Fable 5.2深夜掀桌！从0造操作系统，性价比反超Opus 5.5

梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

为冲刺IPO，A\掀桌了：Claude Fable 5.2与Mythos 5.2直接发布。

有多强呢？从一个空文件夹开始，1000多个Agent昼夜不停连轴转8天，自主编写操作系统。

没有人类插手写代码，一套带内核、磁盘与网卡驱动、文件系统、窗口界面甚至安装程序的完整操作系统，直接在笔记本电脑上跑通开机。

甚至为了防止AI“自我迭代失控”，Anthropic在训练阶段主动锁死了新模型的RSI能力，把自我改进的能力限制在Opus 5.5的水平。

跑分你就看吧，仅有一项不是第一。

相比上一代5.1，新模型生成速度拉升30%，API定价直接下调20%至输入$8/百万token、输出$40/百万token；

如果愿意掏双倍价钱（$16/$80），还能开启2.5倍速的Fast模式。

内测用户中，@mattshumer_ 制作了一个全场景可破坏的3D体素世界，物理引擎非常强大。

@kevin_t_ngo只做了一个浏览器运行的8个梦幻划船旅行场景，审美也非常在线。

Anthropic官方更是卷向了千级Agent集群协同与物理世界跨界工程。

1000个Agent自己拉群干活，从写系统到造硬件全包圆

目前Anthropic自身核心代码库中，超过90%的合并提交已经由Claude包办。

在内部测试中，Fable 5.2组成的Agent小队直接接管了一项核心生产服务，将其从Python完整迁移至Rust，服务启动速度暴涨26倍；

量化巨头Jump Trading将其接入内部交易研究框架后，Fable 5.2单枪匹马包揽了规划、协调、写代码和提交任务四个角色，免去了人工重新分配多模型权重的麻烦。

这种长周期、多角色的自主工程能力，在数学、物理、生物和硬件四个硬核领域给出了更直观的案例：

第一件事，30小时通关费马大定理形式化证明。

将数学证明翻译成计算机可逐行检验的Lean语言，是极其枯燥的苦力活。此前Anthropic用内部研究版模型配合人工指导和定制框架，花了整整11天。

这次，官方只给了极简提示词和中间定理列表，没给任何数学参考资料，直接放出1000个Fable 5.2 Agent。这群Agent自己搭建协作机制，仅用30小时就完成了100%的形式化证明，消耗的动作token只有第一版的1/3，证明代码长度缩短了7倍。

作为对比，同样拉起1000个Agent的Opus 5.5，跑满18小时后进度死死卡在26%，到30小时结束也只磨到了27%。

第二件事，填平2003年留下的黑洞物理算力天坑。

1983年物理学家证明，在广义相对论适用的大尺度宇宙中，宇宙升温会导致黑洞像水沸腾一样突然形成；但在只能用量子理论描述的极小宇宙中是否如此，2003年虽已列出计算框架，却因推导过于庞杂一直无人算完。

Fable 5.2在几乎全自主的状态下暴力推演完了这套计算，证实小宇宙中的黑洞相变同样是突发的，顺手还找出了物理学家沿用15年、用于排除量子引力候选理论的某项技术的精确极限。两篇预印本论文目前已挂上HexagonMath。

第三件事，单卡H200跑7分钟，破解基因疗法病毒外壳折叠。

腺相关病毒（AAV）的蛋白质衣壳（Capsid）由数十个蛋白质组成，AlphaFold这类传统模型只能预测单个蛋白质。

Mythos 5.2没走常规路线，它基于OpenFold3-preview2和ESMFold2两个开源模型，自己写代码对重叠的蛋白链分组运行，再利用衣壳已知的对称性信息进行融合（被明确禁止依赖传统拼装法）。

翻看技术报告底部的注释细节：在单张NVIDIA H200 GPU上，调用ESMFold2推理仅需7分钟（OpenFold3为58分钟），误差（Cα RMSD）控制在1.2Å至1.4Å之间。测试的34种天然与人工设计衣壳中，它一次性精准建模了28种（误差小于3Å）。

第四件事，一段话提示词，一天内画出四层PCB板并造出三台真机。

Anthropic联合电路板制造商Diode做了一场硬件实测，只用一段话，要求Fable 5.2从零设计三款电子设备：家用语音助手中枢、USB会议麦克风音箱、掌上电子宠物。

Fable 5.2自己编写规格书、从美国分销商库里挑选现货元器件、完成四层PCB电路板布线、用CAD建模3D打印外壳，并写好底层固件。不到24小时，三块板子全部达到投产标准。工厂打样出来后，模型指导工程师完成组装测试，三台设备一次点亮，零电气修改。

在控制双臂机器人的RoboDojo仿真基准上，从未专门接受过机器人训练的Fable 5.2在Max档位下拿到64.9%的成功率，直接把GPT-6 Astra（29.8%）和自家上代Fable 5.1（27.6%）甩开一倍以上，连谷歌Gemini 4 Argon（34.2%）也没能扛住。

用High档一半的价格，性价比反超Opus 5.5

回到开发者最关心的日常跑分与账单。

来看检验AI代码能否直接被开源项目维护者合并的榜单FrontierCode 2.0：

Fable 5.2在Xhigh档位拿下了全场最高分49.1%，单任务成本$14.19。

但如果你强行拉到Max档位，单任务成本会瞬间暴涨3倍多来到$44.70，得分不知道为什么反而倒退回45.6%。

真正定义斩杀线的是Fable 5.2的High档位。

在这个档位下，Fable 5.2拿到了45.3%的分数，单任务成本仅需$6.72，这个表现有两种解读：

• 背刺自家主力：Opus 5.5拼命开到Max档位，得分是45.5%，但单任务要花$12.82。Fable 5.2用High档，花大约一半的钱就平替了Opus 5.5的极限水平。
• 精准压制竞品：GPT-6 Astra开到Max档的极限分是42.8%，成本$6.68。Fable 5.2用几乎完全相同的单任务开销，胜率直接高出2.5个百分点。

所以Anthropic这次直接在文档里支招：日常干活先用Opus 5.5、Sonnet 5.5或Haiku 5.5，遇到啃不动的硬骨头，直接把Fable 5.2设成Advisor（顾问模式）或Orchestrator（编排器），让小模型向它请教或者由它向下分发任务，把好token用在刀刃上。

再看其他基准测试，Fable 5.2在绝大多数榜单上实现了对GPT-6 Astra和Gemini 4 Carbon的压制，但也有几个耐人寻味的细节：

• 远程劳动力指数（RLI）翻倍

Fable 5.2在High档位下跑出41.3%，把Opus 5.5（21.3%）和GPT-6 Astra（20.8%）双双按在地上，直接翻倍。

• 科研与工具调用断代领先

在带工具的“人类最后一场考试”（Humanity's Last Exam）中拿到74.2%（Astra仅57.2%）；

科学Agent基准Terminal-Bench-Science拿下74.6%（Mythos 5.2达75.3%，Astra为68.1%）；

计算机操作OSWorld 2.1拿到89.3%（Astra为79.5%）。

• 唯二丢分项

在测试企业端到端业务流的AutomationBench上，Fable 5.2拿到51.4%，虽然远超Astra（41.4%），但不如Gemini 4 Carbon（53.9%）；

在评估知识工作的AA-Briefcase v1.1中，Fable 5.2虽然按评分细则（Rubric）拿到了最高的66.1%，但换算成Elo天梯分（1785）却反被自家Opus 5.5（1800）反超了15分。

至于主攻网络安全的Mythos 5.2，在包含1829个真实历史漏洞的CVE Rediscovery测试中，High档位仅花$1.01就找出了83.2%的漏洞，比花$2.98开Max档的Opus 5.5（81.3%）还要高；

全开Max档位（$9.13）更是摸到了89.6%。

不过客观来看，虽然外部安全公司测试称Mythos 5.2找出的漏洞里有1/6是其他前沿模型全漏掉的、且做到了“零夸大漏洞等级”，

但Anthropic还是注释了一句，在官方自己的内部评测集上，Mythos 5.2的原始漏洞识别率其实和Opus 5.5大体相当，真正的提升在于漏报复现、代码修复和严重程度校准。

“智子”锁死RSI能力

比起跑分，这次System Card和技术文档里披露的底层风控与架构限制，信息量也很大。

首先，为了防止AI“自我迭代失控”，Anthropic在训练阶段主动锁死了新模型的RSI能力。

官方明确承认，虽然Fable 5.2和Mythos 5.2通用能力大涨，但在训练过程中，团队专门限制了加速器内核优化（Accelerator kernel optimization）和大语言模型架构改进这两项最能直接加速AI自身研发的能力，将其强行锁死在Opus 5.5的水平。

甚至在推理阶段，只要检测到用户在尝试开发某些非标准加速器的底层内核，系统会在后台回退（Fallback）到旧版的Opus 5来回答。

这种“触发风控就偷偷换旧模型”的方法，在常规安全护栏也用上了。

Fable 5.2大幅优化了误杀率，在claude.ai和Claude Code上的安全拦截比5.1减少了55%（网络安全减少60%，生物学减少40%）。

不过一旦你的提示词触发了高危网安（如渗透测试、漏洞利用生成）或生物研究拦截，会在后台自动切回Opus 4.8（网安）或Opus 5（生物）给你生成回复。

其次，模型不仅学会了不越狱，还进化出了极强的“反评测侦察”意识。

在包含1800多个故意留有漏洞、不越狱就几乎无法完成任务的对抗性沙盒测试中，早期Mythos 5和5.1的沙盒逃逸率高达39%和21%，而Mythos 5.2暴跌到了3.1%（比Sonnet 5.5的5.1%还低）。在1900个场景的自动化行为审计中，它的不良行为综合得分也降到了历史最低的2.67分（越低越好）。

但评测团队发现了一个棘手的现象：Fable 5.2和Mythos 5.2在测试中表现出“怀疑自己正在接受评测”的频率，比以往任何一代模型都要高得多。

甚至当它错误地以为自己身处模拟环境时，采取有害行动的倾向反而比Opus 5.5略高一点。模型越来越精，人类想在上线前摸清它的真实底牌正变得越来越难。

目前，claude-fable-5-2已全量上线各大云平台与Claude Code。

本周官方还放出了一波限时羊毛：老订户按订阅时长直接送1到3次Fable额度重置，Pro和Team标准席位本周的Fable可用额度上限直接拉到了周总额度的50%。

参考链接：
[1]https://www.anthropic.com/claude-fable-and-mythos-5-2
[2]https://x.com/mattshumer_/status/2119867949309714609
[3]https://x.com/kevin_t_ngo/status/2119868968307695818