Como funciona a autocorreção por loops de verificação do Claude Fable 5?

Fala aí, beleza? Um modelo que trabalha sozinho por um tempão e, no meio do caminho, para pra checar se o que ele mesmo fez presta… esse é o assunto de hoje

O Claude Fable 5 foi lançado em 9 de junho de 2026, e a documentação oficial descreve um comportamento bem específico dele: executar tarefas bem escopadas com poucos erros, se autocorrigindo automaticamente por loops de verificação

Parece detalhe de release notes, mas não é

Esse comportamento muda o jeito de escrever o pedido, principalmente quando a tarefa é autônoma e ninguém está olhando enquanto o modelo trabalha

Como o Claude Fable 5 verifica o próprio trabalho

A página oficial do Claude Fable descreve três coisas que o modelo faz: escreve os próprios testes pra checar o trabalho, implementa designs com alta fidelidade e usa visão pra conferir as saídas contra o objetivo

Se liga no que isso quer dizer na prática

Não é o modelo "achando" que acertou

É ele produzindo um artefato de checagem (um teste, uma imagem da tela renderizada) e comparando o resultado com o que foi pedido

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 120 aulas
• 4 projetos
• 9h 45min

Conhecer formação

É a diferença entre o dev que diz "acho que tá funcionando" e o dev que roda a suíte antes de abrir o pull request 🙂

E o que sustenta esse vai e volta? A janela de contexto

O Fable 5 tem 1 milhão de tokens de contexto e aceita entrada de texto, imagem e arquivo, com saída em texto

Contexto grande importa aqui porque a conferência precisa do histórico: o objetivo original, o que foi feito, o que a ferramenta devolveu

E a entrada de imagem é o que permite a tal conferência por visão, olhar a saída de verdade em vez de só assumir que o código gerou o que devia

Uma coisa que a documentação NÃO diz, e por isso não vou inventar: quantas rodadas de verificação o modelo faz sozinho, nem qualquer métrica de quanto isso reduz erro

O que está escrito é o comportamento, não o número

Por que isso importa em tarefa autônoma

Aqui mora o ponto

Numa execução longa, você delega e vai fazer outra coisa

Ninguém está lendo cada passo

E a falha documentada nesse regime é justamente a pior possível: o relatório de status confiante e fabricado, o modelo dizendo que terminou, que passou, que está tudo certo, sem que a saída das ferramentas confirme nada disso

É o equivalente ao "subi em produção, tá tudo ok" sem ninguém ter aberto o site

Já me ferrei uma vez com esse tipo de report…

Por causa disso, o guia oficial de prompting do Fable 5 recomenda uma instrução permanente pra auditar afirmações de progresso contra a saída real das ferramentas

Ou seja: a alegação de progresso não vale por si, ela precisa bater com o que o terminal, o teste ou a API devolveram

E tem o limite, que a própria Anthropic escreve com todas as letras: loops de verificação reduzem erros, mas não eliminam a necessidade de supervisão responsável

Então nada de virar as costas e confiar cegamente

Se você quer um roteiro de conferência humana em cima do que saiu, dá uma olhada em como revisar o código antes de commitar

O que muda na forma de escrever o pedido

Essa é a parte prática, e ela é meio contraintuitiva

Com um modelo que verifica sozinho, o pedido deixa de ser um roteiro de passos e vira uma definição de pronto

O guia oficial orienta declarar objetivo e critérios de sucesso (como o modelo sabe que terminou) em vez de ditar cada passo do caminho

Os pontos que dá pra aplicar hoje:

• Declare o objetivo e o critério de sucesso, não a sequência de comandos. O modelo precisa saber quando parar, não como andar
• Entregue as ferramentas de verificação junto: testes, schemas ou critérios de aceitação, e peça checagem em intervalos durante o trabalho
• Corte os lembretes redundantes. Segundo o guia, o Fable 5 já verifica o próprio trabalho com menos instrução, então "teste", "confira antes de responder" e afins costumam ser desnecessários: compõem com o comportamento nativo e só aumentam custo sem melhorar o resultado
• Use subagentes verificadores com contexto novo. O guia diz que eles tendem a superar a autocrítica do próprio modelo, e recomenda rodá-los numa cadência definida durante trabalhos longos
• Delegue explicitamente e prefira comunicação assíncrona entre orquestrador e subagentes, em vez de travar tudo esperando cada subagente responder

Repara no terceiro item, que é onde quase todo mundo (eu incluso) escreve prompt no automático

Aquele "revise antes de me entregar" colado no fim de todo pedido? Pelo guia, isso vira token gasto à toa

E o quarto item explica o porquê do quinto: contexto fresco enxerga o que o autor do trabalho não enxerga

Quem já pediu pro colega olhar um bug que você encarou por duas horas sabe exatamente do que eu tô falando 😀

Verificação por outro olhar: o que vimos no code review do Claude Code

Esse negócio de "verificador com contexto novo" saiu do papel num teste que eu fiz e gravei: revisão automática de pull request

O desenho é o mesmo espírito: em vez do próprio autor se autoavaliar, vários agentes especializados procuram problemas em paralelo e depois conferem os achados entre si pra descartar falso positivo, com deduplicação e classificação por severidade antes do resumo final

E ela não mexe no código: entrega relatório, comentário na linha exata e sugestão, deixando a decisão com quem programou

O recurso pago eu não tinha acesso, então fui pela alternativa gratuita que roda local e é acionada por mim, na mão

Aí veio o teste, e ele foi honestamente pequeno

O projeto de exemplo não tinha nenhum pull request aberto, então eu precisei criar um só pra poder rodar o comando

A revisão levou cerca de 5 minutos (demora mesmo, tenha paciência)

E o resultado foi nenhum problema encontrado, o famoso no issues found

O que dá pra concluir daí? Pouca coisa sobre a qualidade da caçada a bugs, sendo sincero

Um pull request criado às pressas pra demonstração não é amostra de nada

O que eu vi de fato foi o comportamento: vários agentes disparando ao mesmo tempo durante a revisão, bem parecido com o que a documentação descreve pro recurso pago

E a leitura da documentação bate com isso: o volume de agentes escala com o tamanho da mudança, alteração grande ou complexa recebe análise mais profunda, coisa trivial recebe revisão rápida

No vídeo abaixo eu mostro tudo isso na tela: a instalação, o disparo dos agentes em paralelo e o relatório saindo no final

Minha aposta pro futuro próximo: o arquivo de regras de revisão na raiz do repositório vai ser MUITO usado, porque é ali que dá pra guiar o comportamento do verificador e cortar falso positivo

Onde usar o Claude Fable 5 hoje e quanto custa

Quer testar esse comportamento na prática? Se liga nas portas de entrada

O preço de API é US$ 10 por milhão de tokens de entrada e US$ 50 por milhão de tokens de saída, com desconto de 90% na entrada via cache de prompt

Esse desconto no cache não é detalhe: em execução autônoma longa, o mesmo contexto volta muitas vezes, e é exatamente aí que o cache trabalha a seu favor

Já nas assinaturas, desde 20 de julho de 2026 o Fable 5 virou parte permanente dos planos Max e Team Premium, a 50% dos limites de uso de cada plano

Pro e Team Standard passaram a usar o modelo por créditos, com um crédito único de US$ 100

Se a sua dúvida é qual formato sai melhor com mais gente usando, eu já comparei assento de time contra Max individual em outro post

Bloqueio, volta e classificadores: o que afeta quem depende do modelo

Essa parte parece burocracia, mas ela mexe direto em quem executa a sua tarefa autônoma

Resumindo o que rolou: o Fable 5 ficou indisponível por um bloqueio por controle de exportação, depois voltou, e voltou diferente, com um novo conjunto de classificadores no meio do caminho

A linha do tempo, curtinha:

1. 12 de junho de 2026: começa o bloqueio por controle de exportação
2. 1 de julho de 2026: o modelo volta a ficar disponível globalmente, redeployado com um novo conjunto de classificadores focado em bloquear tarefas de cibersegurança
3. 7 de agosto de 2026: a Anthropic anuncia o ajuste dos classificadores de biologia, reduzindo os fallbacks nessa área

Que classificador, afinal? É a camada que olha a sua tarefa e decide se ela passa pro Fable 5 ou cai pra outro modelo, e é justamente aí que entra o efeito prático

No comunicado do redeploy, a Anthropic avisou que no curto prazo algumas tarefas rotineiras, como programar e depurar, cairiam para o Opus 4.8, e que os classificadores seriam refinados pra reduzir falsos positivos

E por que isso importa aqui? Porque fallback significa que a sua tarefa pode ter sido executada por outro modelo, com outro comportamento de verificação

Como esse refinamento dos classificadores está em andamento, o que vale hoje pode não valer amanhã, então nada de cravar regra fixa

A atitude prática é a mesma de sempre: confira qual modelo respondeu antes de atribuir o resultado ao Fable 5

Conclusão

O ganho da autocorreção por loops de verificação não vem de você pedir pro modelo "conferir de novo"

Vem de escrever um pedido que tenha critério de sucesso claro e ferramenta de verificação na mão dele

Recapitulando o que dá pra fazer hoje:

1. Selecionar o modelo no Claude Code pelo comando /model
2. Pegar uma tarefa pequena e escrever os critérios de aceitação dela (como o modelo sabe que terminou)
3. Adicionar a instrução permanente de auditar as afirmações de progresso contra a saída real das ferramentas

E lembrando o limite que a própria Anthropic coloca: loop de verificação reduz erro, não substitui supervisão

Bora testar? Depois me conta como foi na sua base de código =)

Até o próximo post!