Тысяча агентов Claude Fable 5.2 за 30 часов формализовала теорему Ферма в Lean

Формальная верификация долго считалась территорией узких специалистов. Теперь Anthropic показывает, что команда из тысячи агентов способна записать на языке Lean доказательство, которое когда-то заняло у математиков годы. Для практиков это не про Ферма, а про то, как далеко модели могут работать автономно.

Что именно сделали агенты

Великая теорема Ферма утверждает, что для целого n > 2 уравнение aⁿ + bⁿ = cⁿ не имеет решений в положительных целых числах. Доказательство Эндрю Уайлса вышло в 1995 году после исправления пробела вместе с Ричардом Тейлором. Задача агентов была в другом: записать этот аргумент так, чтобы его проверила машина.

В Lean утверждение задаётся типом, а доказательство является термом этого типа. Тактики строят терм, ядро проверяет соответствие. Если нужной леммы в библиотеке нет, её приходится формулировать и доказывать самим. Это похоже на сборку большого проекта, где каждая недостающая зависимость превращается в отдельную задачу.

В сентябре Anthropic решала ту же задачу с платформой Prove2Me, которая хранила граф зависимостей между утверждениями. Прогон занял 11 дней, в итоговое доказательство вошли 29 500 промежуточных теорем. Финальную формулировку отдельно сверили с Mathlib.

Что изменилось в новом прогоне

Fable 5.2 получила короткие стартовые инструкции и список промежуточных утверждений для оценки прогресса. По данным Anthropic, агенты сами распределяли работу и обходились без математических справочников, а люди вмешивались редко. Расход токенов на действия сократился втрое, а формальный текст доказательства получился в семь раз короче.

Opus 5.5 запускали в той же конфигурации примерно с тысячей агентов. За первые 18 часов она осилила 26%, а за оставшиеся 12 почти не сдвинулась. Обе команды на 18-м часу возобновляли работу с сохранённого состояния. Важная оговорка: на графике по одному прогону каждой модели, а сентябрьский эксперимент шёл на другой модели и с другой схемой координации. Это не строгий бенчмарк, а демонстрация.

Другие результаты из анонса

Команда агентов на ранней Fable 5.2 перенесла критичный внутренний сервис с Python на Rust, и время запуска упало примерно в 26 раз. В другом эксперименте модель восемь дней координировала больше тысячи субагентов над прототипом ОС. Начали с пустой папки, получили систему с ядром, драйверами диска, клавиатуры и сети, файловым хранилищем, оконным интерфейсом и установщиком, которая грузится на ноутбуке.

На FrontierCode 2.0 Fable 5.2 набрала 49,1% на уровне усилия Xhigh против 32,4% у Fable 5.1. В режиме High она сравнялась с Opus 5.5 в режиме Max, а решение задачи вышло примерно вдвое дешевле.

У Fable 5.2 и Mythos 5.2 одна базовая модель. Fable ограничена в высокорисковых задачах по кибербезопасности и биологии, Mythos доступна проверенным организациям. На внутреннем тесте CVE Rediscovery Mythos 5.2 нашла 89,6% из 1829 опубликованных уязвимостей против 78,3% у Mythos 5.1 и 81,3% у Opus 5.5 без защитных ограничений.

Цена и практический вывод

Модель доступна в API как claude-fable-5-2, а также через AWS, Google Cloud и Microsoft Azure. Тариф: $8 за миллион входящих и $40 за миллион исходящих токенов. Скорость генерации выросла до 30%. В Fast Mode токены идут до 2,5 раза быстрее, но цена вдвое выше: $16 и $80.

Что делать разработчику. Во-первых, если вы строите агентные системы, проверьте, где они упираются в потолок на длинной дистанции: именно там разница между поколениями моделей видна лучше всего. Во-вторых, задавайте агентам явный список промежуточных целей, как в этом эксперименте: измеримый прогресс помогает и модели, и вам. В-третьих, сохранение состояния и возобновление работы стоит закладывать в архитектуру сразу.

Ограничения очевидны: все цифры приведены самой Anthropic, независимой проверки пока нет, сравнение построено на одном прогоне на модель. Но направление ясное: долгие автономные задачи на тысячах агентов уходят из лабораторных демо в инженерную практику.