[控场AI]
· 6 分钟阅读· 3,330 字

Claude Fable 5.2与Mythos 5.2发布:基准测试、机器人突破与游戏生成实测

Claude Fable 5.2与Mythos 5.2发布:基准测试、机器人突破与游戏生成实测

Fable 5.2 发布:基准几乎全面领先,能力扩展至机器人与生物设计,但重度任务成本仍高。

Anthropic 发布 Fable 5.2 与 Mythos 5.2,二者指向同一底层模型,前者为带安全防护的商业版本。基准测试显示其在多数项目领先,仅在业务工作流输给 Gemini、知识工作不敌 Opus 5.5。首次公布机器人方向数据,并展示基因治疗外壳设计与蛋白质设计能力。价格比 Fable 5.1 更低、速度快约 30%,但重度任务实际花费可能高于 Opus 5.5。文章建议用 Fable 5.2 做规划、Opus 5.5 做执行,以平衡质量与成本。

Anthropic 正式发布了新一代模型 Fable 5.2 和 Mythos 5.2。据 B站 UP 主在视频中的梳理,这两个名字指向同一个底层模型——Mythos 5.2 是原始版本,Fable 5.2 则是带安全防护的商业版本。原本外界普遍预期会看到 Fable 5.5,实际到来的却是一次幅度不小的迭代升级。

截图

基准测试:几乎全面领先,但有两处例外

从公布的基准成绩看,Fable 5.2 在绝大多数项目上击败了现有模型。据视频中展示的数据,在前沿编程测试 Frontier Code 2.0 上,该模型取得 9.1% 的得分,位列第一;紧随其后的是 Opus 4.5 的 45.5,再往后是 GPT-6 Astra 的 42.8 和 Carbon 的 41.1。在前沿软件工程测试中,Fable 5.2 拿到 69.9 的成绩。

例外出现在两个方向:一是在业务工作流这一项上输给了 Gemini;二是在知识工作领域不敌自家的 Opus 5.5。这种"外部几乎通吃、内部仍有短板"的格局,说明 Anthropic 在产品线上做了有意的能力切分,而非简单堆叠参数。

前沿编程测试 Frontier Code 2.0 是一类用于评估大模型在真实软件开发任务中表现的基准,通常要求模型在给定仓库或接口规范下完成多步代码修改、调试与测试,而非单轮生成代码片段。该类基准的难度会随版本迭代显著上升,模型得分往往远低于传统 HumanEval 等简单题目,因此文章中出现 9.1、45.5 等不同量级数字时,需先确认是否属于同一测试版本或评分口径,避免直接横向比较。前沿软件工程测试 则更侧重完整工程流程,包括需求理解、跨文件改动与回归验证,考察的是模型在长上下文和多轮交互下的稳定性。

机器人:第一次看到专门的能力发布

这次发布中比较少见的是机器人领域的改进,也是该系列模型首次针对这一方向给出基准。据视频引用的官方帖子,Fable 5.2 在机器人相关测试中得分 64.9,而此前最高分是 Opus 5.5 的 39.4。更说个细节,模型能够控制实体机器人完成它从未被明确训练过的任务,在 RoboDojo 双臂机器人模拟基准上表现超过了其他模型和多数机器人 AI 系统。

视频作者对此的判断是:游戏开发、3D 动画、3D 建模是当下的热点方向,而机器人会在后续成为每一代新模型都会重点展示的领域。

RoboDojo 是面向双臂机器人操作与控制的模拟基准环境,通常提供多种任务场景(如抓取、搬运、装配),用于评估策略模型在仿真中的泛化能力。其价值在于可重复、低成本地测试模型对未见任务的适应能力,但仿真到真实世界(sim-to-real)仍存在差距,因此“控制实体机器人完成未被明确训练的任务”需要区分是在仿真中验证还是在真实硬件上演示。机器人基础模型(VLA,视觉-语言-动作模型)近年成为热点,其核心是将语言指令、视觉感知与动作输出联合建模,使同一模型可迁移到不同本体和任务。

科学研究的实际落点:基因治疗与蛋白质外壳设计

Fable 5.2 在生物学方向的能力被具体落地到了基因治疗场景。据视频介绍,基因疗法需要借助一种蛋白质外壳来递送,而 5.2 找到了预测完整外壳结构的新方法——在测试中,它准确建模了尝试的 34 种外壳中的 28 种。这意味着生物学家可以更快、成本更低地完成外壳设计。

这一能力也体现在蛋白质设计基准上:Fable 5.2 拿到 85.1 分,Fable 5.1 为 79.1,Opus 5.5 为 82.6。视频作者强调,这类基准并非实验室常提的典型测试,其意义在于指向真实科研工作流。

截图

基因治疗递送外壳 通常指病毒衣壳或类病毒蛋白纳米壳,其结构决定能否安全、高效地将治疗基因送入目标细胞。预测完整外壳结构属于蛋白质结构预测与设计问题:需要根据氨基酸序列推断三维折叠,并评估组装后的多聚体界面是否稳定。传统上依赖冷冻电镜等实验手段,周期长、成本高;若模型能高准确率地预测候选外壳结构,可大幅缩小实验筛选范围。蛋白质设计基准 则通常评估模型生成或优化蛋白质序列/结构的能力,与结构预测不同,它更强调从零设计满足特定功能的新蛋白,因此得分高低需结合具体任务定义来理解。

定价与速度:更快、更便宜,但重度任务未必划算

价格方面出现了一个反直觉的变化:Fable 5.2 比 Fable 5.1 更便宜。每百万 Token 约 8.40 美元,而 Fable 5.1 为 10.50 美元;速度上比 Fable 5.1 快约 30%。这一"加量降价"的走势延续了 Anthropic 近几次发布的趋势。

不过视频也提醒,Fable 5.2 依然是昂贵的模型,会更快耗尽额度。在 Extreme High 档位上,它的定价与 Opus 5.5 相当,但得分更高。作者坦言,两者的差距并没有想象中悬殊,更像是在 Opus 5.5 基础上的一次升级,而非重大飞跃——这也正是不少人原本期待 Fable 5.5 的原因。视频中还提到一种猜测:Anthropic 的 IPO 临近,更强的模型可能被留到 IPO 前后推出。

一个实用的对比是同一款游戏生成任务:Opus 5.5 大约花费 15 分钟、8.20 美元;Fable 5.2 则花了约 60 分钟、18 美元。Fable 的产出细节更丰富,但成本和时间都明显更高。

每百万 Token 定价 是当前大模型 API 的常见计价单位,但实际成本还受输入/输出 Token 比例、缓存命中、推理档位(如 Extreme High)以及重试次数影响。文中同一游戏生成任务出现 8.20 美元与 18 美元的差异,说明“单价更低”不等于“总成本更低”:生成时间更长、输出 Token 更多或需多次重跑,都会推高实际支出。订阅时长挂钩的重置次数 属于一种留存机制,类似阶梯式权益,其设计目的是提高用户切换成本,而非直接反映模型能力。

订阅激励与输出实测

订阅策略上,Anthropic 引入了一套与订阅时长挂钩的"重置次数"机制:订阅不到 6 个月有 1 次,6 到 12 个月 2 次,超过 12 个月 3 次。视频认为这是培养客户忠诚度的设计。

截图

真正让视频作者兴奋的是输出效果。他展示的第一段内容乍看像《使命召唤》的片段,实际是 Fable 5.2 生成的游戏模拟,"几乎和真游戏一模一样"。其他演示包括:仅凭一句提示生成的完整物理引擎、一次生成的 3D 场景、可自由移动并改变天气且与真实地球时间同步的"镜像地球"游戏,以及一个以哈利波特宇宙为背景、可实际游玩的大逃杀游戏。需要说明的是,这些输出并不完美,仍会出现故障,有时需要重跑几遍。

截图

有一位用户为测试 Fable 5.2 消耗了约 4000 亿个 Token。视频作者据此提出的工作流建议是:用更聪明也更贵的 Fable 5.2 做规划,用 Opus 5.5 做执行,在输出质量和成本之间取得平衡。

这次升级到底意味着什么

从基准到实测,Fable 5.2 的定位逐渐清晰:它不是代际跃迁,而是一次覆盖面很广的能力扩展——把模型的触角从代码和文本延伸到机器人控制、生物结构预测和完整的 3D 世界生成。对大多数用户来说,更便宜、更快、更强同时发生,是实实在在的好消息;对重度使用者来说,如何在 Fable 5.2 与 Opus 5.5 之间分配规划与执行,才是真正影响成本的选择。

(本文基于 B站 UP 主的视频内容整理,涉及的数据与演示均来自该来源,未经独立验证。)

#Claude Fable 5.2#Claude Mythos 5.2#Anthropic 新模型#Fable 5.2 基准测试#AI 机器人控制#AI 游戏生成#Opus 5.5
分享:

相关推荐