Claude Fable 5.2 登顶：65 分、单发做游戏，和一份 $26.54 一单的账单

11 月 9 日，Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2——同一个底层模型的两个面孔。放在 Artificial Analysis 的 734 台仪器里跑一遍，它拿下 Intelligence Index 65 分，历史第一。但同一份页面的另外三个排名更刺眼：性能 #71/72、成本 #73/73、冗余度 #72/73。这篇文章拆五件事：这 65 分是怎么来的、Anthropic 自己的验收成绩单、基准表里哪些提升是真的、一个开发者怎么用一条提示词让它一晚上做完一个街机游戏、以及这份 $26.54 的账单到底该怎么算。所有数字都来自 AA 页面、官方博客与公开实测复盘的原文口径。

---

一、65 分登顶：AA 第一名的账面与盲区

Artificial Analysis 的页面把这次发布写得很直白：Fable 5.2 (Max) 在 Intelligence Index v5.0.1——一套由 AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2 (Hard Subset)、Terminal-Bench-Science 0.1 九项评测组成的综合指数——拿到 65 分，在 74 个新增模型中排 #1，中位数是 40。页面同时给出技术规格：推理版模型、支持文本与图像输入、1M 上下文（约合 1500 页 A4），与同档位 237 个模型放在同一坐标系里对比，四个维度的表现都以「满分 4 档」的档位口径呈现。

但往下拉三行，排名完全翻转：

维度	排名	实测值	同类中位
智能	#1 / 74	65 分	40
性能（首 token）	#71 / 72	215.95s	—
输出速度	—	98 tok/s	—
单任务耗时	—	46.4 分钟	12.7 分钟
成本	#73 / 73	$26.54 / 任务	—
冗余度	#72 / 73	275M 输出 token	72.8M

Artificial Analysis 自己的措辞很克制："intelligence 领先，但价格上特别贵，单任务明显慢，而且非常 verbose。"最贵、最慢、最啰嗦——三个最差排名，配上一个最好排名，构成 Fable 5.2 的第一层矛盾。同一页面还给出两个容易被划过去的数字：缓存折扣 98%、输出 / 输入比 0.97%。缓存折扣说明它的成本结构把重心压在缓存侧；输出 / 输入比从侧面解释了「$26.54 一任务」为什么贵——不是单价高一点，而是每个任务又重又费。

方法论上还有一层"公平性"细节值得交代：AA 的比较不是全宇宙大混战，而是按模型类别分组——推理模型与非推理模型分开，开放权重按参数规模分档（≤4B / 4–40B / 40–150B / >150B），闭源模型则与同价位区间的对手对比（<$0.15、$0.15–1、>$1 每百万 token），输入输出按 3:1 混合计价。Fable 5.2 是推理版、1M 上下文（约 1500 页 A4），它的对照组就是"同价位里的推理模型"——也就是最贵的那一档。

第二个关键事实：Fable 与 Mythos 是同一个底层模型。Fable 带有强网络安全与生物防护，所以向所有用户开放；Mythos 没有这些防护（或防护较弱），只通过新扩展的"生命科学与网络验证计划"申请开放。所以读到的一切基准数字，严格说测的都是"带护栏的 Fable"——而无护栏的 Mythos 5.2 在部分项目上反而更高（Terminal-Bench-Science 75.3 vs 74.6、CVE Rediscovery 89.6 vs 78.3/81.3、de novo binder 85.1 vs 82.6）。

---

二、发布背后的「实战验收」：Anthropic 自己的成绩单

官方发布博客给的不是跑分，而是一串 prerelease 测试里的实战战果：帮自家工程师完成了原本不可行的软件迁移；从零设计出三台可运行的电子设备；在黑洞物理学里解决了两个开放问题；在机器人评测上取得实质进展；还把费马大定理的证明形式化，用时 30 小时。

这些描述的价值不在"AI 很厉害"，而在于它们全部属于开放式、长周期、跨领域的任务——正好是 Fable/Mythos 的定位区，也是 Opus 5.5 这类"日常 driver"覆盖不到的地方。官方同时强调两个质量信号：5.2 系模型"沟通比过去的 Fable/Mythos 更清楚"；输出速度比 5.1 快最高 30%，价格反而更低。

安全侧的表述同样具体：发布前跑了大量 prerelease 安全测试，其中包含针对"沙箱逃逸"这类具体风险新开发的评测；结论是"高风险错位的风险仍然很低，模型在大多数对齐指标上达到或超过近期模型"。护栏的演进方向更值得注意——5.2 的网安与生物护栏稳健性与 5.1 持平，但误拦更少，并且部署了"史上最强"的反蒸馏攻击保护。换句话说，护栏正在从"宁可错杀"走向"精准拦截"，这也是"带护栏没有削弱能力"的另一种注脚。

另一个信号藏在使用建议里：官方一方面强调 5.2 系"沟通更清楚、输出更快、价格更低"，另一方面把"最有野心的开放式技术工作"单独划给 Fable/Mythos——这是主动的产品分层，而不是能力不够的托词。能力上限与工程可用性，在定价页上被摆到了同一张桌子上。

---

三、基准表：哪些提升是真的，哪些是代际噪音

把官方基准表拆开看，Fable 5.2 相对 Opus 5.5 与上一代 Fable 5.1 的变化可以分成三类。

第一类：断层式提升。 RoboDojo Sim 从 Fable 5.1 的 27.6% 跳到 64.9%——仿真机器人任务翻倍还多；OSWorld 2.1 从 83.5% 到 89.3%（离线子集口径）；FrontierSWE v2 从 56.3%（5.1）到 69.9%，同时把 Opus 5.5 的 62.3% 和 GPT-6 Astra 的 65.5% 甩在身后。AA-Briefcase v1.1 还有更细的对比：rubric 评分 66.1% 对 Opus 5.5 的 61.2%，Elo 1785 对 1669——这是带评分规则的知识工作，也是 AA 九项指数里的权重项。

第二类：反超与落后并存。 FrontierCode 2.0 (Xhigh effort) 49.1%，压过 Opus 5.5 的 45.5%、Astra 42.8%、Gemini 4 Carbon 41.1%；但 AutomationBench 51.4% 虽然大幅超过 5.1 的 31.4%，却被 Gemini 4 Carbon 的 53.9% 反超——AI 前沿第一次出现"单项冠军易主"的搅局者。搜索侧的 WANDR 82.1% 也明显高于 Opus 5.5 的 72.3% 与 5.1 的 68.7%。

官方表格本身也藏着读数方法：同一行里常并列 Fable 5.2 与 Mythos 5.2，甚至 5.1 的两个版本（带护栏 / 无护栏）——同一张表既比能力，也顺手做了「护栏成本」对照组。这种把护栏当作独立变量摆上正文的做法，在头部实验室的发布里并不常见，也是本文把三组数据并列比较的前提。

第三类：护栏的代价。 CyScenarioBench 76.3%（Mythos 5.2），高于 5.1 无护栏版 61.7% 与 5.1 带护栏版 61.7%；CVE Rediscovery 89.6%（Mythos 5.2）对 5.1 的 81.3%——带护栏没有削弱安全能力，这一点和"安全对齐"的叙事吻合。

官方给的使用姿势还多了一层角色设计：Fable 5.2 可以当 Advisor（Haiku / Sonnet / Opus 向它咨询难题）或 Orchestrator（把简单任务委派给小模型）——这是把"一个模型一个用法"升级成"模型分工"的产品思路。最值得记住的一句话依然是官方对使用姿势的定位："Fable 和 Mythos 最适合最有野心的开放式技术工作。多数编码与知识任务，从 Opus 5.5 开始，再按范围上下切换。"价格是 $8/$40 输入输出，fast mode $16/$80、速度 2.5 倍——相对 5.1 的 $10/$50 是降价，相对 Opus 5.5 的 $4/$20 是翻倍。

---

四、一个晚上的游戏：one-shot 流水线全解剖

最生动的实测来自开发者 Lex Toumbourou 的公开复盘。任务背景：侄子 Aiden 用铅笔画了完整"游戏设计文档"——5 个可选英雄（含家里的狗 Doggo）、12 个 boss、一条救小狗 Pudding 的主线。6 月版本用 Opus 4.8 + Fable 5 做，能玩，但"不值得玩超过两分钟"。

Fable 5.2 的早期体验资格下来后，他在睡前放出一条提示词。提示词的结构本身值得拆解：明确目标（“帮我做完这个游戏，尽量好玩，像现代忍者神龟街机”）、指定外部工具与密钥路径（ChatGPT Images 2.5 出图、ElevenLabs 配音效）、给出素材位置（扫描件目录）、设定交付标准（“用你自己的判断，把它做成你能做到最好的游戏”），最后还加一句"别怕毁掉已有的东西，该从头来就从头来"。作者后来注明，这句"打鸡血"式的措辞出自一篇讲"调整 agent 心态"的工程文章——在 Fable 5.2 时代他不确定还灵不灵，“但反正没坏处”。

真正可迁移的是这句提示词的约束方式：把「可以调用什么工具、素材在哪、交付到什么程度」全部写清，同时留一句「该重写就重写」——前者防跑偏，后者给它推翻既有资产的许可。长任务里最贵的从来不是生成，而是方向；方向对了，重写反而是捷径。

早上醒来：游戏完成了。流水线的关键数字值得逐项拆：

• 约 175 张图片 + 140 条音频生成；
• 模型自写了一个机器人来玩这款游戏，用无头浏览器跑完全部 12 关并逐屏检查截图；
• 它扔掉并重写了 6 月版本的大部分代码，补上了没要求过的过场动画、可打碎的木箱、结局；
• 4 个 PS4 手柄插进 MacBook，四个孩子同屏实测，侄子说"和我想象的一模一样"。

这个案例的测试价值不在"AI 会做游戏"，而在三点：①自检闭环出现了——模型第一次能自己当自己的 QA，用可执行程序验证产出；②跨模态流水线成熟——文本提示词直接调度图像与语音 API，产出可交付资产；③旧版本被推翻而非修补——说明长任务里"重写"往往比"迭代"更接近正确答案。

后半段实测还暴露了边界：首轮 playtest 里，大侄子 Owen 觉得自己的角色缺一个"Hulk Smash"招式（Aiden 给 Owen设计的水系能力基于他最喜欢的 T 恤，花了很多心思），最后双方各让一步。人负责品味与优先级，模型负责执行——这是"人机分工"最直白的一帧。

---

五、定价悖论：$26.54 一单，谁来买单？

把账单算细。AA 实测单任务 $26.54，同类中位价（$2/$10 输入输出）约为它的十分之一。Fable 5.2 的 $8/$40 是 Opus 5.5（$4/$20）的整整两倍，但相对 5.1 的 $10/$50 又降了 20%——它处在"新旗舰定价下移、老旗舰继续下探"的挤压带。

更值得算的是缓存读取经济学：Fable 5.1 时代缓存读价 $1、5.2 降至 $0.25（−75%），而 agent 编码里 96%–99% 的 token 消耗是缓存读取、命中率 90%–100%——名义价格不变甚至下调时，真实单次任务成本可以下降 70%–75%。Fable 5.2 又走了一步：输出比 5.1 快 30%，fast mode 再快 2.5 倍。性能维度的"慢"未必等于成本维度的"贵"，这正是 AA 排名与钱包之间的错位。AA 页面给出的缓存折扣是 98%，这意味着缓存读价几乎可以把「贵」重新定义一遍。

fast mode 的账也要算：$16/$80 名义价翻倍，但 2.5 倍速度意味着单任务耗时从 46.4 分钟压到不足 19 分钟——对按时间计价的场景，这是另一种形式的"便宜"。

把它放回 AA 的 734 模型池里看会更清楚：$8/$40 落在「>$1 每百万 token」的顶端档，而它对照的是同价位的推理模型——$26.54 不是"它贵"，而是这一档本来就贵；真正被低估的是缓存侧降价与输出提速对真实账单的修正。

对团队采购的直接含义分四档：

• 日常编码/知识任务：Opus 5.5（$4/$20）仍是官方指定起点；
• 有野心的开放技术工作（长周期 agent、跨模态生产、研究）: Fable 5.2 值得按任务算账，$26.54/AA 任务是上限而非典型值；
• 安全敏感与生物/网络双用途场景：Fable 是默认，Mythos 走验证计划；
• 延迟敏感场景：fast mode 或更小模型，别让 215s 首 token 卡住交互。

---

六、技术判断：五条可迁移的结论

①**“登顶"与"最好用"是两回事**——AA 的 65 分证明能力上限，三个 #72 附近的排名证明工程适用性；选型时先问"我的任务离它的成本最优区有多远”。②护栏开始不拖后腿：带护栏的 Fable 5.2 在安全类基准上不低于无护栏的 5.1，“安全 vs 能力"的跷跷板第一次出现同向移动——这是对齐工程的可信度信号。③自检闭环是 agent 的分水岭：自己写机器人跑完 12 关并看图找 bug，意味着"产出"的定义从代码扩展到"可验证的交付物”，验收标准应该从"代码写没写"改成"验收程序跑没跑"。④缓存价格是真实成本的主开关：agent 场景里 96%+ 的 token 走缓存，评估模型成本时先算缓存读价，再看名义输入输出价——75% 的缓存降价可以把"贵模型"变成"便宜模型"。⑤官方叙事开始承认"能力≠好用"：Anthropic 亲手把 Fable/Mythos 定位在"最有野心的开放式技术工作"，多数编码从 Opus 5.5 起步——头部厂商已经替用户把选型框架写好了。⑥案例的价值在边界：一条提示词能跑通 0→1 的完整交付，但"哪招该加"仍要人拍板——AI 负责把 0 到 1 跑通，人负责从 1 到 100 的品味与优先级。