新页面，2026 年 11 月 11 日
Anthropic 于 2026 年 11 月 9 日发布 Claude Fable 5.2 与 Claude Mythos 5.2。本页所有数字都在 11 月 11 日重新核对过官方发布稿与 Artificial Analysis 榜单，每张表下方都标注了来源和日期。
Fable 5.2 与 Opus 5.5 完整对比厂商数据 + 独立数据 · 2026 年 11 月 11 日核对
Claude Fable 5.2 基准测试
两张表、两个来源。第一张是 Anthropic 2026 年 11 月 9 日的官方发布表，五个模型跑在同一套 harness 上；第二张是 Artificial Analysis 的独立指数，2026 年 11 月 11 日读取。两张表都替你判断不了自己的业务负载——文末说明各自的边界在哪。
一句话结论
在 Anthropic 自己的表里，Fable 5.2 对 Opus 5.5 赢下 12 行中的 11 行：FrontierSWE v2 69.9% 对 62.3%（+7.6），Remote Labor Index 41.3% 对 21.3%（+20.0）；相对上一代，FrontierCode 2.0 从 32.4% 升到 49.1%（+16.7）。但它并非全面领先：Opus 5.5 仍守住 AA-Briefcase Elo（1800 对 1785），Gemini 4 Carbon 在 AutomationBench 上以 53.9% 高于 51.4%。首批独立数据方面，Artificial Analysis 的指数在 max effort 下 Fable 5.2 以 65 居首（Opus 5.5 为 59、Gemini 4 Carbon 为 60），代价是每个指数任务 $26.54，而 Opus 5.5 为 $10.04。
Anthropic 官方发布表（原样引用）
取自 Anthropic 2026 年 11 月 9 日发布稿的 12 行成绩：五个模型、同一套 harness，除单元格标注 effort 外均取各模型可用的最高 effort 并开启安全防护。厂商自测——harness、任务集和跑分都是 Anthropic 自己做的。
| Claude Fable 5.2 | Claude Fable 5.1 | Claude Opus 5.5 | GPT-6 Astra | Gemini 4 Carbon | |
|---|---|---|---|---|---|
| FrontierCode 2.0（智能体编码） | 49.1% (xhigh) | 32.4% (xhigh) | 45.5% | 42.8% | 41.1% (medium) |
| FrontierSWE v2（智能体编码） | 69.9% | 56.3% | 62.3% | 65.5% | 61.2% |
| AutomationBench（业务流程） | 51.4% | 31.4% | 42.5% | 41.4% | 53.9% |
| Terminal-Bench-Science 0.1（智能体科研） | 74.6% | 52.6% | 58.7% | 68.1% | 64.8% |
| WANDR 宽松口径（智能体搜索） | 82.1% | 68.7% | 72.3% | — | — |
| OSWorld 2.1 离线部分集（电脑操作） | 89.3% | 83.5% | 87.2% | 79.5% | 81.5% |
| RoboDojo Sim（机器人） | 64.9% | 27.6% | 39.4% | 29.8% | — |
| AA-Briefcase v1.1（知识工作，rubric 通过率） | 66.1% | 61.5% | 61.2% | 52.0% | 61.8% |
| AA-Briefcase v1.1（Elo） | 1785 | 1669 | 1800 | 1569 | 1611 |
| Remote Labor Index（知识工作） | 41.3% (high) | 17.9% | 21.3% | 20.8% | — |
| Humanity’s Last Exam（带工具） | 74.2% | 65.6% | 67.7% | 57.2% | — |
| Chartography（不带工具，图表识别） | 73.4% | 44.8% | 64.4% | 71.0% | 72.5% |
来源：Anthropic《Introducing Claude Fable 5.2 and Claude Mythos 5.2》，2026 年 11 月 9 日。原表中的 CyScenarioBench、CVE Rediscovery、de novo binder design 三行被有意剔除——它们比的是 Mythos 5.2 与“未开防护”的 Opus 5.5，不是 Fable 5.2 的成绩。effort 标注沿用原表：Fable 5.2 与 Fable 5.1 的 FrontierCode 2.0 为 xhigh，Fable 5.2 的 Remote Labor Index 为 high，Gemini 4 Carbon 的 FrontierCode 2.0 为 medium。破折号表示厂商未公布。
Artificial Analysis（2026 年 11 月 11 日读取）
发布两天后能读到的第一批独立评测。Intelligence Index v5.0.1 由九项评测合成：AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2 难题子集、Terminal-Bench-Science 0.1。分数取 AA 页面显示的整数。
| Intelligence Index v5.0.1 | 每个指数任务成本 | AA-Briefcase Elo | |
|---|---|---|---|
| Claude Fable 5.2（max effort） | 65 | $26.54 | 1785 |
| Claude Fable 5.2（xhigh） | 62 | $14.83 | 1738 |
| Claude Fable 5.2（high，API 默认） | 62 | $9.08 | 1677 |
| Claude Fable 5.2（medium） | 56 | $3.80 | 1622 |
| Claude Fable 5.2（low） | 54 | $3.10 | 1563 |
| Claude Opus 5.5（max） | 59 | $10.04 | 1801 |
| Gemini 4 Carbon（high） | 60 | $7.76 | 1611 |
| GPT-6 Astra（max） | 57 | $6.24 | 1569 |
| Claude Sonnet 5.5（max） | 55 | $10.02 | 1816 |
来源：Artificial Analysis 模型榜单（artificialanalysis.ai/leaderboards/models），2026 年 11 月 11 日读取。每任务成本是 AA 按其自身 token 用量与标价算出的加权平均，衡量的是 AA 那套 harness 上的花费，不是你的账单。Elo 为 AA-Briefcase v1.1，与 Anthropic 引用的是同一指标。AA 公布的是带小数的值，本页取整，所以 Opus 5.5 在这里是 1801，而上面 Anthropic 的表写的是 1800——两个来源，取整后是同一个数。
数字到底说明了什么
把两张表放在一起仍然成立的三条判断。
对 Opus 5.5 的领先是真的，但不均匀
差距集中在长程任务：Remote Labor Index +20.0 分、Terminal-Bench-Science +15.9、FrontierSWE v2 +7.6。到了电脑操作就收窄（OSWorld 2.1 只 +2.1），知识工作 Elo 上甚至反转——Opus 5.5 领先 15 分。独立口径下，AA 综合指数在 max effort 的差距是 6 分（65 对 59），方向与官方表一致，测的却是另一套 harness。表里还有一处值得注意：Sonnet 5.5 的 AA-Briefcase Elo 以 1816 居首，综合指数却低 10 分——单一 rubric 的 Elo 不等于排名。
effort 档位对分数的影响比换模型更大
Fable 5.2 在 AA 指数上随 effort 从 54 一路到 65，跨度 11 分，而 API 默认是 high。high 档 62 分、每任务 $9.08；max 档 65 分、$26.54；Opus 5.5 的 max 档是 59 分、$10.04。预算固定时，先扫 effort 档位往往比换模型更划算。
相对 Fable 5.1，它既是升级也是降价
FrontierCode 2.0 从 32.4% 升到 49.1%（+16.7），FrontierSWE v2 从 56.3% 升到 69.9%，同时标价下调 20% 至每百万 token $8/$40。Anthropic 还称输出速度最高快 30%、安全拦截比 5.1 少约 55%。两代模型在 AA 指数上无法直接比较：Fable 5.1 已被标记为 deprecated，没有当前指数分数。
这两张表不会告诉你的五件事
引用本页任何数字之前，先看这一节。
第一张表是厂商自测
harness 由 Anthropic 设计，任务由 Anthropic 挑选，模型由 Anthropic 运行。这不等于数字有假，但厂商表回答的是“这个模型在我们的评测上能做到什么”，而不是“它能不能在你的活上赢过替代方案”。第一张表里没有哪一行被逐项独立复现过。
只能在同一张表内部比较
FrontierCode 2.0 在两张表里都出现，数字却不同：Anthropic 是 49.1%，AA 的 FrontierCode-AA 2.0 在 max 档是 48.8%。同一类任务、不同脚手架、不同判分。同理，Anthropic 的 Humanity’s Last Exam 74.2% 与 AA 的 HLE-Diamond 80.2% 是两项不同的测试，不是互相矛盾。
发布稿里最抢眼的几个数字属于 Mythos，不是 Fable
CyScenarioBench 76.3%、CVE Rediscovery 89.6%、de novo binder design 85.1 都是 Claude Mythos 5.2——同一底层模型去掉网络安全与生物安全防护后的版本，只提供给通过审核的机构。Fable 5.2 的防护会拦下其中大部分任务，把这些数字当成 Fable 5.2 的成绩是错的。
竞技场 Elo 暂缺
截至 2026 年 11 月 11 日，我们读不到 Fable 5.2 的人类偏好 Elo：LMArena 榜单会跳转到 arena.ai 并触发人机校验，公开的 SWE-bench 榜单上也没有 Fable 5.2 的条目。目前可用的独立数据只有 Artificial Analysis 的指数；等我们能真正打开、且页面上确实出现竞技场或 SWE-bench 数字时再补。
每任务成本不等于你的成本
AA 的 $26.54 是按标价和它自己的 token 用量在 max 档算出来的。你的任务形态、缓存命中率、批量折扣和 effort 设置会让这个数成倍变化——一个高命中缓存、走 Batch、用 high 档的负载可能低一个数量级。
本页所有数字均在 2026-11-11 重新核对。价格取自模型注册表；基准分数一律按原文引用，不做二次计算。
把分数和价格放在一起再决定
基准领先值多少钱，取决于它替你省下多少。对比页有完整的规格与成本视角，计算器可以按你自己的 token 量算账。