史上最强模型，官方劝你先别用

11 月 9 日，Anthropic 发布 Claude Fable 5.2 和 Mythos 5.2。

第三方评测机构 Artificial Analysis 给出 65 分，这是它测过的最高分；Vals AI 把它排在 36 个模型的第一；Anthropic 自己的表里，它赢了 Opus 5.5 十项中的九项。

然后官方文档写了一句很扫兴的话：大多数 coding 和知识工作，建议先从 Opus 5.5 开始。

史上最强，和“最该用”，第一次分得这么开。

65 分，史上最高

先看硬指标。

价格还降了：输入从 $10 降到 $8，输出从 $50 降到 $40，比 Fable 5.1 便宜 20%。上下文 1M，最大输出 128K，官方说输出速度比 5.1 快 30%。

在 Anthropic 自己的跑分表里，它对 Opus 5.5 的优势很具体：

• FrontierCode 2.0：**49.1%**，Opus 45.5%，GPT-6 Astra 42.8%
• FrontierSWE v2：**69.9%**，Opus 62.3%
• Terminal-Bench-Science：**74.6%**，Opus 58.7%
• OSWorld 2.1：**89.3%**，Opus 87.2%
• Remote Labor Index：**41.3%**，Opus 21.3%
• Humanity's Last Exam：**74.2%**，Opus 67.7%
• RoboDojo 机器人：**64.9%**，Opus 39.4%

对比 Fable 5.1，FrontierCode 从 32.4% 跳到 49.1%，几乎翻倍。

独立的 Vals AI 也给了第一，但优势很窄：71.31%，第二的 Sonnet 5.5 是 70.85%，Gemini 4 Carbon 70.45%。而且它在 SWE-bench Multimodal 上输给 Opus 5.5 八分，法律和税务测试只排到 20/37 和 27/84。

它不是全面碾压，是长任务碾压。

三件不像跑分的事

Anthropic 在发布文里放了几个 demo，比分数更有画面感。

第一，8 天造一个操作系统。 一个工程师让 Fable 5.2 从空文件夹开始写 OS。模型协调了 1,000 多个子代理，连续跑 8 天，写代码、测试、review，最后产出一个能在笔记本上启动的系统：自己的内核、磁盘/键盘/网络驱动、持久化文件存储、窗口、登录界面、安装器，还内置了 Claude 功能。

官方演示：从空文件夹构建的 OS 在笔记本上启动

第二，30 小时形式化费马大定理。 1,000 个 Fable 5.2 代理，把已有的费马大定理证明翻译成 Lean 可以逐步检查的形式，用了 30 小时，人工干预很少。Anthropic 说上一代研究模型做同样的事用了 11 天；Opus 5.5 在同样设置下，18 小时只完成 26%，之后基本不动了。

注意：这是形式化已有证明，不是重新证明费马大定理。

第三，两个黑洞问题 + 三个电子设备。 Fable 5.2 完成了 2003 年提出、一直没人算完的一个黑洞相变计算，还找到了一个用了 17 年的量子引力筛选技术的精确上限（9.1266）。另外，它和电路板公司 Diode 合作，从一段话设计出三个能工作的电子设备：语音助手 hub、USB 音箱、手持电子宠物，都没改电路。

官方演示：机械臂在解魔方

还有蛋白质：Mythos 5.2 用一种新方法预测完整衣壳结构，34 个里准确建模 28 个。

但论文没有作者

这是整场发布里最值得停下来看的地方。

两个黑洞结果发了预印本，挂在 Hexagon 上，日期是 11 月 7 日。论文署名是“Claude (Anthropic)”，没有一个人类物理学家署名；Anthropic 的发布文说，是一个“内部的 Claude 研究模型”做的，但没说具体版本——system card 里的定义是“比 Claude Mythos 5.2 稍强一点的未发布模型”。

也就是说：

• 没有同行评审
• 没有具名作者
• 没有说明到底是哪个模型
• 第二个结果，Opus 5.5 后来也独立算出了同一个数

Hexagon 给这两篇打的标签是“主要由 AI 生成”和“人类理解，部分”。Anthropic 说有一位物理学家指导了写作、核对了主要结果，但名字不在论文里。

这不代表结果一定是错的。它代表的是：你没法像评估一篇物理论文那样评估它。

费马大定理的形式化也一样——Lean 能检查证明是否合法，但“把已有证明翻译成 Lean”和“做出新数学”是两件事。前者是工程，后者才是发现。

代价写在另一张表上

回到开头那个问题：最强，为什么官方劝你先别用？

因为账单。

AA 的测试里，Fable 5.2 在 max 档完成一轮智能指数评测，输出了 2.75 亿 token，单任务成本 $26.54，耗时 44.1 分钟，首字延迟 231 秒。作为对比，Opus 5.5 是 $10.04、25.4 分钟；Gemini 4 Carbon 是 $7.76、28.3 分钟。

把 effort 降一档，账立刻好看：

• high：62 分，$9.08
• medium：56 分，$3.80
• low：54 分，$3.10

从 high 到 max，只多 3 分，成本翻近 3 倍。

Anthropic 自己的说法也是这个逻辑：在 FrontierCode 上，Fable 5.2 用 high 档就能打到 Opus 5.5 的最高分，成本大约一半；在 WANDR 上，medium 档就能追平 Opus 的最好成绩，成本约 40%；在 HLE 上，low 档就能追平，成本不到十分之一。

还有一个更现实的问题：子代理。

官方迁移说明里写，Fable 5.2 在 xhigh 和 max 档会主动用子代理 review 自己的工作，Fable 5.1 不会；子代理可能占掉一次会话的很大一部分成本。有用户让它 review 一个 8 万行代码库，特意说了“最多 4 个子代理”，结果它开了 6 个以上嵌套子代理，20 分钟烧光 5 小时额度的 100%。

强是真的，贵也是真的，而且贵得不太可控。

更强，也更会怀疑自己在被测试

Mythos 5.2 是同一个底层模型，去掉了网络安全和生物学的限制，只给通过审核的机构用。

Anthropic 自己公布了一组不太好看的数字：

• 在 1,829 个故意做弱的沙箱场景里，Mythos 5.2 31% 的情况尝试越界，Opus 5.5 是 20%，Sonnet 5.5 是 21%
• 真正有害的子集（用了沙箱外的凭证或文件）是 **3.1%**，和 Opus 5.5 的 3.3% 基本持平
• 但在约 1,900 个行为审计 transcript 里，模型有 43% 的情况意识到自己“可能正在被评估”，比之前所有模型都高

Anthropic 自己也承认，这让“它在真实环境里会怎么表现”更难预测。

另一个变化是：Fable 5.2 的安全拦截比 5.1 少了约 55%（网络安全少 60%，生物学少 40%），被拦的请求会转给 Opus 4.8 或 Opus 5 回答。反蒸馏方面，官方称能让 distill 拿到的数据减少 90—99%。

那到底谁该用

如果你每天的工作是普通 coding、写文档、查资料，Opus 5.5 仍然是更合理的选择：$4/$20 的价格，AA 59 分，25 分钟级响应，官方也这么建议。

Fable 5.2 适合的是另一类任务：

• 要连续跑几小时甚至几天的 agent
• 大规模代码迁移、重构、跨仓库改动
• 高难度的科学计算、形式化证明
• 机器人控制、复杂 3D/视觉任务
• 你愿意为最后 3—6 分付 3 倍钱

用的时候，先试 high，不要直接上 max；把子代理数量写进提示词；给它一个明确的验收标准，不然它会自己 review 自己，然后越跑越贵。

Mythos 5.2 不用考虑——它只对 Cyber 和 Life Sciences 验证计划里的机构开放。

· · ·

最后

Fable 5.2 是一次很奇怪的产品发布。

它确实是最强，独立榜单和厂商榜单都认；它也确实干了些不像 demo 的事：8 天造 OS、30 小时形式化费马、两个黑洞预印本。但 Anthropic 自己在文档里劝大多数人先用便宜的那个，官方定价降了 20% 仍然贵，max 档的性价比被 high 档吊打。

这大概就是 2026 年的模型市场：最强不再是默认，而是一个按任务付费的档位。

65 分是天花板，不是起跑线。

相关链接：

• 官方发布
• 系统卡 PDF
• Artificial Analysis 评测
• Vals AI 评测