuft Fable Meta-Reasoning-Runden, die unveränderte Tree-Hashes erneut prüfen (knapp 6 s, 23-mal so teuer); Flash löst die Git-Tools aus und antwortet in 1,1 s. Bei der Postgres-zu-Spanner-Migration liefert Flash in 3 s eine saubere lineare Sequenz; Fable in 12 s einen vollständigen DAG mit Clock-Drift-Risiken bei Dual Writes, Idempotenzschlüsseln und einem reversiblen Rollback-Gate.
6. Übernommenes Muster: asymmetrische Koordination. günstige Geschwindigkeit an der Front, bedachte Tiefe an Architektur-Checkpoints. In einem Coding-Harness benannte subagents, die auf unterschiedliche Modelle abgebildet werden (worker auf Flash, deep-thinker auf Fable); der Planer identifiziert die Ursache und zerlegt die Arbeit, die Worker führen aus und berichten, der Planer prüft und bestätigt oder weist neu zu. Zwei Modellfamilien, die sich gegenseitig kontrollieren, eine mögliche Parallele zu [[willison-fable-judgement-delegation-subagents-2026-07-03]].
7. Das Harness an das Modell anpassen. 3 bis 5 gezielte Tools mit strikten JSON-Schemas für das schnelle Modell, gegenüber einem Katalog von 50 Tools, der Parameterverwechslungen und verschwendeten Kontext erzeugt; Architekturdokumente, Schemas und Richtlinien für Fable, jedoch ohne direkten Schreibzugriff auf Dateien.
8. „Ask for Help“-Eskalation. Jede Anfrage startet beim schnellen Worker, ausgestattet mit einem ask_for_help(reason, failed_attempts, context)-Tool; er bewältigt 85 bis 90 % der Anfragen eigenständig und eskaliert nur bei Ambiguität, einer irreversiblen Aktion oder zwei aufeinanderfolgenden Tool-Fehlschlägen.
9. Gegen automatische „smarte“ Router. ausgereift im prädiktiven ML (Bandits, Ad-Tech, Betrugserkennung), weil Inputs begrenzt sind und Feedback unmittelbar erfolgt; bei Multi-Turn-Agenten fehlt im ersten Turn das Signal, Erfolg lässt sich nicht in lernbare Merkmale übersetzen, und Fehlentscheidungen werden auf dem jeweils anderen Pfad wiederholt, was die Einsparungen aufzehrt und Latenz hinzufügt. Fazit: explizit komponieren, nach Aufgabengrenze routen, Übergaben durch Code-Assertions oder menschliche Absicht steuern lassen.
10. ⚠️ Die Vergleichszahlen beruhen auf zwei jeweils einmal durchgeführten Aufgaben, ohne Varianzangabe oder veröffentlichtes Protokoll; der Autor weist selbst darauf hin und verweist alle auf ihre eigenen Evaluationen.
11. Die ROI-Gleichung. addiert eingesparte Menschenzeit, schneller ausgelieferte Features sowie vermiedene Fehler und Ausfälle, abzüglich der Token-Kosten und der Einarbeitungszeit des Teams. Der Autor stellt fest, dass diese Rechnung stärker durch mehr und schnellere Arbeit bewegt wird als durch eingesparte Token. Ein Team-für-Team-Vergleich, lesenswert zusammen mit [[patel-block-buzz-teams-tokens-benchmarks-2026-08-06]].