Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，IPO 前重夺性能领先
Claude Fable 5.2 and Mythos 5.2 cement Anthropic's AI lead just before its IPO
Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，定价从上一代的 $10/$50 降至每百万 token $8 输入、$40 输出，输出速度最高提升 30%。
原文汇总了基准成绩、定价与安全限制设计，还给出费马大定理形式化等可核细节，便于比较模型实际取舍。
Anthropic 的 Claude Fable 5.2 与 Mythos 5.2 在公司 IPO 前夕重新夺回 AI 性能领先地位，某些方面优势明显。Opus 5.5 仍是 Anthropic 推荐的日常使用模型。
Claude Fable 5.2 和 Claude Mythos 5.2 共享同一模型基础，但与其前代一样，二者在访问方式上有所不同。Fable 包含阻止网络安全和生物学领域高风险任务的安全防护措施，面向所有用户开放。Mythos 解除了其中部分限制，但仅向通过 Anthropic 网络安全或生命科学验证计划（Verification Programs）申请的组织开放。
定价为每百万输入 token 8 美元、每百万输出 token 40 美元。至少从纸面上看，这低于前代模型的 10 美元和 50 美元。用户实际支付的费用取决于 token 消耗量，而消耗量随任务、设置和软件环境而变化。Anthropic 将新模型定位于最严苛的技术工作，并继续推荐 Claude Opus 5.5 用于日常使用。
Anthropic 表示，新模型的输出速度最高比 Fable 5.1 和 Mythos 5.1 快 30%。针对特定组织的可选快速模式可将 token 输出速度提升最高至 2.5 倍，但费用翻倍，且仅在部分平台上可用，包括 Claude Code、Claude Platform、Google Cloud 和 Microsoft Foundry。
Fable 5.2 在基准测试中跃居明显领先地位
Artificial Analysis 的基准测试显示 Fable 5.2 明显领先于竞争对手。在最高算力档位的最新 Index v5 上，它以 65 分排名第一，领先 Gemini 4 Carbon（60 分，High 档位）5 分——Google 仍未发布该模型，领先 Claude Opus 5.5（59 分，Max 档位）6 分，并领先 Claude Fable 5.1 整整 15 分——后者仅在 9 月初才发布。
据 Artificial Analysis 数据，Fable 5.2 在九项单独测试中的五项得分最高。它在 HLE-Diamond（一项包含专家级学术问题的测试）上达到 80%，在 Terminal-Bench-Science（测试 AI 智能体能否在终端中独立运行科学工作流）上达到 73%，在 FrontierCode 2.0（评估智能体能否在真实开源项目中交付有用的代码更改）上达到 49%。
Fable 5.2 在智能体知识工作和基于终端的编程方面较弱。它在 AA-Briefcase（一项针对多步骤知识工作任务的基准测试）上达到 1,785 Elo，仅略低于 Claude Sonnet 5.5（1,813），并处于 Opus 5.5（1,800）的置信区间内。在衡量软件开发和安全等领域多步骤终端任务的 Terminal-Bench 4.0 上，它得分为 60%，与 Opus 5.5 持平。Kimi K3.1 Pro（67%）、Gemini 4 Carbon（65%）和 Sonnet 5.5（64%）在此排名更高。
不过，巅峰质量是有代价的。最高档位的每任务平均成本为 26.50 美元，约为 Opus 5.5（10 美元）的 2.6 倍，差不多是 Fable 5.1（12.99 美元）的两倍。即便在较低的 High 和 Xhigh 档位，Fable 5.2 在智能指数上仍获得 62 分，据 Artificial Analysis 称超过任何档位上的所有其他模型，同时消耗的 token 少得多：每任务 98,000 输出 token，而 Opus 5.5 在 Max 档位为 173,000。
| Anthropic 基准测试结果 | Fable 5.2 | Fable 5.1 | Opus 5.5 | GPT-6 Astra | Gemini 4 Carbon |
|---|---|---|---|---|---|
| 智能体编程 FrontierCode 2.0 |
49.1% Xhigh 档 |
32.4% Xhigh 档 |
45.5% | 42.8% | 41.1% Medium 档 |
| 智能体编程 FrontierSWE v2 |
69.9% | 56.3% | 62.3% | 65.5% | 61.2% |
| 业务工作流 AutomationBench |
51.4% | 31.4% | 42.5% | 41.4% | 53.9% |
| 智能体科学研究 Terminal-Bench Science 0.1 |
74.6% 75.3%（Myth 5.2） |
52.6% | 58.7% | 68.1% | 64.8% |
| 网络安全 CyScenarioBench† |
76.3% Myth 5.2 |
61.7% Myth 5.1 |
67.6% 无安全防护 |
61% GPT-6 Cyber |
— |
| 网络安全 CVE Rediscovery |
89.6% Myth 5.2 |
78.3% Myth 5.1 |
81.3% 无安全防护 |
— | — |
| 蛋白质设计 从头结合剂设计（24 小时） |
85.1% Myth 5.2 |
79.1% Myth 5.1 |
82.6% 无安全防护 |
— | — |
| 智能体搜索 WANDR（宽松评分） |
82.1% | 68.7% | 72.3% | — | — |
| 计算机使用 OSWorld 2.1（离线集，部分） |
89.3% | 83.5% | 87.2% | 79.5% | 81.5% |
| 机器人技术 RoboDojoSim‡ |
64.9% | 27.6% | 39.4% | 29.8% | — |
| 知识工作 AA-Briefcase v1.1 |
66.1% rubric |
61.5% rubric |
61.2% rubric |
52.0% rubric |
61.8% rubric |
| 1785 Elo |
1669 Elo |
1800 Elo |
1569 Elo |
1611 Elo |
|
| 知识工作 Remote Labor Index（RLI） |
41.3% High 档 |
17.9% | 21.3% | 20.8% | — |
| 多学科推理 Humanity's Last Exam（带工具） |
74.2% | 65.6% | 67.7% | 57.2% | — |
| 图表识别 Chartography（无工具） |
73.4% | 44.8% | 64.4% | 71.0% | 72.5% |
Mythos 5.2 发现的安全漏洞远多于所有前辈模型
Anthropic 表示，新模型还在当前争议激烈的网络安全领域创下了纪录。Mythos 5.2 比早期模型能发现更多漏洞，并且在复现和修复漏洞方面表现更好。因此，公开可用的变体 Fable 会拦截大多数与安全相关的任务，包括渗透测试和漏洞利用代码生成。Opus 4.8 则会响应被拦截的网络安全请求，而 Opus 5 会响应被拦截的生物学请求。
Anthropic 使用一项名为 CVE Rediscovery 的内部测试，来检查模型在获得修复前的项目状态时，能够独立发现多少个 CVE 数据库（Common Vulnerabilities and Exposures，用于记录已知软件缺陷的系统）中已发布的漏洞。
Anthropic 表示，在 2026 年 10 月使用 1,829 个 CVE 的测试中，Mythos 5.2 发现的漏洞比 Opus 5.5 多 10.2%，比 Mythos 5.1 多 14.4%，并在每个算力档位上都处于领先。据 Anthropic 称，一家安全公司报告称，Mythos 5.2 发现的已确认漏洞中有六分之一是所有其他受测前沿模型都未曾发现的。
Anthropic 限制了可能加速 AI 发展的能力
Anthropic 表示，他们在训练过程中有意限制了模型在最直接加速 AI 开发的那些能力上的提升，即目前被广泛讨论为风险的所谓 RSI（递归自我改进）。该公司称，Fable 5.2 和 Mythos 5.2 在为加速器芯片优化计算内核以及改进大语言模型架构等领域，表现大致与 Opus 5.5 相当。
据 Anthropic 称，相关的能力如智能体编程、硬件开发以及包括可解释性研究在内的传统 AI 研究则不受影响。该公司表示，在人类指导下，Claude 目前编写了 Anthropic 核心代码库中超过 90% 的合并变更。Anthropic 还声称，该模型在一次内部测试中从零编写了一个操作系统。
Claude Fable 5.2 用 30 小时形式化费马大定理
最引人关注的例子可能再一次来自数学领域。Anthropic 称，约 1,000 个 Fable 5.2 智能体完整形式化了费马大定理的证明，将其翻译成 Lean 编程语言，使计算机能够逐步验证。
费马大定理指出，人们熟悉的方程 a² + b² = c² 在高于二次的幂次下没有整数解。几个世纪以来无人能证明这一点，直到 1995 年 Andrew Wiles 提出了一个长达一百多页的证明。如今，它的机器验证首次完成。耗时 30 小时。
Anthropic 表示，一个更早的、未发布的研究版 Claude 完成同样的任务需要 11 天，并且依赖于专门构建的环境和一名人类研究者的指导。而 Fable 5.2 智能体仅从简短的指令开始，自行组织协作，且未使用任何数学参考资料。唯一的进度指标是一份中间引理列表。该模型使用的动作 token 只有第一次尝试的三分之一，生成的证明长度缩短了七倍。
作为对比，Anthropic 在相同设置下用 1,000 个智能体运行了 Opus 5.5。Opus 在 18 小时内仅完成了 26% 的形式化工作，此后直到第 30 小时几乎没有进展。
无炒作的 AI 新闻 – 由人工精心挑选
订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六期的独家"AI Radar"前沿报告、完整的档案访问权限以及评论区的访问权限。
来源： The Decoder · the-decoder.com