BlackHalo logo
Published on

Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2:面向最艰巨技术挑战的新一代模型

Authors
  • Name
    meetpateltech
    anthropic.com
Claude Fable 5.2 和 Mythos 5.2 模型性能对比图表
头图来源: 来源页面

模型概述与定位

Anthropic 发布了 Claude Fable 5.2 和 Claude Mythos 5.2,这是其面向最艰巨技术挑战的旗舰模型。两者基于同一底层模型,但 Fable 版本配备了更强的网络安全和生物安全防护措施,可向所有用户开放;而 Mythos 版本则面向从事网络安全或生物医学研究的组织,需通过 Anthropic 的生命科学和网络验证项目申请访问。

新模型在多个关键维度上实现了显著进步:

  • 输出速度比前代 Fable 5.1 和 Mythos 5.1 提升最高 30%
  • 价格更低:输入每百万 token 8 美元,输出每百万 token 40 美元
  • 提供可选的快速模式,token 生成速度可提升至 2.5 倍,价格为输入每百万 token 16 美元,输出每百万 token 80 美元

安全与对齐

为确保安全与对齐能力与模型能力的增长保持同步,Anthropic 对 Fable 5.2 和 Mythos 5.2 的底层模型进行了广泛的预发布安全测试。这包括开发新的评估方法,以更深入地洞察沙箱逃逸等特定令人担忧的行为。

测试结果表明,高风险的错位风险仍然较低,模型在大多数对齐指标上的表现与近期模型持平或更优。Fable 5.2 的网络和生物安全防护措施与 Fable 5.1 同样强大,但产生了更少的不必要阻断。此外,Anthropic 实施了有史以来最强大的蒸馏攻击防护措施。

使用场景与模型选择

Fable 和 Mythos 最适合最宏大、开放式的技术工作。对于大多数编程和知识任务,Anthropic 建议用户从 Claude Opus 5.5(最强日常驱动模型)开始,然后根据工作的范围和复杂性切换到不同模型——向上到 Fable 或 Mythos,或向下到 Claude Sonnet 5.5 或 Claude Haiku 5.5。

Fable 5.2 还可以扮演两种角色:

  • 顾问:Haiku、Sonnet 或 Opus 模型可咨询它以帮助解决更难的问题
  • 协调者:它将更简单的任务委托给较小的模型

基准测试表现

Claude Fable 5.2 和 Mythos 5.2 在几乎所有评估的能力上都超越了 Opus 5.5。以下是一些关键基准测试的对比:

智能编程

  • FrontierCode 2.0:Fable 5.2 在 Xhigh 努力度下达到 49.1%,是所有已测试模型中最高分。在 High 努力度下,它以约 Opus 5.5 一半的成本获得了相近的分数(45.3% vs 45.5%)。
  • FrontierSWE v2:Fable 5.2 得分 69.9%,领先于 Opus 5.5 的 62.3% 和 GPT-6 Astra 的 65.5%。

业务工作流

  • AutomationBench:Fable 5.2 得分 51.4%,远超 Fable 5.1 的 31.4% 和 Opus 5.5 的 42.5%。

智能科学研究

  • Terminal-Bench-Science:Mythos 5.2 得分 75.3%,高于 Opus 5.5 的 52.6% 和 GPT-6 Astra 的 58.7%。

网络安全

  • CyScenarioBench:Mythos 5.2 得分 76.3%,高于 Fable 5.1 的 61.7% 和 GPT-6 Cyber 的 67.6%。
  • CVE Rediscovery:Mythos 5.2 得分 89.6%,高于 Fable 5.1 的 78.3%。

蛋白质设计

  • De novo binder design (24 hr):Mythos 5.2 得分 85.1%,高于 Fable 5.1 的 79.1%。

智能搜索

  • WANDR:Fable 5.2 得分 82.1%,高于 Opus 5.5 的 72.3% 和 Fable 5.1 的 68.7%。

计算机使用

  • OSWorld 2.1:Fable 5.2 得分 89.3%,高于 Opus 5.5 的 87.2% 和 GPT-6 Astra 的 79.5%。

机器人学

  • RoboDojo Sim:Fable 5.2 得分 64.9%,远超 Fable 5.1 的 27.6% 和 Opus 5.5 的 39.4%。

知识工作

  • AA-Briefcase v1.1:Fable 5.2 得分 66.1%,高于 Opus 5.5 的 61.2% 和 GPT-6 Astra 的 52.0%。Elo 评分 1785,高于 Opus 5.5 的 1800(但低于 GPT-6 Astra 的 1569?此处原文有矛盾,但按原文数据)。
  • Remote Labor Index (RLI):Fable 5.2 得分 41.3%,远超 Fable 5.1 的 17.9% 和 Opus 5.5 的 21.3%。

多学科推理

  • Humanity's Last Exam (with tools):Fable 5.2 得分 74.2%,高于 Opus 5.5 的 67.7% 和 GPT-6 Astra 的 57.2%。

视觉图表识别

  • Chartography (no tools):Fable 5.2 得分 73.4%,高于 Opus 5.5 的 64.4% 和 GPT-6 Astra 的 71.0%。

效率与成本

Fable 5.2 在 Medium 努力度下(Claude 应用和 Claude Code 的默认设置)可以用更少的 token 完成具有挑战性的任务。在 FrontierCode 2.0 评估中,Fable 5.2 在 High 努力度下与 Opus 5.5 在 Max 努力度下的得分相当,但每个任务的成本大约只有一半。在 Xhigh 努力度下,它获得了所有已发布模型中的最高分。

具体效率对比:

  • FrontierCode 2.0:Fable 5.2 在 High 努力度下以约 Opus 5.5 一半的成本获得相近分数
  • WANDR:Fable 5.2 在 Medium 努力度下以约 Opus 5.5 40% 的成本匹配其最高分
  • BenchCAD 2.1:Fable 5.2 在 Max 努力度下得分 83.5,远超 Opus 5.5 的 65.3 和 Fable 5.1 的 44.4
  • Humanity's Last Exam:Fable 5.2 在 Low 努力度下以不到 Opus 5.5 十分之一的成本匹配其最高分
  • Chartography:Fable 5.2 在 Medium 努力度下得分 66.4%,超过 Opus 5.5 在 Max 努力度下的 64.4%,成本不到其十分之一

实际应用案例

编程

Anthropic 核心代码库中超过 90% 的合并更改现在由 Claude 编写(在人类指导下)。Fable 5.2 已被用于:

  • 在几分钟内修复顽固错误
  • 优化所有服务的性能
  • 完成高价值的软件项目,这些项目原本因太慢或成本太高而无法尝试

一个使用早期版本 Fable 5.2 的智能体团队将关键生产服务从 Python 迁移到了 Rust——该服务现在更高效、更可靠,启动速度提高了约 26 倍。

操作系统设计实验

作为一项实验,一位 Anthropic 工程师让 Fable 5.2 设计一个原型操作系统。从空文件夹开始,该模型协调了超过 1000 个子智能体,连续工作八天编写、测试和审查代码。它最终产出了一个可在笔记本电脑上启动的操作系统,包括:

  • 自己的内核
  • 磁盘、键盘和网络驱动程序
  • 永久文件存储
  • 窗口系统
  • 登录屏幕
  • 安装程序
  • 内置的 Claude 功能

早期测试者反馈

多家公司的早期测试者对 Fable 5.2 的编程能力印象深刻:

  • Vercel 的 Joe Haddad 表示:“模型理解我每个提示背后的意图,我从未需要说‘不,我的意思是……’。我们与其他模型推进了数周的项目,用 Claude Fable 5.2 在几天内就完成并获得了团队批准。”
  • Shopify 的 Tom Pritchard 称:“Claude Fable 5.2 擅长将松散的想法细化。它的回答经过深思熟虑,几轮对话后我几乎总能说‘好,去做吧’,并相信它能以很少的干预完成。感觉就像与另一位高级工程师合作。”
  • Datadog 的 Matt Lee 表示:“你可以把 Claude Fable 5.2 扔到它从未见过的新模糊系统中,它会弄清楚如何实际在其中工作。它几乎像一个事件指挥官,可以派出更快的模型获取快速信号并进行协调,这减轻了我作为操作员的负担。”
  • Unity 的 Sam Zhang 指出:“Claude Fable 5.2 可以完成以前模型难以完成的任务。最明显的例子是从头构建更高质量的 3D 场景和从视觉参考重建体验。它在更困难的游戏开发任务上非常强大,会不断迭代和改进,而不是卡住。”
  • Uber 的 Andrew Mager 提到:“我让 Claude Fable 5.2 运行了一次 10-12 小时的安全审计。它派出了大约 170 个审查智能体,并返回了报告、修复拉取请求和政策提案。它会一直工作到任务实际完成,而不是停在看似合理的检查点。它的自我修正和对差距的诚实给我留下了深刻印象。”

原标题:Claude Fable 5.2 and Mythos 5.2。 HN 原始发布时间:2026年11月10日星期二。当前记录为 969 分、6 条评论。

阅读原文 · 查看 HN 讨论