Anthropic新模型Fable 5.2实测：性能超Opus 5.5

Anthropic 在已经拥有 Opus 5.5 这款长期领先模型的情况下，又推出了 Fable 5.2 和 Mythos 5.2。据 YouTube 频道分析，这打破了 AI 行业「一家公司推出最强模型后被对手超越」的惯例——OpenAI 近期没有发布有竞争力的新模型，而 Anthropic 选择用更强的模型超越自己。

发布要点：更快的速度与更低的单位任务成本

Fable 5.2 和 Mythos 5.2 本质上是同一底层模型，区别在于 Fable 增加了针对生物学和网络安全的防护措施。官方宣称 Fable 5.2 生成输出比上一代 Fable 快最高 30%，价格也更低。

值得关注的是定价逻辑：Fable 5.2 的单 token 成本大约是老款 Opus 5.5 的两倍，但 Anthropic 声称在「高努力」模式下，Fable 5.2 能达到 Opus 5.5「最大努力」的性能，同时每个任务的成本约为后者的一半。也就是说，模型靠更快完成任务抵消了更高的 token 单价。

Anthropic 给出的使用建议也值得参考：日常开发仍推荐 Opus 5.5 作为主力，遇到极高复杂度任务再升级到 Fable，简单任务则下探到 Sonnet 或 Haiku。这说明 Fable 的定位是「重载场景的补充」，而非全面替代。

单 token 成本与单位任务成本是两个不同层面的指标。前者是 API 计价的基本单位，即每百万输入/输出 token 的价格；后者则把模型在一次完整任务中消耗的 token 总量与单价相乘。一个单价更高但输出更短、推理更快的模型，其单位任务成本可能反而更低。这正是 Anthropic 定价叙事的核心：Fable 5.2 虽然 token 单价翻倍，但靠减少冗余输出和加速完成，把「办成一件事」的总花费压到 Opus 5.5 的一半左右。评估模型性价比时，应以单位任务成本而非 token 单价为准。

公开基准：多数榜单领先

在 Artificial Analysis 的智能指数上，Fable 5.2 位列榜首，超过了 Opus 5.5 以及 Gemini 系列的部分型号。在 LMArena 的 ELO 人类偏好评分中，该模型同样拿到列表中的最高分。

视频作者也指出，官方发布页通常只展示优势项目，但切换到其他独立基准后，Fable 5.2 的领先地位仍然成立。这意味着性能提升不是单个榜单的偶然结果。

Artificial Analysis 智能指数是由独立评测机构 Artificial Analysis 维护的综合基准，它把多个主流评测（如 MMLU、GPQA、HumanEval 等）的分数归一化后加权汇总为一个 0-100 的指数，用于横向比较不同厂商模型的通用能力。由于它不依赖厂商自报数据，常被视为相对中立的参考。LMArena（原 Chatbot Arena） 则采用众包盲测方式：用户对两个匿名模型的同一回答投票，系统用 Elo 等级分算法（类似国际象棋排名）估算模型的人类偏好强度。两者互补——前者偏客观题，后者偏主观体验，因此同时登顶更能说明提升不是单一维度的偶然。

自建基准：更少「废话」的 Claude

视频作者开发了一套「yapping benchmark」，专门衡量模型回答的冗余程度，包括长度、套话短语、格式和排版四个维度。Fable 5.2 在该基准中得分很低，意味着回答更简洁。

在短语维度上，它几乎不使用「你说得对」「你完全有理由不满」之类的典型 AI 套话；在长度维度上，它也是 Claude 系列中最简洁的型号。作者对比了 Opus 5.5 和 Fable 5.2 对同一问题的回答，后者明显更短、更少废话。

这种风格差异对实际使用体验影响很大，尤其是需要快速获取信息而非阅读长篇解释的场景。

实测一：MOBA 原型与代码质量

作者用同一个提示词要求各模型构建一个简化版 MOBA 原型，包含移动、普攻和四个技能。Fable 5.2 生成的版本动画最完整、运行最流畅，明显优于 DeepSeek^广告 和 Opus 5.5 的结果。

更关键的差异在代码风格。左侧 Fable 5.2 生成的代码结构清晰、间距合理、使用了模块化的类，读起来像人类工程师写的；右侧 Opus 5.5 的代码则被作者形容为「典型的复制粘贴 AI 产物」，注释冗余、结构混乱。

作者也坦承，测试用的是 Ursina 这个冷门 Python 游戏引擎，所以所有模型的表现都打了折扣，但相对差距依然明显。

实测二：纯 NumPy 卷积网络教学可视化

第二个实验要求模型从零用 NumPy 实现卷积神经网络并在 MNIST 上训练，同时提供完整的教学可视化。

Fable 5.2 的结果是作者认为最好的：它优先展示网络结构本身，输入、卷积核、池化层、展平、全连接、Softmax 逐层可见，训练时还能观察损失函数和权重的变化过程，并且能回溯某个输出对应的输入来源。相比之下，Kimi K3.1 Pro 和 Opus 5.5 的结果虽然也能跑通，但界面更像「一堆东西同时发生」，教学价值有限。代码层面同样延续了上一项实验的差异：Fable 5.2 的代码模块化程度更高、更易读。

实测三：权重空间编程

作者还测试了「权重空间编程」——让模型直接手写神经网络权重而不经过梯度下降。在 Breakout 游戏任务中，GPT-6 Astra 此前取得平均 517 分，Opus 5.5 在作者的测试中只有 200 多分，而 Fable 5.2 达到了 493 分。

Fable 5.2 的表现已经接近 Astra，且分数分布很宽，部分运行能到 600 甚至 700，但也有极低值。作者强调，模型是在没有工具、没有互联网访问的情况下，仅凭对架构的描述手工写出所有权重数值，然后直接运行游戏脚本验证效果。

这一结果说明模型对神经网络内部结构的理解能力有了实质提升，而不仅是表面性能的优化。

权重空间编程（weight-space programming）指不依赖反向传播和梯度下降，直接为神经网络手动指定每一个权重数值，使网络在未训练的情况下完成任务。传统训练是通过数据迭代调整参数，而权重空间编程要求模型理解「什么样的权重组合会产生什么行为」，相当于对网络内部计算机制进行逆向推理。它对模型的抽象推理和数值直觉要求极高，因此常被用作探测模型是否真正「理解」神经网络结构的压力测试，而非单纯的代码生成能力。

结论：如何选择

作者认为 Fable 5.2 是目前最强的模型，但不会把它当作日常主力。他的建议是：Opus 5.5 继续作为默认选择，前端等较轻任务用 Sonnet，极低成本场景用 Haiku，而 Fable 5.2 留给代码审查、架构评估、合同条款分析这类需要大局观和高复杂度的场景。

从竞争格局看，作者认为 Anthropic 目前是前沿实验室中发布节奏最活跃的一家，OpenAI 近期缺乏动作，Gemini 是唯一值得关注的对手。对于开发者而言，Fable 5.2 的价值不在于取代 Opus，而在于提供了一个「重载咨询」选项——按任务成本计算，它可能比看起来更划算。