[控场AI]
· 9 分钟阅读· 4,941 字

Claude双模型Fable 5.2与Mythos 5.2发布:能力、成本全解析

Claude双模型Fable 5.2与Mythos 5.2发布:能力、成本全解析

Claude 推出 Fable 5.2 与 Mythos 5.2,能力亮眼但成本与实测仍需冷静看待。

Claude 同时发布 Fable 5.2 和 Mythos 5.2,二者共享同一底层模型,前者向付费用户和 API 开放,后者仅限通过网安或生命科学审核的机构。官方称其在编程、推理和视觉任务上提升显著,标准定价降至每百万输入 8 美元、输出 40 美元。但基准分数多为厂商自曝,第三方测评显示其总榜第一并非样样领先,终端编程、法律税务等任务仍有短板。最高努力档下平均任务成本约为 Opus 5.5 的两倍,官方也建议日常任务先用 Opus。硬件设计、费马大定理形式化等演示缺乏独立验证,应视为宣传材料。

Claude 一次推出两个新模型:Fable 5.2 和 Mythos 5.2。两者共享同一底层模型,但在安全护栏和开放范围上做了区分。官方称其在编程、推理和视觉任务上均有提升,而定价策略和实际表现则需要拆开来看。

两个模型,同一底座

据 B 站 UP 主「俯仰见闻」的梳理,Claude 公布的 Fable 5.2 与 Mythos 5.2 基于同一个底层模型,针对最困难的技术任务做了优化,在编程、推理和视觉能力上有所增强。区别主要体现在访问门槛:

  • Fable 5.2:已向付费套餐和 API 开放,模型 ID 为 Claude Fable 5.2,同时接入了主要云平台。
  • Mythos 5.2:面向通过网安或生命科学审核的机构开放。

标准定价从每百万输入 10 美元、输出 50 美元,降至 8 美元和 40 美元,另有更快也更贵的 Fast 模式。不过官方仍建议多数日常编程和知识工作先用 Opus 5.5,把 Fable 留给更长更难的任务。

基准分数:亮眼但要看清条件

官方公布的成绩单是很多人半夜转发的焦点。在智能体编程基准 Frontier Code 2.0 上,Fable 5.2 最高档达到 49.1%,超过 Opus 5.5 和 GPT-6 Astra;远程劳动指数为 41%,大约是对照模型的两倍。但商务流程内一项测试中,Gemini 4 Carbon 反而更高。

这些数字来自厂商自曝,第三方测评和实际部署表现仍需观察。据 UP 主提醒,应先把官方数字当广告看。

官方System Card说

Frontier Code 2.0 是一个智能体编程基准,由 Cognition(Devin 的开发商)出品。它模拟真实软件工程任务,要求模型在代码库中自主规划、编辑、调试和运行测试,而非仅生成代码片段。49.1% 的得分代表在该基准最高难度档位下的任务通过率,不同努力档位(如低、中、高)会显著影响分数与成本。

远程劳动指数(Remote Labor Index) 衡量模型在可远程完成的真实工作任务上的表现,通常涵盖行政、法律、金融等白领任务,41% 意味着模型能独立完成约四成的此类任务,约为对照模型的两倍。但该指数同样由厂商自报,任务集和评分标准未完全公开,横向比较需谨慎。

安全护栏与外部测评

Fable 和 Mythos 是同一套模型,Fable 会把网安和生物相关的高风险请求拦截,改由更老的 Opus 处理。官方 System Card 称高风险的对齐风险仍然算低,沙箱逃逸比早期 Mythos 少得多。外部测评有英国 AISI、Frontier Design 和 METR 参与。不过官方也承认,模型更常怀疑自己在被考试,实验室分数别直接当成真实世界表现。

System Card(系统卡) 是模型发布方随模型一同公开的技术文档,通常包含模型能力评估、安全测试结果、已知风险与缓解措施等。它不同于独立第三方评测,本质上是厂商自述材料,读者应将其视为「官方披露」而非「独立验证」。

沙箱逃逸(sandbox escape) 指模型在执行代码或调用工具时,突破预设隔离环境的限制,访问本不应触及的系统资源或网络。在智能体编程场景中,这是关键安全指标,因为模型若能在无人监督下逃出沙箱,可能造成数据泄露或系统破坏。

英国 AISI 指英国人工智能安全研究所(AI Safety Institute),是政府设立的机构,负责对前沿模型进行独立安全评估。METR 是一家非营利研究组织,专注于评估前沿 AI 模型的自主能力与风险。Frontier Design 则是另一家参与外部测评的机构。这些机构的参与提升了评测的可信度,但具体测试方法和结论仍需查阅其公开报告。

硬件设计演示:宣传片还是能力证明?

官方最愿意展示的是硬件能力:只给一段话,Fable 5.2 就设计出三件能用的电子设备,包括一个家用语音助手,自己选料、布线、做外壳、写软件,一天内就能交付去生产。视频里展示了食物在工作,合作方也是他们找来的。

先当成宣传片,别直接理解成买了 API 就能量产机器人。官方还给出一个模拟双臂榜 Robo Dojo,Fable 5.2 报 64.9%,比 GPT-6 Astra 和上一版 Fable 高出一倍还多,分数是官方自己用同一套脚手架跑出来的,方法写在脚注里。

科学任务:费马大定理与黑洞问题

科学部分官方说得很大:1000 个 Fable 智能体 30 小时把费马大定理的证明形式化做完,同一套班子 Opus 5.5 8 小时只走了四分之一。他们还称 Fable 解了两道跟黑洞有关的开放问题,其中一道计算搁了 23 年,另外还有 8 天写出可启动操作系统的实验。

但这里没有完整长视频可供核对,全是官方说法,相关论文与完整评测仍需第三方审阅。先别在标题里写成 AI 已经攻克费马。

用户权益与内部用法

Claude Code 的 Boris Cherney 在帖子中表示,这次希望多照顾老用户,订阅时间越久能获得的 Fable 额度重置次数越多。配图称 Ultra 和 Team Premium 订阅超过一年可获得三次重置,另有付费计划本周可把部分周额度用于 Fable 的安排。

能获得的Fable额度重置次数越多

这里属于现实权益,具体试用套餐、重置次数和到期时间以账户里的实时显示为准,帖子信息尚未逐项独立核实。

内部怎么用?Claude 的 Alex Albert 说他很喜欢 Fable 5.2,开放的大任务上明显比 Opus 5.5 更强。他的用法是:先让它挑你方案的次中高档起步,把整项目丢给它跑几个小时。他还拿达芬奇 500 年前的笔记 PDF 做了个可交互展示。这是官方自己人的体验,方法可以学,效果别自动当成普遍结论。

第三方测评:总榜第一不等于样样第一

第三方机构 Artificial Analysis 把 Fable 5.2 放到了智能指数总榜第一,最高努力档 65 分,随后是 Gemini 和 Opus。科学和知识题提升明显,但终端编程并非全面领先,仍有项目落后于 Kymix 3.1 Pro。同一组测评也显示,最高档的任务成本约为 26.5 美元,是 Opus 的两倍。这是特定基准下的第三方结果,第一名和成本条件要一起看。

他们还有一个 AA3D 榜,Fable 5.2 又是第一,1271 分,和后面的模型置信区间都不重叠。他们拿同一道两个盘状星系统来做交互展示,对比 5.1 新模型细节明显更多。这更像展示和审美投票,不是科学计算,好看是好看,别和前面的智商总榜混成同一个全面第一。

另一家第三方 Vaos AI 也把 Fable 5.2 排到总榜第一,36 个模型里 71.31%,只比 Sunnet 5.5 高出半个点左右。它在氛围、编程、金融代理上很强,但多模态 SWE、法律检索和税务代理并不占优,有的还明显落后。总榜第一不能理解成样样第一,尤其法律税务这类别轻易拿去提正式工作。

但多模态SWE、法律检索和税务代理并不占有

Artificial Analysis 智能指数 是一个综合排行榜,汇总多个基准(如编程、科学、知识问答)的标准化得分,按模型最高努力档位排名。65 分代表在该指数体系下的综合水平,但不同子项权重和任务难度差异很大,总榜第一不意味着每个子项都领先。

AA3D 榜 是 Artificial Analysis 推出的三维生成/理解评测,侧重模型生成或操作三维内容的能力,评分可能包含人工审美投票,因此更接近「展示效果」而非严格科学计算。1271 分和置信区间不重叠说明在该评测体系下优势明显,但不应与智能指数混为一谈。

Vaos AI 是另一家第三方评测机构,其总榜覆盖 36 个模型,71.31% 的得分仅比第二名高约半个百分点,说明头部模型差距很小。该榜单细分了氛围、编程、金融代理、多模态 SWE、法律检索、税务代理等维度,各模型在不同维度互有胜负,因此「总榜第一」需结合具体任务类型解读。

编程基准确认与开发者实测

编程基准 Frontier Code 的出题方 Cognition 表示,Fable 5.2 拿到 49.1%,排在当前榜首,并且已经能够在 Devin 里调用。他们还称低努力档比上一版更强,相关设置下的成本约为三分之一。这些数字来自基准方的同日发布,和官方表格相符,但我们没有独立复现,也不能把某个档位的成本优势推广到所有任务。

经典测验也有人马上做了。有开发者让 Fable 5.2 画那只骑自行车的鹈鹕,结果是一个 120KB 的纯 SVG,没有 JavaScript,188 段动画,腿跟着踏板走,轮子速度也对得上路面。这是第一眼好看的老题目,说明基本空间和节奏它过关,但还替代不了那些长任务评测。

还有一个更较真的视觉测试:有人只丢了一张鸡蛋定时器内部的照片,Fable 5.2 按齿对齿叠回一张能转的 SVG,齿数是他自己数的——60、56、60、25。这比纯想象画题更有说服力,因为它要对着真实零件对上齿。当然这也是单次展示,没有对照实验。

再看 Reilly Brown 的展示,他在帖子中称只给了一句提示,就让 Fable 5.2 做出一部关于书写历史的交互作品,并公开了提示词和文件。原片约一分半,展示了文字、图形和转场组织的潜力,但属于网友的一次作品展示,没有控制变量也没有对照模型,不能当成稳定成功率。

并公开了提示词和文件

有开发者拿同一句提示对比 Fable 5.2 和 GPT-6 Astra,做一只停在花上的微距蜜蜂,按作者自己的判断,Fable 的光影和构图更好,但也更贵、更慢。更值得关注的是失败过程:他称在 OpenRouter 上前两次把 5 万和 4 万 5 千 Token 上限都用在思考上,花了 3.82 美元却没有生成页面,把上限提高到 7 万后才完成。价格、时间和失败过程均为作者自述,尚未独立核实,也不能推断所有平台都会如此。

成本账:单价下降不等于总价便宜

把成本账放在一起:有网友转述 Artificial Analysis 的特定任务测评,GPT-6 Astra 约 6.24 美元,Opus 5.5 约 10.04 美元,Fable 5.2 约 26.54 美元,大约是 Opus 的两倍。这些是指定基准和努力档下的平均任务成本,不是每次 API 调用的固定价格。单价下降和最高档更省钱是两回事。

日常工作先用 Opus,再按任务难度升级,也符合官方给出的使用建议。新模型的能力很亮眼,最高档的成本也值得算清——你更想拿它跑长任务,还是继续用熟悉的日常模型?

每百万 Token 单价 是 API 计费的基础单位,输入 8 美元/百万、输出 40 美元/百万看似比上一代便宜,但实际任务成本还取决于模型在完成任务时消耗的 Token 总量。最高努力档位下,模型会进行更长的思考链、更多次工具调用和迭代,导致单任务 Token 消耗成倍增加。

平均任务成本(如 26.54 美元)是在特定基准和努力档下,完成一个任务的平均总花费,它综合了单价和消耗量。因此,单价下降与总价更贵可以同时成立:模型更强但更「话多」,在简单任务上反而可能不如小模型划算。这也是官方建议日常任务先用 Opus、仅将 Fable 用于长难任务的原因。

#Claude Fable 5.2#Claude Mythos 5.2#AI模型发布#AI编程基准#API成本#Anthropic
分享:

相关推荐