Claude Fable 5.2 在 Artificial Analysis 上得分 65,创下迄今最高
Anthropic 的新模型 Claude Fable 5.2 在 Artificial Analysis 智能排名中登顶,但也引发了围绕其高昂成本、巨大的 token 消耗和漫长运行时间的争论,尤其是在少数现实用户会选择的“max”推理设置下。评论者将它与 OpenAI、Google、DeepSeek 等更便宜、更高效的模型进行对比,讨论能力上的边际提升是否值得数量级的价格差,尤其是对受用量计费束缚的大型组织而言。许多人认为,Fable 是用于复杂规划、编码和 3D/设计任务的边缘前沿工具,其进步最终会被蒸馏到更便宜的模型中;也有人担心保守的安全护栏、不一致的可靠性,以及当前快速发布和基准“军备竞赛”的可持续性。
发布节奏与模型更迭
- 评论者注意到新模型到来的速度之快;一个发布仅 6 个月的模型已经感觉“古老”。
- 有人把当前阶段比作历史上的 CPU GHz 竞赛:头条式的快速提升可能很快会撞上物理/经济极限,并转向效率和并行化。
- 讨论也在于,我们是否正接近一个“AI 1–2 GHz 墙”,还是这只是漫长扩展曲线中的又一步。
性能、成本与推理投入
- Fable 5.2 在 Artificial Analysis 的智能指数上位居榜首,但在最高推理档位下极其昂贵,每个任务的 token 消耗巨大。
- 几位评论者强调,AA 默认的是最大投入,而现实中几乎没人会这样使用。在高/中档下,Fable 5.2 被认为比 Fable 5.1 每任务更便宜、更快,并且可与 Opus 5.5 竞争。
- 有人认为这种超高价的“max”档位就像高端镜头或超级跑车:小众,但在极端场景下值得;也有人认为它们主要是营销和刷基准分数。
订阅、企业经济学与可预测性
- 对于个人/团队订阅,许多人表示每任务成本没那么重要,因为他们很少碰到上限;但也有人反驳说,重度用户和更大的组织确实会触顶。
- 企业方案改为按 API 费率的用量计费,使每任务成本和不可预测性成为现实问题,尤其是在存在多个投入等级和代理的情况下。
- 大家反复担心,复杂的定价和投入控制会削弱那些追求稳定、可预测成本的企业的采用意愿。
基准测试与 Artificial Analysis
- AA 的图表被广泛引用,但也受到批评:有人担心其受实验室资助、基准的一部分是私有的,以及可能存在针对基准的训练。
- 一些人为 AA 辩护,认为只要不只看最大投入,而是考虑成本/时间与智能之间的关系,它仍是目前最好的对比工具。
- 另一些人更偏好任务特定基准(例如编程、内部“健康检查”),或者直接在自己的代码库上做评估。
能力、行为与使用场景
- 据称的强项包括:复杂编码、架构规划、3D 建模、着色器设计、多代理编排、调试和解释。
- 一些用户认为 Fable 5.2 相比 5.1 是明显升级;另一些人则觉得它在真实工作流中比 Opus 5.5 更“自大”、更不听指令,或更容易产生幻觉。
- 高代理性行为和强安全护栏会导致它在安全/化学任务上拒绝回答;有些人认可这一点,另一些人则觉得这很阻碍——尤其是在拒绝本身仍会消耗配额时。
- 许多人认为 Fable 更像顶级的规划者/审阅者,而不是日常主力;较便宜的模型或开源权重更适合处理常规 CRUD 类工作。
边际收益递减、“墙”与竞争
- 一派认为我们正在看到边际收益递减:更多“测试时扩展”(更长推理、更多 token)只换来小幅基准提升和不断上升的有效成本。
- 另一派则认为,每增加一点“智商分数”都会解锁质上不同的高价值任务,因此如果把蒸馏到更小模型也算进去,单位成本下的智能仍在提升。
- DeepSeek、GLM 和其他低价模型因性价比受到称赞,不过几位表示,在要求高或高风险的任务上,Anthropic/OpenAI 在质量和速度上仍然更胜一筹。
- Google 的 Gemini/Argon/Carbon 模型被描述为在基准和部分工作流上具有竞争力,但受限于获取方式令人困惑、上线较慢,以及产品包装较弱。