Anthropic выпустила Claude Fable 5.2: 65 баллов в рейтинге, но $26,50 за задачу

Anthropic вернула себе первое место в рейтингах незадолго до IPO. Claude Fable 5.2 и Mythos 5.2 построены на одной базе и рассчитаны на самые тяжёлые технические задачи: научные расчёты, поиск уязвимостей, длинные агентные цепочки. Для повседневной работы компания по-прежнему рекомендует Opus 5.5, и это важная оговорка: новинка сделана не для всех сценариев.

Цифры и цена

По индексу Artificial Analysis v5 на максимальном уровне вычислений Fable 5.2 получает 65 баллов. Gemini 4 Carbon, который Google ещё не выпустила, набирает 60, Opus 5.5 — 59, а предыдущая Fable 5.1, вышедшая в начале сентября, отстаёт на 15 пунктов. Модель лучшая в пяти из девяти тестов: 80% на HLE-Diamond (вопросы экспертного академического уровня), 73% на Terminal-Bench-Science и 49% на FrontierCode 2.0, где агент должен внести полезные правки в реальные open-source проекты.

Цена за миллион токенов снизилась: $8 на входе и $40 на выходе вместо $10 и $50. Но счёт определяется не ценой токена, а тем, сколько токенов модель потратит. На пике одна задача в среднем стоит $26,50. Это в 2,6 раза дороже Opus 5.5 ($10) и примерно вдвое дороже Fable 5.1 ($12,99).

Интереснее режимы пониже. На уровнях High и Xhigh Fable 5.2 даёт 62 балла, больше любой другой модели на любом уровне, и тратит всего 98 тысяч выходных токенов на задачу. Opus 5.5 на уровне Max тратит 173 тысячи. Если вам нужно качество выше Opus, но бюджет ограничен, смотреть стоит именно сюда. Есть и быстрый режим: вывод до 2,5 раза быстрее, но вдвое дороже. Он доступен избранным организациям на Claude Code, Claude Platform, Google Cloud и Microsoft Foundry. Без него модель генерирует текст примерно на 30% быстрее предшественников — это данные Anthropic.

Где лидерство заканчивается и что делать

Универсальным победителем Fable 5.2 не назовёшь. В Terminal-Bench 4.0, где модель выполняет многошаговые задачи в терминале (разработка, безопасность), у неё 60%. Это на уровне Opus 5.5, но ниже Kimi K3.1 Pro (67%), Gemini 4 Carbon (65%) и Sonnet 5.5 (64%). В AA-Briefcase, бенчмарке многошаговой офисной работы, у неё 1785 Elo против 1813 у Sonnet 5.5. С Opus 5.5 (1800) разница лежит в пределах доверительного интервала, то есть статистически это ничья.

Практический вывод простой. Не переключайте на Fable 5.2 весь трафик: прогоните на ней свои самые сложные задачи — научные, исследовательские, длинные агентные цепочки с реальными репозиториями. Сравнивайте не цену за токен, а итоговую стоимость решённой задачи на вашем наборе тестов. Для рутинного кодинга в терминале и офисной автоматизации Opus 5.5 или конкуренты могут оказаться и дешевле, и не хуже.

Mythos, Ферма и тормоз для самоускорения ИИ

Fable доступна всем, но блокирует рискованные запросы по кибербезопасности и биологии: пентесты, генерацию эксплойтов. Mythos снимает часть ограничений и открыта только организациям, прошедшим проверку по программам Anthropic для кибербезопасности или наук о жизни. Во внутреннем тесте CVE Rediscovery, где модель на 1829 известных уязвимостях ищет баг в состоянии проекта до исправления, Mythos 5.2 нашла на 10,2% больше, чем Opus 5.5, и на 14,4% больше, чем Mythos 5.1. Лидерство держалось на всех уровнях вычислений. Одна из охранных фирм, по словам Anthropic, сообщила, что каждый шестой подтверждённый баг Mythos 5.2 пропустили все остальные протестированные модели.

Отдельно Anthropic заявляет, что намеренно не давала моделям улучшать навыки, которые напрямую ускоряют разработку ИИ: оптимизацию вычислительных ядер для ускорителей и улучшение архитектур LLM. Здесь они примерно на уровне Opus 5.5. Агентный кодинг, разработка железа и классические исследования, включая интерпретируемость, ограничения не затронули. По данным компании, Claude уже пишет больше 90% изменений, попадающих в основной код Anthropic, под присмотром людей.

Главная демонстрация — математика. Около тысячи агентов Fable 5.2 за 30 часов полностью формализовали доказательство Великой теоремы Ферма на языке Lean, где компьютер проверяет каждый шаг. Предыдущая исследовательская версия Claude делала это 11 дней, в специально собранном окружении и с подсказками человека. Новые агенты стартовали с короткой инструкции, сами организовали работу и не пользовались математическими источниками. Расход токенов на действия составил треть от первой попытки, а доказательство вышло в семь раз короче. Opus 5.5 в той же схеме с тысячей агентов дошёл лишь до 26–27% формализации и почти не продвинулся после 18-го часа.

Все эти цифры — данные самой Anthropic и Artificial Analysis. Независимой проверки пока нет, а внутренние тесты вроде CVE Rediscovery сторонний специалист воспроизвести не может. Относиться к ним стоит как к хорошему поводу провести собственные замеры, а не как к готовому решению.