Claude Fable 5.2与Opus 5.5怎么选

整理Anthropic发布的Claude Fable 5.2与Mythos 5.2要点,以及我用API跑同样题目的实测结果。日常用Opus 5.5、长任务才用Fable的分工标准和effort选择方式。
Anthropic 发布了 Claude Fable 5.2 和 Mythos 5.2。公开的基准测试几乎每一项都超过 Opus 5.5,API 价格也降到输入 $8/输出 $40。这篇文章整理发布的要点,加上我自己用 API 跑同样题目的实测结果,最后给出日常工作和重活该怎么分配。
先说结论。日常的开发和调研用 Opus 5.5 就够,只有需要跑好几个小时的难活才交给 Fable 5.2。这是我现在的分工方式。基准测试的排名和实际工作里的性价比,是两件不同的事。
Claude Fable 5.2 和 Mythos 5.2 的区别
Fable 和 Mythos 是同一个模型,区别在于怎么开放。Mythos 面向网络安全和生命科学领域,采用审核制;对一般用户开放的是 Fable。研究用途放在审核的内侧,日常使用由 Fable 承接。
开始用之前要先搞清楚这四点:
- API 的模型 ID 是 claude-fable-5-2
- Pro 和 Team 标准席位最多可以把每周额度的 50% 用在 Fable 上
- 输出速度比 Fable 5.1 最快提升 30%
- API 价格降到输入 $8/输出 $40
每周额度 50% 这个条件看着不起眼,却直接影响落地方式。你不能假设团队里每个人都可以整周一直跑 Fable。必须先决定哪些工作交给 Fable,再去分配权限。
官方基准测试怎么读
官方给出的数字里,我比较在意这几项:
- 编码的 FrontierCode 2.0:49.1%(Opus 5.5 是 45.5%)
- 电脑操作的 OSWorld 2.1:89.3%
- Humanity’s Last Exam(带工具):74.2%
- 图表读取:从 5.1 的 44.8% 提升到 73.4%
几乎每一项都排在前面,但不是全胜。在面向业务流程的 AutomationBench 上,Gemini 4 Carbon 的 53.9% 更高。而且所有数字都来自该公司自己的测量。这些结果是否适用于你自己的业务,只能用自己的题目去验证。
提升幅度最大的是图表读取。从 44.8% 到 73.4%,意味着把资料里的图和仪表盘交给模型读取时,成功率已经换了一个档位。以前试过这类用法又放弃的人,光是这一项就值得重新测一次。
Max 不再是默认答案
这次对实际工作影响最大的,是按 effort 分档的那张图。High 档的 Fable 5.2 和 Max 档的 Opus 5.5 分数几乎相同,而单任务成本只有约一半。最高分是 Xhigh 的 49.1%,从那里再往 Max 调,图上的点会略微下降,费用却涨到约 3 倍。
也就是说,“先开 Max 再说”已经不是正确答案。用默认的 Medium 开始,卡住了再上 High;Max 留给清楚知道费用会怎么跳的例外场景。按这个顺序设计,总花费会更低。
我用 API 跑同样题目的结果
光看发布数字没法判断,所以我把同样的题目发给 API 做了对比。一共四类:编码、计算题、用 Claude Code 实现表格计算引擎等。
- 所有配置都全部答对,差别只在费用和时间
- Opus 5.5 Medium 的费用是 Fable 5.2 Medium 的六到八成
- Opus 5.5 Max 为了得到同样的正确答案,花了最多 13 倍的费用和 200 秒以上
- 用 Claude Code 实现时,Opus 约 50 秒,Fable 约 70 秒
结论是正确率上没有拉开差距。在单次到中等规模的题目上,甚至出现 Opus 5.5 更便宜更快的情况。该公司自己也说,Fable 真正发挥实力的是长时间的难活。我的对比处在那之前的区间,所以两种说法并不矛盾。
反过来说,目前我没有找到把已经跑得好的 Opus 5.5 流程全部换成新模型的理由。判断是否迁移的依据不是”正确率会不会提高”,而是”有没有需要自主跑好几个小时的工作”。
差距出现在长时间的自主作业
长时间任务上的差距,发布里的三个案例讲得很清楚。
数学方面,1,000 个 Fable 5.2 智能体用 30 小时把费马大定理的证明完全形式化,也就是改写成计算机可以一步一步验证正确性的形式。同样配置的 Opus 5.5 在 18 小时时是 26%,到 30 小时也只有 27%。虽然只跑了一次,差距的形状已经很明显。
机器人控制也有大幅提升。在 RoboDojo 模拟里得到 64.9%,高于 Opus 5.5 的 39.4% 和 GPT-6 Astra 的 29.8%,也高于许多专门为机器人做的 AI。据称即使是没有学习过的作业,也能驱动双臂机器人。语言模型直接驱动机器人的趋势,也来到了这里。
生命科学方面,Mythos 5.2 找到了一种新方法,可以预测基因治疗中运送药物的外壳”衣壳”的整体结构。在尝试的 34 个里准确建模了 28 个,据称研究者有可能更快更便宜地设计衣壳。审核制的 Mythos 存在的意义就在这类用途上。
三个案例的共同点,是都属于不需要人盯着、要长时间持续跑的工作。几十秒就结束的请求看不出差距,几小时到几十小时的自主作业才会显现。分工的那条线,可以画在这里。
日本企业会怎么看这次发布
先给日本以外的读者补一句背景:在我接触的日本企业里,引入新模型通常要先过内部的预算审批,而看这份材料的人更在意总花费是否可预测,而不是性能的峰值。
也正因为这样,这次的数字在日本特别值得讲。看到基准测试表就一口气切到最高模型、最高 effort,是日本现场常见的反应。但只要 Max 的分数比 Xhigh 略低、费用却是约 3 倍,往上调档就不等于质量保证。
在日本的组织里推进时,我会盯住这三点:
- 用自己的题目比较。把同一道题发给多个模型和多个 effort 档位,把正确率、费用、时间并排看
- 把默认设成 Medium,并写成规则:只有卡住时才往上调
- 以每周额度 50% 这个条件为前提,先决定交给 Fable 的工作是哪些
如果你是向日本传递信息的海外 AI 企业,建议换一下强调顺序。“哪一档最省钱""现有流程有哪些不用改”,比”综合第一”更能打动日本的一线负责人。因为在公司内部推预算的人,看的是总额的可预测性,而不是性能的最大值。先说明这次不是全胜、数字是自家测量的,长期来看也更容易建立信任。
怎么用在自己公司
要做的事很简单。把默认档位调回 Medium,把 Max 从日常使用中去掉。然后在公司内部找出一件想让它自主跑好几个小时的工作,只把这件交给 Fable 5.2,并记录费用和耗时。如果找不到这样的重活,这次发布对你的改变就只有价格和图表读取的精度。
模型越多,选择能力越决定结果。与其花时间读排行榜,不如多花时间用自己的题目去测,见效更快。
常见问题
Claude Fable 5.2 和 Opus 5.5 该怎么分工?
日常的开发和调研用 Opus 5.5 就够。我把同样的题目发给 API 做对比时,所有配置都全部答对,差别只在费用和时间。只有需要跑好几个小时的难活才交给 Fable 5.2。
Fable 5.2 的 effort 应该从哪一档开始?
从默认的 Medium 开始,卡住了再调到 High。High 档的 Fable 5.2 和 Max 档的 Opus 5.5 分数几乎相同,单任务成本约为一半;最高分是 Xhigh 的 49.1%,再调到 Max 图上的点会略微下降,费用却涨到约 3 倍。
Fable 和 Mythos 有什么区别?
两者是同一个模型,区别在开放方式。Mythos 面向网络安全和生命科学,采用审核制;对外开放的是 Fable。API 的模型 ID 是 claude-fable-5-2,Pro 和 Team 标准席位最多可把每周额度的 50% 用在 Fable 上。
根据 X 帖子整理原帖 ↗