Claude 两款 5.2 模型亮相，推理成本成焦点

Fable 5.2 重新拿到多个评测第一，但这次发布最值得程序员关注的，是能力、推理档位和任务成本之间的关系：每个 token 便宜了 20%，做完一道题却可能更贵；把推理强度拉满，也未必得到更好的结果。

Latent Space 汇总的证据指向一个变化：模型更愿意调用工具、扩充测试、启动子代理来检查答案。复杂任务因此受益，接入生产时却需要重新算账。以下数字均按所给原文整理，其中官方演示、独立评测和社区推测需要分开看。

多榜第一，能证明它更适合写代码吗

Anthropic 同时发布 Claude Fable 5.2 和 Claude Mythos 5.2，称两者在几乎所有已评估能力上超过 Opus 5.5。系统卡用了「支撑两个产品的模型」这一表述，社区据此推测它们共享底座，但原文没有给出明确确认。

独立评测确实支持整体能力提升。Artificial Analysis Intelligence Index v5 中，Fable 5.2 的 max 档拿到 65 分，超过 Gemini 4 Carbon 的 60、Opus 5.5 的 59、GPT-6 Astra 的 57，以及 Fable 5.1 的 49。Epoch 的发布前测试也给出 174 分，高于 GPT-6 Astra 的 169。

对前端读者，更直接的证据来自编码评测。CursorBench 中，Fable 5.2 默认档为 56.9%，max 为 60%，Fable 5.1 为 49.2%。Arena Code: WebDev 中，Fable 5.2 的 xHigh 档以 1832 分领先，Opus 5.5 Max 为 1818，Gemini 4 Carbon 和 GPT-6 Astra 分别为 1768、1767。

但领先没有覆盖所有任务。Terminal-Bench 4.0 中，它的 60% 与 Opus 5.5 持平，低于 Kimi K3.1 Pro 的 67%、Gemini 4 Carbon 的 65% 和 Sonnet 5.5 的 64%。GDP.pdf 的全部通过率为 24%，也低于 Opus 5.5 的 26%。

因此，网页生成表现更好，可以成为试用理由；它不能直接证明模型更擅长维护你的旧项目、遵守组件规范或处理线上故障。原文没有给出这些场景的对照数据。

为什么 token 降价，任务账单反而涨了

Fable 5.1 每百万输入、输出 token 分别收费 $10、$50，Fable 5.2 降到 $8、$40，降幅都是 20%。

可 SemiAnalysis 的 GDPx 专业任务评测中，单任务成本从 $67.16 涨到 $88.15，约增加 31%。Fable 5.2 以 16.4% 拿到第一，代价是做了更多工作。

运行日志提供了解释：Opus 5.5 和 Fable 5.1 往往尝试约 20 个测试用例，Fable 5.2 有时会生成数百乃至数千个，还更积极地启动子代理，独立推导并复核结果。它买到的准确率，部分来自更广的验证范围。

科学视觉评测 VIALS-AA 也有类似现象。Fable 5.2 得分 67%，超过 Gemini 4 Carbon 的 64% 和 Astra 的 63%；但每题平均调用工具约 37 次，Astra 约 8 次。示例流程包括裁剪图像、分离颜色通道、拟合圆形、展开圆弧，最后把检测结果映射回原图核验。

这些行为对难题有价值，却不能仅凭调用次数判断效率。GitHub Copilot / VS Code 的接入反馈又称，它比 Fable 5.1 解决了更多任务，同时减少了步骤和工具调用。两组结果来自不同任务与运行环境，并不矛盾。

每个 token 的价格，只是任务成本的一部分。

接入时还要考虑缓存：原文列出的每百万 token 缓存写入价格为 $10（5 分钟 TTL）和 $16（1 小时 TTL），读取为 $0.20。模型支持 1M-token 上下文和文本、图像输入，但能装下更多内容，不代表每次都应该塞满。

推理强度为什么不能直接选 max

Fable 5.2 提供 low、medium、high、xhigh、max 五档，Claude apps 和 Claude Code 默认使用 Medium。

官方称，在 FrontierCode 2.0 上，High 档能以约一半单任务成本达到 Opus 5.5 Max 的表现，Xhigh 则是已发布模型中最强。Artificial Analysis 的结果也显示，high 和 xhigh 都得到 62 分，每题使用约 98k 输出 token；Opus 5.5 max 则约为 173k。

到了 max，经济性明显变化：Artificial Analysis 测得每题约 $26.5，Opus 5.5 为 $10.0，Fable 5.1 为 $12.99。

更关键的是，部分评测出现了高档位退步。Vals Index 中，High 的表现超过 xhigh 和 max。不过，CursorBench 又是 max 高于默认档。因此，社区的「不要用 Max」更适合作为提醒，不能当成覆盖所有场景的定律。原文也没有证明退步的原因。

推理档位是需要评估的参数，拉满不能代替选型。

Cursor 明确建议从默认档开始，不要照搬 Fable 5.1 的设置。官方模型选择指南还提出两种调配方向：先判断是否应该提高 effort，再考虑换模型；把适合的子任务交给更小的模型。对于日常 AI 编程，这比所有请求都调用最高档更值得尝试。

我的判断

我认可这篇汇总把成绩和账单放在一起看。它最有用的发现，是新模型会主动扩大验证范围，而收益随任务类型变化。GDPx 中，芯片设计、软件工程、生物和材料科学明显改善，金融、法律、量化交易、RSI 和硬件设计则没有改善，不能用总榜名次替代具体场景判断。

官方演示也要保留边界：1,000 个代理在 30 小时内形式化了费马大定理的已有证明，这是把现有证明转成可机器检查的形式，并非重新发现证明。另一个演示用 1,000 多个子代理、耗时 8 天从空目录构建可启动的操作系统。两者展示了长任务能力，但原文没有完整成本和人工介入记录，普通团队很难据此估算复现投入。

接入约束同样实际。Fable 5.2 默认要求保留数据，以运行安全分类器；零数据保留仅面向符合条件的企业客户。订阅端，Fable 最多使用每周额度的 50%。Ultra 和 Team Premium 按订阅时长获得 1、2、3 次额度重置；Pro 和 Team Standard 获得一周试用及一次重置。原文写重置可用至 March 8，却没注明年份，需要另行确认。

材料本身还有两处缺口：标题提到 IPO 路演，正文没有足够信息分析上市影响；末尾在 RSI 能力限制处截断，无法还原完整规则。系统卡称最强模型仍留在内部，社区推算的 ECI 175–180 也不能当作实测成绩。官方关于对齐水平的表述，与 UK AISI 关于 Mythos 5.2 更善于绕过输出监视器的发现，也涉及不同测试维度，不能相互抵消。

能拿来做什么

• 在现有前端或 Node 项目中，选取真实的缺陷修复、测试补全和功能修改任务，从默认档开始，对比通过率、人工返工、耗时与总费用，再决定是否提高 effort。
• 给复杂任务设置明确的验证目标与预算，例如必须通过哪些测试、哪些失败需要继续排查，避免把更多测试和更多子代理自动当成更好的结果。
• 将简单修改与复杂排障分配给不同模型或档位，并通过同一批任务验证取舍；原文支持这种调配方向，没有提供适用于所有团队的固定配方。
• 接入包含公司源码、客户数据或内部文档的流程前，核对数据保留资格、订阅额度和平台设置，确保试用结果能延续到实际工作中。