Anthropic两款新模型浮出水面：旗舰遇冷背后的选型逻辑

一场不寻常的"补位"

Claude家族近期出现的两个新模型代号——Marshmallow（棉花糖）与Melon（甜瓜），在开发者社区引发关注。从早期实测来看，Marshmallow在对话自然度上反超了上一代Opus级别模型，Melon表现稍弱，但二者的综合能力均未达到Fable 5的级别。

这两款模型的同步出现，恰好发生在旗舰Fable 5上线两个月、市场份额始终徘徊不前的当口。对于正在评估大模型投入的企业来说，这是一个值得停下来观察的信号：当一家头部厂商开始密集推出"次旗舰"产品线，往往意味着客户在实际使用中并没有把预算压向最贵的那一档。

旗舰遇冷的真实数据

支付平台Ramp追踪了美国超过七万家企业的Token消费数据，呈现出一组反差明显的数字：

Fable 5上线一个月后，仅占企业调用Anthropic模型Token总数的6%，对应支出占比11.4%。
两个月后，支出份额仍维持在11%左右。
作为对比，同期某竞品旗舰拿走了25%的Token调用量和23%的支出份额。
Fable 5在更高单价的前提下，总营收贡献仅约为对手的75%。

也就是说，最贵、最强的那一档，并没有成为企业日常工作的主力。

为什么企业用脚投票

1. 价格曲线与场景需求错位

Fable 5的定价是其自家Opus 4.8的两倍，是Haiku 4.5的十倍。但绝大多数企业的内部场景——知识检索、文档摘要、客服回复、代码辅助——并不需要旗舰级别才有的能力上限。

2. 次旗舰追平了性价比

7月底上线的Opus 5，定价仅为Fable 5的一半。在CursorBench 3.2的测试中，Opus 5在最大算力档得分70%，单任务成本8.23美元；Fable 5得分70.5%，高出0.5个百分点，但成本翻倍至17.32美元。多花一倍的预算，仅换来0.5个百分点的提升，企业显然更愿意选择前者。

Ramp数据显示，Opus 5上线后，其支出份额迅速反超了Fable 5。

3. 开源模型的强力挤压

Vercel AI Gateway的统计显示，开源模型的Token份额从4月的11%，一路涨到8月的62%，而它们花掉的预算不到企业总AI支出的4%。这意味着大量实际工作量正在被低成本的开放权重模型接走，进一步压缩了高价闭源旗舰的生存空间。

Marshmallow与Melon可能补上的位置

从社区讨论与代号命名推断，Marshmallow大概率对应Opus级别的迭代，可能是Opus 5.1；Melon更接近Sonnet级别。这意味着Anthropic正在把研发重心向"够用且便宜"的档位倾斜，试图补齐"全家桶"中最关键的一块——既能在对话质量上保持优势，又能让企业愿意长期放量使用。

企业选型的四个判断维度

面对越来越多的模型档位，企业的预算和上线节奏建议可以围绕以下四条标准展开：

1. 任务分级，而非模型单一化

不要让所有业务线都跑同一个模型。把场景拆成三类：

高频低复杂度：客服问答、内部检索、初稿生成——优先选择价格最低的一档，或考虑开源方案。
中频中复杂度：代码补全、结构化写作、SQL生成——选择中端档位（如Sonnet/Melon级）即可。
低频高复杂度：多步骤推理、长文档分析、复杂规划——再调用旗舰档，按需触发，不做全量替换。

2. 看"单任务成本"，而不是看榜单总分

旗舰模型在公开评测上多出的零点几个百分点，往往无法覆盖多花一倍的算力成本。在CursorBench 3.2这类贴近真实工作的基准上，单任务成本是更直观的参考指标。

3. 评估迁移门槛与稳定性

模型切换带来的隐性成本常被低估：Prompt重写、上下文长度适配、API响应延迟、输出格式稳定性。选型时应把"迁移一次要付出多少"列入预算，而不是只看Token单价。

4. 保留开源方案的逃生通道

当开源模型在自家场景下达到可用阈值时，应主动引入作为兜底或竞争性参照。闭源厂商的定价策略会随竞争格局变化，保留替换空间本身就是议价能力。

落地建议：从试点到放量

对于正在评估Claude新模型或重新规划大模型预算的团队，建议按以下节奏推进：

先跑评测，再谈采购：在内部真实业务数据上对比两到三个档位的输出质量与单任务成本，而不是依赖厂商公布的榜单。
小流量灰度：先用5%–10%的真实流量验证稳定性、延迟与异常率，确认无误后再分阶段放大。
建立成本看板：按业务线追踪Token消耗、API支出与人工干预率，把AI成本作为可观测的运营指标。
设置回退机制：确保任何一档模型出现降级或涨价时，业务可以快速切回备选方案，避免被单家供应商绑定。

结语

旗舰遇冷、次旗舰补位、开源猛涨——这三件事同时发生时，传递出的信号很清晰：大模型市场正在从"谁更强"转向"谁更值"。对企业而言，与其追逐每一次新发布的旗舰，不如把精力放在构建一套分层、可替换、成本可控的模型使用体系上，这才是把AI真正用成生产力的关键。