Anthropic发布两款Claude 5.2模型

Claude Fable 5.2 和 Claude Mythos 5.2 的升级，重点是让模型承担更复杂、更长时间、需要自己拆解步骤的技术工作。原文用生产服务迁移、操作系统原型、数学证明形式化和硬件设计，说明这条路线已经能交付一些具体成果。

对程序员最有用的，是两个判断：难任务值得尝试更强模型，但日常编码未必需要；评估成本也不能只看 token 单价，还要看完成一次合格交付究竟花多少钱。不过，这是一份厂商发布口径，实测、测试者评价和能力推断需要分开看。

两个模型共用底座，为什么还要分开提供

按原文描述，Claude Fable 5.2 和 Claude Mythos 5.2 使用相同的底层模型，主要区别在安全限制与开放方式。Fable 面向所有用户，配置较强的网络安全和生物领域防护；Mythos 面向经过审核的相关机构，通过 Life Sciences 和 Cyber Verification Programs 申请使用。

这会直接影响选型。原文明确说，Fable 5.2 会拦截大多数网络安全相关任务。模型具备某项能力，不代表公开版本允许你调用它完成这类工作。

作者也没有建议所有任务都切到旗舰模型。日常编码和知识工作，推荐先用 Claude Opus 5.5，再根据复杂度向上切换 Fable 或 Mythos，或者向下选择 Claude Sonnet 5.5、Claude Haiku 5.5。

Fable 还可以担任 Advisor，让其他模型遇到难题时向它咨询；也可以担任 Orchestrator，把简单工作交给较小模型。前者像请专家会诊，后者像由负责人拆解任务、分配工作并汇总结果。

价格方面，两个新模型均为每百万输入 tokens 8 美元、输出 tokens 40 美元。可选 fast mode 的对应价格为 16 美元和 80 美元，token 生成速度最高提高到 2.5 倍。普通模式相比 Fable 5.1 和 Mythos 5.1，输出速度最高提升 30%。

这里说的是生成速度。检索、编译、执行测试和等待工具返回占用的时间，并没有因此自动缩短。

更贵的模型，为什么单次任务可能更便宜

原文最值得程序员关注的是 effort，也就是模型投入多少推理计算的档位。Claude apps 和 Claude Code 默认使用 Medium；提高档位通常会消耗更多计算，但不一定需要把新模型开到最高档，才能超过旧模型。

FrontierCode 2.0 评估代码修改是否达到开源仓库维护者愿意合并的水平。Fable 5.2 在 High 下取得 45.3%，接近 Opus 5.5 在 Max 下的 45.5%，而每次任务成本约为一半。在 Xhigh 下，它达到 49.1%，高于 Fable 5.1 的 32.4%、GPT-6 Astra 的 42.8% 和 Gemini 4 Carbon 的 41.1%。其中 Gemini 使用 Medium，不能把这些成绩理解成完全相同的计算预算。

类似趋势也出现在其他测试中：WANDR 大规模资料收集任务里，Fable 5.2 在 Medium 下，以约 40% 的单次成本追平 Opus 5.5 的最高分；Humanity’s Last Exam 使用工具时，它在 Low 下以不到十分之一的成本追平 Opus 的最高分；Chartography 不使用工具时，Medium 下取得 66.4%，超过 Opus 在 Max 下的 64.4%，成本同样不到十分之一。

选模型应该比较合格交付的总成本，token 单价只是其中一项。

不过，优势并不覆盖所有指标。AutomationBench 上，Fable 5.2 为 51.4%，低于 Gemini 4 Carbon 的 53.9%；AA-Briefcase v1.1 的评分规则得分更高，但 Elo 为 1785，低于 Opus 5.5 的 1800。不同评分方式，可能给出不同排序。

跨厂商比较也有边界。CyScenarioBench 使用各实验室各自的任务；RoboDojo Sim 是内部运行结果；部分安全测试使用 Mythos 或关闭防护的模型。它们不能全部放进一张榜单后，直接推导统一的能力排名。

长任务的价值，在于能否一直推进到可验证的结果

作者称，Anthropic 核心代码库合入的修改中，超过 90% 已由 Claude 在人类指导下编写。一个使用早期 Fable 5.2 的 agent 团队，把关键生产服务从 Python 迁到 Rust，启动速度约提高 26 倍。

这说明他们确实把模型用于生产工程，但原文没有交代迁移规模、人类审查工时、算力成本和完整性能数据。26 倍描述的是该服务的启动速度，不能扩展成 Rust 迁移的一般收益。

另一个实验从空文件夹开始，让模型协调超过 1,000 个子 agent，连续工作八天，产出能在笔记本上启动的操作系统原型，包含内核、驱动、持久化存储、窗口、登录界面和安装器。它证明了较长任务链可以跑通，但距离成熟系统所需的兼容性、安全性和长期维护，仍有大量工作。

数学实验的验收标准更明确。约 1,000 个 Fable 5.2 agents 用 30 小时，在 Lean 中完成费马大定理证明的形式化。此前未发布研究版本用了 11 天，需要专用执行框架和研究者指导；新版本使用约三分之一的 action tokens，产出的证明长度为此前的七分之一。

这里完成的是让计算机逐步检查已有证明，不是重新发现费马大定理的证明。

同样采用约 1,000 agents 的 Opus 5.5，18 小时完成 26%，到 30 小时也没有明显推进。不过，每个模型只运行了一次，尚不足以说明重复执行的稳定性。

其他成果同样需要看清验收范围。作者报告，Fable 解决了两个与黑洞有关的理论物理开放问题，并指向预印本；Mythos 基于现有蛋白质折叠模型，为大型对称衣壳设计组合预测方法，34 个尝试中准确建模 28 个。这些都不能直接等同于普遍科研能力得到验证。

硬件实验则由 Fable 设计三个设备，包括家用语音助手中枢、USB 会议扬声器和掌上虚拟宠物。模型完成四层电路板、外壳和软件设计，每块板不到一天达到可制造状态；Diode 负责实际制造，工程师参与测试装配，三个设备均无需电气修改便能工作。模型完成了大量设计工作，实体交付仍依赖专业团队。

我的判断

我认同原文对长任务和任务成本的关注。比起一次回答写得多漂亮，能否持续定位问题、调用工具、验证修改并完成交付，更接近工程团队真正需要的能力。

但证据强度要分层。基准成绩、生产迁移和实物测试属于作者报告的实验结果；「像资深工程师」「更理解意图」属于测试者体验。后者缺少统一对照，不能当作一般团队也能复现的结论。

尤其是大规模 agent 协作。1,000 个 agents 是投入规模，不是效率保证。没有总费用、失败重试、协调开销和人工介入记录，就无法判断它是否优于小团队加现有工具。可验证的任务标准，可能和模型能力同样关键。

安全领域也是如此。2026 年 10 月、覆盖 1,829 个 CVE 的内部测试中，Mythos 5.2 得分为 89.6%，Mythos 5.1 为 78.3%，关闭防护的 Opus 5.5 为 81.3%。正文所说提升 14.4% 和 10.2%，是相对提升，不能写成提高了同样数值的百分点。已知漏洞重发现成绩，也不能直接代表发现全新漏洞的成功率。

原文没有提供完整测试方法，且所给材料在机器人部分截断。因此，机器人能力、风险较低以及防护更强等结论，都只能按作者声明理解。这份材料也不足以独立确认产品发布和可用状态。

能拿来做什么

• 日常前端和 Node 开发可以沿用原文的分层思路：先用常规模型处理明确任务，把反复失败的复杂 bug、跨模块重构和迁移交给更强模型，并记录升级后的实际收益。
• 评估模型时，选同一批仓库任务，统一测试和人工验收标准，同时记录 effort、费用、耗时及返工量。不要只比较生成代码的速度。
• 尝试长时间 agent 任务前，先准备可重复执行的验收方式，例如构建、集成测试、性能测量和阶段性检查点，让模型能够判断自己是否真的完成。
• 安全审计要先确认产品权限和接入方式。原文称 Claude Enterprise 用户可通过 Claude Security 使用包括 Mythos 5.2 在内的模型，并通过 API、MCP 连接工具；不要默认公开版 Fable 能执行相同任务。