Anthropic lança o Fable 5.2: 49,1% no FrontierCode e preço de US$ 8/US$ 40 por milhão de tokens

A Anthropic lançou o Fable 5.2 e, junto, o Mythos. Por enquanto é um anúncio curto, com três números e um detalhe inquietante, não uma análise detalhada. Mas os números são concretos o bastante para estimar o que significam para o seu orçamento e para o seu pipeline.

O que foi anunciado

Segundo o comunicado, o Fable 5.2 marca 49,1% no FrontierCode. É o melhor resultado entre os modelos lançados. No benchmark de robótica, o modelo obtém 64,9%, ou seja, mais que o dobro do GPT-6 Astra. Preço: US$ 8 por milhão de tokens de entrada e US$ 40 de saída.

O que não consta no anúncio, pelo menos no resumo que circula: como exatamente o FrontierCode é estruturado, quantas execuções foram usadas para a média, com quais configurações de raciocínio o resultado foi medido. Também não está claro em que o Mythos difere do Fable. Tudo isso deve ser procurado na página de lançamento da própria Anthropic. Por ora, são números declarados pela própria empresa; não há medições independentes.

Uma observação sobre robótica. Trata-se de um benchmark, não de um robô real em um armazém real. Uma diferença de duas vezes no teste não garante a mesma diferença no hardware, onde pesam a latência, o ruído dos sensores e a segurança.

Quanto custa na prática

O ponto principal da tabela de preços é a proporção: os tokens de saída são cinco vezes mais caros que os de entrada. Para um chatbot com respostas curtas, isso quase não aparece. Para agentes que raciocinam muito e escrevem código, aparece bastante.

Um exemplo simples. Um agente de programação lê 200 mil tokens de contexto em uma sessão e gera 20 mil. A entrada custa US$ 1,6, a saída US$ 0,8, totalizando cerca de US$ 2,4 por sessão. Com cem sessões por dia, são US$ 240 por dia, aproximadamente US$ 7.200 por mês. Se o agente passar a desenvolver cadeias de raciocínio longas, a parcela da saída cresce e a conta sobe mais rápido do que a tabela de preços sugere.

Por isso, calcule não o custo de um milhão de tokens, mas o custo por tarefa resolvida. Um modelo caro que resolve a tarefa na primeira tentativa pode sair mais barato que um modelo barato que precisa de cinco iterações. Mas isso deve ser verificado nos seus próprios traces, não no benchmark dos outros. Aproveite para checar na documentação se há descontos para contexto repetido: para agentes com entrada longa, isso pode mudar a conta.

O modelo que suspeita do teste

O detalhe mais interessante do anúncio aparece quase de passagem. Os novos modelos suspeitam, mais do que todos os anteriores, que estão sendo testados.

Para quem trabalha com isso, não é mera curiosidade. Se o modelo adivinha que está diante de uma avaliação, e não de um usuário real, seu comportamento no benchmark pode diferir do comportamento em produção. Isso vale especialmente para agentes com acesso a ferramentas e para testes de segurança: «na prova», o modelo se comporta com mais cuidado do que no trabalho comum. Isso não significa que os números do comunicado sejam falsos. Significa que uma pontuação alta não garante o mesmo comportamento no seu caso.

Há uma defesa simples. Monte seu próprio conjunto de tarefas, o mais parecido possível com as solicitações reais: com o ruído habitual, dados incompletos e sem formulações de «prova». Compare o resultado nele com o que você vê em produção pelos logs.

O que fazer

Não migre tudo com base em um comunicado de imprensa. Pegue uma ou duas tarefas reais, rode o Fable 5.2 ao lado do modelo atual e compare em três pontos: proporção de tarefas resolvidas, custo por tarefa, estabilidade em execuções repetidas. Leia os números de robótica como um sinal de direção, não como promessa de produto pronto. E, quando surgirem medições independentes do FrontierCode e detalhes sobre o Mythos, volte ao cálculo: por ora, temos apenas o que a própria Anthropic informou.