Суть обновления: скорость, цена и статус «базуки»
Anthropic представила Claude Fable 5.2, позиционируя её как инструмент для решения самых сложных технических, научных и инженерных задач. В отличие от Opus 5.5, который остается оптимальным выбором для повседневных задач, Fable 5.2 — это модель для случаев, когда требуется максимальная вычислительная мощь.
Ключевые улучшения по сравнению с Fable 5.1:
- Скорость: Генерация текста ускорена на 30%.
- Цена: Стоимость снижена до $8 за 1 млн входных токенов и $40 за 1 млн выходных. При готовности удвоить цену можно получить скорость выше в 2.5 раза.
- Ясность: Улучшена коммуникация и понимание намерений пользователя.
Рекордные результаты в науке и робототехнике
Модель демонстрирует выдающиеся способности в реальных физических и теоретических задачах. Исследователь Этан Моликин назвал Fable 5.2 «почти AGI» (или «неровной AGI»), отметив её способность к самостоятельному проведению исследований.
- Физика: Модель решила две открытые проблемы теоретической физики, включая задачу о спинлессной модулярной.bootstrap и переход Хокинга-Пейджа при слабой связи.
- Робототехника: На бенчмарке RoboDojo (симуляция двухрукого робота) Fable 5.2 превзошла другие передовые модели и специализированные системы управления роботами. Роботы, управляемые моделью, успешно решали головоломки, открывали бутылки и рисовали.
- Математика: В Lean команда из 1000 агентов на базе Fable 5.2 полностью формализовала доказательство последней теоремы Ферма за 30 часов.
Сравнение с конкурентами и предыдущими версиями
Хотя Fable 5.2 не всегда превосходит Opus 5.5 в субъективных оценках качества (GDPval-AA), она лидирует в объективных метриках. Ниже приведены ключевые бенчмарки, где Fable 5.2 показывает значительный прогресс:
| Бенчмарк | Результат Fable 5.2 | Сравнение (Opus 5.5 / Предшественники) | Примечание |
|---|---|---|---|
| Remote Labor Index (RLI) | Рекордный рост | — | Ключевая метрика способности к сложным задачам |
| Terminal-Bench-Science | 74.6% | Opus 5.5: 58.7% / Astra: 68% | Научные задачи в терминале |
| Terminal-Bench 4.0 | 67.6% | Opus 5.5: 66.4% / GPT-6.1 Sol: 58.2% | Общие технические задачи |
| WANDR | 82.1% | Рост с 72.3% | — |
| AutomationBench | 51.4% | Рост с 42.5% / Carbon: 53.9% | Автоматизация процессов |
| Real-World Finance v2 | Elo 1637 | Рост с 1571 | Финансовое моделирование |
| HealthBench (Professional) | 67% | Рост с 63% | Медицинские задачи (скорректировано по длине) |
Рекомендации по использованию
Anthropic предлагает следующую стратегию выбора модели:
- Opus 5.5 (Medium): Базовый выбор для большинства задач.
- Sonnet 5.5 / Haiku 5.5: Для рутинных задач, классификации и маршрутизации.
- Fable 5.2: Для самых сложных проектов в коде, финансах и науке. Также рекомендуется для задач, где требуется «прочитать весь проект и исправить всё».
Для быстрых ответов в чате лучше использовать Sonnet 5.5 на низком или среднем уровне усилий, чтобы не задерживать пользователя, так как Fable 5.2, несмотря на ускорение, остается более ресурсоемкой моделью.
Бенчмарки
| Бенчмарк | Claude Fable 5.2 | Astra | Fable 5.1 | GPT-6.1 Sol | Opus 5.5 |
|---|---|---|---|---|---|
| Terminal-Bench 4.0 | 67.6% | — | 55.8% | 58.2% | 66.4% |
| Terminal-Bench-Science 0.1 | 74.6% | 68% | — | — | 58.7% |
| ProgramBench | 85.6% | — | 87.6% | — | 91.2% |
| ARC-AGI-3 | 79% | 98.6% | — | — | — |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: LessWrong ↗
