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

Punti chiave

1. Il caso fondante è un ROI scarso, non un'interruzione di servizio. una domanda di basso valore, un agente che scandaglia chat e documenti, la risposta corretta, 38 $. Il compito non richiedeva una pianificazione costosa. È il valore marginale del token, discusso in [[gupta-token-budget-wars-marginal-token-utility-2026-05-28]].
2. Due forme di modello, un'unica superficie API. Fable 5.1 per la pianificazione autonoma di classe Mythos, la finestra di un milione di token e la diligenza multi-fase; Gemini 3.8 Flash per la velocità a 0,75 $ / 3,75 $ per milione di token di input/output, con un livello di ragionamento regolabile. Instradare tutto verso l'uno o l'altro viene indicato come l'errore da evitare in entrambe le direzioni: pagare tariffe di frontiera per leggere dei diff, oppure lanciare un modello rapido su una migrazione irreversibile senza piano.
3. Attivare Fable su Google Cloud è un percorso a più fasi. abilitare l'API, abilitare il modello, compilare un modulo d'uso, poi accettare l'Advanced AI Safety Addendum chiamando setPublisherModelConfig con dataSharingEnabledProvider: ANTHROPIC a livello di progetto. Un 409 significa che è già fatto; un 403 esplicito segnala il passaggio mancante. Il nome del modello nell'URL usa trattini, claude-fable-5-1. Si raccomanda un endpoint globale, con varianti multi-regionali e regionali.
4. Il benchmark interno sta in due file. opencode configurato con entrambi i provider Vertex, promptfoo che lancia opencode run --auto con ciascun modello sui medesimi prompt, timeout di 60 secondi. La regola: non modificare i file del compito tra un passaggio e l'altro.
5. I due risultati si incrociano. su uno stato di branch di PR, Fable attraversa turni di meta-ragionamento che reispezionano hash dell'albero invariati (quasi 6 s, 23 volte il costo); Flash attiva gli strumenti git e risponde in 1,1 s. Sulla migrazione da Postgres a Spanner, Flash rende in 3 s una sequenza lineare e pulita; Fable, in 12 s, un DAG completo con rischi di clock-drift sulle scritture doppie, chiavi di idempotenza e un gate di rollback reversibile.
6. Pattern adottato, coordinamento asimmetrico. velocità a basso costo in prima linea, profondità deliberata ai checkpoint architetturali. In un harness di coding, subagents denominati e associati a modelli distinti (worker su Flash, deep-thinker su Fable); il planner individua la causa e scompone il lavoro, i worker eseguono e riportano, il planner verifica e confirma o riassegna. Due famiglie di modelli che si controllano a vicenda, un possibile parallelo con [[willison-fable-judgement-delegation-subagents-2026-07-03]].
7. Ridisegnare l'harness in base al modello. da 3 a 5 strumenti mirati con schemi JSON rigorosi per il modello rapido, contro un catalogo di 50 strumenti che genera confusione nei parametri e spreco di contesto; documenti di architettura, schemi e linee guida per Fable, ma senza accesso diretto in scrittura ai file.
8. Escalation 'Ask for Help'. ogni richiesta parte sul worker rapido, dotato di uno strumento ask_for_help(reason, failed_attempts, context); gestisce autonomamente l'85-90% delle richieste ed effettua l'escalation solo in caso di ambiguità, azione irreversibile o due fallimenti consecutivi dello strumento.
9. Contro i router 'intelligenti' automatici. maturi nel machine learning predittivo (bandit, ad tech, antifrode) perché gli input sono delimitati e il feedback è immediato; negli agenti multi-turno, il primo turno manca di segnale, il successo non si traduce in caratteristiche apprendibili e le scelte sbagliate vengono ripetute sull'altro percorso, erodendo i risparmi e aggiungendo latenza. Verdetto: comporre esplicitamente, instradare per confine di compito, lasciare che asserzioni di codice o intenzione umana governino i passaggi di consegna.
10. ⚠️ Le cifre comparative si basano su due compiti eseguiti una sola volta ciascuno, senza varianza né protocollo pubblicato; l'autore lo dichiara egli stesso e rimanda chiunque alle proprie valutazioni.
11. L'equazione del ROI. somma il tempo umano risparmiato, le funzionalità rilasciate più rapidamente e gli errori e le interruzioni evitati, meno il costo dei token e la curva di apprendimento del team. L'autore osserva che questo calcolo è mosso più dal fare più lavoro, più rapidamente, che dal risparmiare token. Un confronto per team da leggere insieme a [[patel-block-buzz-teams-tokens-benchmarks-2026-08-06]].