跳到正文
The Decoder· Matthias Bastian·· 10 天前精選AI 評分84

Anthropic 的 Claude Fable 5.2 與 Mythos 5.2 重奪 AI 性能領先

Claude Fable 5.2 and Mythos 5.2 cement Anthropic's AI lead just before its IPO

AI 導讀

Anthropic 推出 Claude Fable 5.2 和 Claude Mythos 5.2,Fable 5.2 在 Artificial Analysis 的 Index v5 最高算力級別以 65 分居首。

推薦理由

文章並列 Fable 5.2 的基準排名與 Mythos 5.2 的漏洞測試結果,也交代兩款模型不同的安全限制及使用門檻。

正文 · 繁體中文

Anthropic 的 Claude Fable 5.2 和 Mythos 5.2 在公司 IPO 前不久重新奪回 AI 性能領先地位,部分情況下更大幅領先。Opus 5.5 仍是 Anthropic 推薦的日常使用模型。

Claude Fable 5.2 和 Claude Mythos 5.2 採用相同的模型基礎架構,但與前代一樣,兩者的使用權限有所不同。Fable 設有安全措施,會阻止涉及網絡安全和生物學的高風險任務,並開放予所有用戶使用。Mythos 則取消部分限制,只開放予透過 Anthropic 的網絡安全或生命科學驗證計劃提出申請的機構。

定價為每百萬個輸入 token $8、每百萬個輸出 token $40。至少從帳面價格來看,這比前代便宜;前代的定價分別為 $10 和 $50。用戶實際支付的金額取決於 token 用量,而用量會因應任務、設定和軟件環境而異。Anthropic 將新模型定位為應付最具挑戰性的技術工作,並繼續推薦 Claude Opus 5.5 作日常使用。

Anthropic 表示,這些模型的輸出速度最高比 Fable 5.1 和 Mythos 5.1 快 30 percent。部分機構可選用快速模式,令 token 輸出速度提升至最高 2.5 倍,但費用是兩倍,而且只適用於特定平台,包括 Claude Code、Claude Platform、Google Cloud 和 Microsoft Foundry。

Fable 5.2 在基準測試中大幅領先

Artificial Analysis 的基準測試顯示,Fable 5.2 明顯領先對手。在目前的 Index v5最高運算層級中,它以 65 分排名第一,比 Gemini 4 Carbon(60,High tier;Google 至今仍未推出這款模型)高五分,比 Claude Opus 5.5(59,Max tier)高六分,更比 Claude Fable 5.1 高出 15 分;Fable 5.1 只在 9 月初推出。

Fable 5.2 erzielt laut Artificial Analysis in fünf von neun Einzeltests Bestwerte, darunter 80 Prozent im HLE-Diamond und 73 Prozent im Terminal-Bench-Science. Bei agentischer Wissensarbeit und terminalbasiertem Programmieren fällt das Modell dagegen hinter Konkurrenten wie Kimi K3.1 Pro und Gemini 4 Carbon zurück.
據 Artificial Analysis 的資料,Fable 5.2 在九項個別測試中有五項得分最高,包括 HLE-Diamond 的 80 percent 和 Terminal-Bench-Science 的 73 percent。在代理式知識工作和以終端機為基礎的程式編寫方面,Fable 5.2 則落後於部分競爭對手。| 圖片:Artificial Analysis

據 Artificial Analysis 的資料,Fable 5.2 在九項個別測試中有五項得分最高。在考核專家級學術問題的 HLE-Diamond 測試中,它取得 80 percent;在 Terminal-Bench-Science 測試中取得 73 percent,該測試評估 AI agent 能否在終端機中獨立執行科學工作流程;在 FrontierCode 2.0 測試中取得 49 percent,該測試評估 agent 能否在真實的開源專案中提交實用的程式碼修改。

Fable 5.2 在代理式知識工作和以終端機為基礎的程式編寫方面表現較弱。在評估多步驟知識工作任務的 AA-Briefcase 基準測試中,它取得 1,785 Elo,略低於 Claude Sonnet 5.5(1,813),並落在 Opus 5.5(1,800)的信賴區間內。在衡量軟件開發和安全等範疇多步驟終端機任務的 Terminal-Bench 4.0 中,它取得 60 percent,與 Opus 5.5 同分。Kimi K3.1 Pro(67 percent)、Gemini 4 Carbon(65 percent)和 Sonnet 5.5(64 percent)的排名較高。

最高品質也有代價。最高級別的每項任務平均成本為 $26.50,約為 Opus 5.5($10)的 2.6 倍,亦約為 Fable 5.1($12.99)的兩倍。據 Artificial Analysis 指出,Fable 5.2 在較低的 High 和 Xhigh 級別,於 Intelligence Index 仍取得 62 分,高於其他模型在任何級別的分數,同時消耗的 token 少得多:每項任務輸出 98,000 個 token,而 Opus 5.5 在 Max 級別則輸出 173,000 個。

Anthropic 基準測試結果 Fable 5.2 Fable 5.1 Opus 5.5 GPT-6 Astra Gemini 4 Carbon
代理式編碼
FrontierCode 2.0
49.1%
Xhigh 推理力度
32.4%
Xhigh 推理力度
45.5% 42.8% 41.1%
中等推理力度
代理式編碼
FrontierSWE v2
69.9% 56.3% 62.3% 65.5% 61.2%
商業工作流程
AutomationBench
51.4% 31.4% 42.5% 41.4% 53.9%
代理式科學研究
Terminal-Bench Science 0.1
74.6%
75.3% (Myth 5.2)
52.6% 58.7% 68.1% 64.8%
網絡安全
CyScenarioBench†
76.3%
Myth 5.2
61.7%
Myth 5.1
67.6%
未設安全防護
61%
GPT-6 Cyber
—
網絡安全
CVE Rediscovery
89.6%
Myth 5.2
78.3%
Myth 5.1
81.3%
未設安全防護
— —
蛋白質設計
從頭設計結合蛋白(24 hr)
85.1%
Myth 5.2
79.1%
Myth 5.1
82.6%
未設安全防護
— —
代理式搜尋
WANDR(寬鬆評分)
82.1% 68.7% 72.3% — —
電腦操作
OSWorld 2.1(離線集,部分題目)
89.3% 83.5% 87.2% 79.5% 81.5%
機械人技術
RoboDojoSim‡
64.9% 27.6% 39.4% 29.8% —
知識工作
AA-Briefcase v1.1
66.1%
評分準則
61.5%
評分準則
61.2%
評分準則
52.0%
評分準則
61.8%
評分準則
1785
Elo
1669
Elo
1800
Elo
1569
Elo
1611
Elo
知識工作
Remote Labor Index (RLI)
41.3%
高推理力度
17.9% 21.3% 20.8% —
多學科推理
Humanity's Last Exam(使用工具)
74.2% 65.6% 67.7% 57.2% —
視覺圖表辨識
Chartography(不使用工具)
73.4% 44.8% 64.4% 71.0% 72.5%

Mythos 5.2 找出的安全漏洞遠多於所有前代模型

新模型亦在目前引起激烈討論的網絡安全領域創下紀錄。Anthropic 表示,Mythos 5.2 找出的漏洞比先前模型更多,也更擅長重現和修復漏洞。公開提供的版本 Fable 會封鎖大部分與安全相關的任務,包括滲透測試和生成漏洞利用程式碼。Opus 4.8 則會回應遭封鎖的網絡安全要求,而 Opus 5 會回應遭封鎖的生物學要求。

Anthropic 使用一項名為 CVE Rediscovery 的內部測試,檢查模型在獲提供修補前的項目狀態時,能否自行找出 CVE 資料庫(Common Vulnerabilities and Exposures,即用於編目已知軟件漏洞的系統)中多少項已發布的漏洞。

CVE Rediscovery:Claude Mythos 5.2 在所有運算級別中,自行找出已知漏洞(CVE)的表現均勝過 Claude Opus 5.5 和 Claude Mythos 5.1。這項內部網絡安全測試使用 1,829 個 CVE,衡量模型能否在修補前的項目快照中自行找出漏洞。| 圖片:Anthropic

Anthropic 表示,在 2026 年 10 月使用 1,829 個 CVE 進行的一輪測試中,Mythos 5.2 找出的漏洞比 Opus 5.5 多 10.2 percent,比 Mythos 5.1 多 14.4 percent。它在所有運算級別均領先。Anthropic 指出,一間網絡安全公司報告稱,Mythos 5.2 找到並獲確認的漏洞中,每六個就有一個是所有其他受測前沿模型都漏掉的。

Anthropic 限制可能加快 AI 開發的能力

Anthropic 表示,在訓練期間,該公司刻意限制模型提升某些能力,因為這些能力最有可能直接加快 AI 發展,也就是所謂的 RSI,這是目前廣泛討論的一項風險。該公司表示,Fable 5.2 和 Mythos 5.2 在為加速器晶片最佳化運算核心,以及改進大型語言模型架構等方面,表現大致與 Opus 5.5 相當。

Anthropic 表示,Agent 編碼、硬件開發,以及包括可解釋性研究在內的傳統 AI 研究等相關能力,均不受影響。該公司表示,在人類指導下,Claude 撰寫了 Anthropic 核心程式碼庫中超過 90% 已合併的改動。Anthropic 亦聲稱,該模型在一項內部測試中從零編寫了一個作業系統。

Claude Fable 5.2 用 30 小時將費馬最後定理形式化

最有可能引起最多關注的例子,再次來自數學領域。Anthropic 表示,約 1,000 個 Fable 5.2 Agent 完整形式化了費馬最後定理的證明,並將其轉換為 Lean 程式語言,讓電腦可以逐步驗證。

費馬最後定理指出,熟悉的方程式 a² + b² = c² 在更高次方(高於平方)的情況下沒有整數解。數百年來無人能證明這一定理,直到 Andrew Wiles 在 1995 年提出一份超過一百頁的證明。如今,這項證明首次完成機器驗證,耗時 30 小時。

Anthropic 表示,Claude 較早期、未公開的研究版本完成同一項任務需時 11 天,而且依賴專門建置的環境,以及一名人類研究員的指導。Fable 5.2 的 Agent 只收到簡短指示,便自行安排協作,並未使用任何數學參考資料。唯一的進度指標是一份中間引理清單。該模型使用的行動 token 數量只有首次嘗試的三分之一,產出的證明篇幅則只有前次的七分之一。

在數學程式語言 Lean 中形式化費馬最後定理的證明:約 1,000 個 Fable 5.2 Agent 在 30 小時後完成完整形式化(1.00),而 Opus 5.5 在相同時間內停滯於 0.27。兩次執行在 18 小時後均延長了 12 小時。| 圖片:Anthropic

Anthropic 以相同設定運行 Opus 5.5,並使用 1,000 個 Agent 作比較。Opus 在 18 小時內只完成 26% 的形式化工作,此後直到第 30 小時,進展亦寥寥可數。

沒有炒作的 AI 新聞——由人類精選

訂閲 THE DECODER,即可享受無廣告閲讀、每週 AI 電子報、每年六次獨家「AI Radar」前沿報告、完整檔案庫存取權,以及留言區使用權。

來源:The Decoder · the-decoder.com