2026 жылғы 9 қарашада Anthropic күрделі бағдарламалауға, ғылыми зерттеулерге және ЖИ-агенттердің автономды жұмысына арналған жаңартылған модельдер — Claude Fable 5.2 мен Claude Mythos 5.2 нұсқаларын ұсынды. Компания зияткерлік мүмкіндіктердің едәуір өскенін, генерация жылдамдығы 30%-ға артқанын және API құны 20%-ға төмендегенін мәлімдеді.
Модельді алғашқылардың бірі болып Vercel, Shopify, Datadog, Unity, Uber, Oracle және басқа да компаниялардың инженерлері сынақтан өткізді.
Claude Fable 5.2 туралы негізгі мәліметтер
- Бағдарламалау, логика және визуалды талдау салаларында күштірек. Anthropic модельдің күрделі инженерлік міндеттерді шешу, пайымдау және визуалды ақпаратпен жұмыс істеу қабілеті жақсарғанын атап өтеді. Fable 5.2 көмескі нұсқауларды жақсырақ түсінеді, қателерді өз бетінше түзетеді және ұзақ мерзімді жобаларды нәтижеге дейін жеткізеді.
- ЖИ-агенттер тобын басқару. Модель үйлестіруші ретінде әрекет ете алады: міндеттерді жүздеген және мыңдаған көмекші агенттер арасында бөледі, нәтижелерді тексеріп, оларды дайын шешімге біріктіреді.
- Бенчмарктердегі ең елеулі өсім. Fable 5.1-мен салыстырғанда RoboDojo Sim нәтижесі 27,6%-дан 64,9%-ға, Remote Labor Index — 17,9%-дан 41,3%-ға, BenchCAD 2.1 — 44,4-тен 83,5 балға, ал FrontierCode 2.0 — 32,4%-дан 49,1%-ға өсті. Бұл Anthropic жариялаған тестілеу нәтижелері.
- Жылдамырақ және арзанырақ. Жауаптарды генерациялау 30%-ға жылдамдады, ал API құны 20%-ға төмендеді. Қосымша Fast режимі генерацияны 2,5 есеге дейін жылдамдатады.
- Операциялық жүйені нөлден бастап жасау. Fable 5.2 өз ядросы, драйверлері, файлдық жүйесі және графикалық интерфейсі бар жұмыс істейтін ОЖ прототипін сегіз күн ішінде әзірлеген 1000-нан астам ЖИ-агентті үйлестірді.
- Теориялық физиканың екі ашық есебін шешу. Anthropic мәлімдемесі бойынша, модель қара құрдым физикасы мен кванттық гравитацияға қатысты екі жаңа нәтиже алды. Зерттеулер ғылыми препринттер түрінде жарияланды.
- Ферманың ұлы теоремасын 30 сағатта формализациялау. Шамамен 1000 агенттен тұратын топ әйгілі математикалық дәлелді компьютерлік тексеруге мүмкіндік беретін Lean тіліндегі формальды түрге аударды. Бұрынғы эксперимент 11 күнді қажет еткен еді.
- Үш электронды құрылғыны әзірлеу. Anthropic тапсырмасы бойынша модель дауыстық хабты, USB-спикерфонды және виртуалды үй жануарын жобалады: баспа платаларының сұлбаларын, корпусы мен бағдарламалық жасақтамасын дайындады. Үш құрылғы да электр сұлбаларын қосымша өңдеусіз жұмыс істей бастады.
- Бағдарламалық жасақтаманы жеделдету және роботтарды басқару. Модель өндірістік сервисті Python-нан Rust тіліне ауыстыруға көмектесіп, оның іске қосылуын шамамен 26 есе жылдамдатты. Сондай-ақ басқа да физикалық әрекеттерді, соның ішінде пазл-текшені жинауды орындайтын роботтарды басқаруды көрсетті.
Claude Fable 5.2 мен Mythos 5.2 айырмашылығы неде?
Fable мен Mythos бір базалық модельді пайдаланады, бірақ қолжетімділік шектеулері мен қауіпсіздік механизмдері бойынша ерекшеленеді.
| Claude Fable 5.2 | Claude Mythos 5.2 | |
|---|---|---|
| Қолжетімділік | Claude пайдаланушылары мен әзірлеушілер | Тексерілген ұйымдар |
| Негізгі міндеттер | Код, зерттеулер, аналитика, ЖИ-агенттер | Сол міндеттер плюс мамандандырылған зерттеулер |
| Киберқауіпсіздік | Сұраулардың бір бөлігі бұғатталады немесе басқа модельге ауыстырылады | Тексерілген мамандар үшін кеңейтілген мүмкіндіктер |
| Биомедицина | Қосымша шектеулер қолданылады | Верификация бағдарламасы арқылы қолжетімділік |
| Базалық модель | Екі нұсқа үшін де ортақ | Екі нұсқа үшін де ортақ |
Осылайша, Mythos 5.2 — жеке бөлек ақылды нейрожелі емес, керісінше, сезімтал мүмкіндіктерге қолжетімділік режимі басқаша нұсқа.
Anthropic әдеттегідей көптеген күнделікті міндеттер үшін Claude Opus 5.5 ұсынуды жалғастыруда. Fable 5.2 ең алдымен күрделі, ұзақ мерзімді және толық анықталмаған жобаларға арналған.
Claude Fable 5.2 модельдерінің бенчмарктердегі нәтижелері
Басты жаңалық бір көрсеткіштің жақсаруында емес, бірден бірнеше санаттағы нәтижелердің бірдей өсуінде.
Fable 5.1 және бәсекелестермен салыстыру
| Бенчмарк | Fable 5.2 | Fable 5.1 | Opus 5.5 | GPT-6 Astra | Gemini 4 Carbon |
|---|---|---|---|---|---|
| FrontierCode 2.0 | 49,1% | 32,4% | 45,5% | 42,8% | 41,1% |
| FrontierSWE v2 | 69,9% | 56,3% | 62,3% | 65,5% | 61,2% |
| AutomationBench | 51,4% | 31,4% | 42,5% | 41,4% | 53,9% |
| Terminal-Bench-Science 0.1 | 74,6% | 52,6% | 58,7% | 68,1% | 64,8% |
| OSWorld 2.1, ішінара жиынтық | 89,3% | 83,5% | 87,2% | 79,5% | 81,5% |
| AA-Briefcase v1.1, рубрика | 66,1% | 61,5% | 61,2% | 52,0% | 61,8% |
| Humanity's Last Exam, құралдармен | 74,2% | 65,6% | 67,7% | 57,2% | — |
| Chartography, құралдарсыз | 73,4% | 44,8% | 64,4% | 71,0% | 72,5% |
Бағдарламалау саласындағы өсім әсіресе көзге түседі. FrontierCode 2.0 сынағында Fable 5.2 бұрынғы нұсқадағы 32,4%-бен салыстырғанда 49,1% жинады — бұл 16,7 пайыздық тармаққа артық.
Күш-жігер мен тиімділік. Орташа күш-жігер жұмсалғанда (Claude пен Claude Code қосымшаларындағы әдепкі параметр) Fable 5.2 күрделі міндеттерді Fable 5.1-ге қарағанда аз токендер көмегімен орындай алады. FrontierCode 2.0 платформасындағы алдын ала тестілеу кезінде күш-жігері жоғары деңгейдегі Fable 5.2 максималды күш-жігер жұмсаған Opus 5.5 деңгейіне жуық нәтиже көрсетті, бұл ретте міндетті орындау құны шамамен екі есе төмен болды. Сонымен қатар, ол өте жоғары күш-жігер режимінде сынақтан өткен барлық шығарылған модельдердің ішіндегі ең үздік нәтиже көрсетті.
FrontierSWE v2 көрсеткіші 56,3%-дан 69,9%-ға дейін өсті. Бұл тест практикалық бағдарламалау міндеттерін шешуді бағалайды және кеңінен танымал SWE-bench Verified жүйесінен ерекшеленеді.
Алайда Fable 5.2 барлық жерде бірдей көш бастап тұрған жоқ. AutomationBench сынағында Gemini 4 Carbon 53,9% жинаса, Anthropic жаңалығы 51,4% жинады. Ал Elo-рейтингін салыстырсақ, AA-Briefcase жүйесінде Opus 5.5 әлі де жоғары тұр: 1800 бен 1785.
Прогресс қай бағыттарда ең айқын байқалды?
| Бенчмарк | Fable 5.2 | Fable 5.1 | Opus 5.5 |
|---|---|---|---|
| WANDR, агенттік іздеу | 82,1% | 68,7% | 72,3% |
| Remote Labor Index | 41,3% | 17,9% | 21,3% |
| RoboDojo Sim, робототехника | 64,9% | 27,6% | 39,4% |
| BenchCAD 2.1, инженерлік жобалау | 83,5 | 44,4 | 65,3 |
| AA-Briefcase, Elo | 1785 | 1669 | 1800 |
Remote Labor Index ерекше қызығушылық тудырады — бұл ЖИ-дің нақты зияткерлік жұмысқа ұқсайтын ұзақ мерзімді міндеттерді орындау қабілетін тексеру. Fable 5.2 бұл бағытта 41,3%-ға жетті (Fable 5.1 үшін бұл көрсеткіш 17,9% болатын).
RoboDojo Sim нәтижесі екі еседен астам өсті. Бұл — нейрожелі роботты манипуляторларды басқаратын симуляциялық орта.
Маңызды шектеу: 9 қарашадағы жағдай бойынша Arena, Artificial Analysis Intelligence Index, Vals және LiveBench тәуелсіз рейтингтеріндегі Fable 5.2 жекелеген нәтижелері әлі жарияланған жоқ. Сондықтан келтірілген салыстырулар тәуелсіз ортақ пікірге емес, Anthropic тестілеу нәтижелеріне негізделген.
Алғашқы тәуелсіз сынақтар мен қауымдастық пікірлері
Claude Fable 5.2 моделін алғаш қолданғандар оның жылдамдығы, тұрақтылығы және күрделі жобаларды орындау қабілеті жақсарғанын атап өтеді. Алайда Reddit пен Hacker News талқылауларында сақ пікірлер де бар: модель Opus 5.5-тен барлық жағдайда айқын оза бермейді, пайдалану лимиттерін тез тауысады және әлі де адам бақылауын қажет етеді.
Fable 5.2 мен Opus 5.5: айырмашылық барлық тапсырмада байқалмайды
Hacker News сайтында Fable 5.2 моделін шығарылымға дейін сынаған postalcoder күнделікті бағдарламалауда Opus 5.5-пен айырмашылықтың байқала бермейтінін жазды. Артықшылықтар негізінен ауқымдырақ тапсырмаларда көрінеді.
Сонымен қатар жаңа модель Fable 5.1-ге қарағанда едәуір жылдам. Пайдаланушының байқауынша, алдыңғы нұсқаның жұмысына кедергі келтірген шығыс токендерінің толып кету мәселесі де қайталанбаған.
Талқылаудың басқа қатысушылары да күнделікті бағдарламалау тапсырмаларының көпшілігіне Opus 5.5 немесе Sonnet 5.5 жеткілікті деп санайды. Fable моделін архитектураны жоспарлауға, күрделі зерттеулерге және қате құны жоғары техникалық шешімдерге қолдану орынды болуы мүмкін.
Жаңа практикалық сынақ: ғылыми бағдарламалық жасақтама 36 есе жылдамдады
Сол талқылауда advaith08 шамамен 600 мың жолдан тұратын Fortran жобасымен жүргізілген эксперимент туралы хабарлады.
Оның айтуынша, Fable 5.2 екі күн ішінде материалтануға арналған жекелеген есептеулерді 36 есе жылдамдатуға көмектескен. Авторлар жоба кодын GitHub-та жариялады.
Бұл модельді ауқымды ғылыми бағдарламалық жасақтаманы оңтайландыруға қолданудың тағы бір мысалы. Алайда жылдамдау көрсеткіші әзірлеушінің хабарламасына негізделген және тәуелсіз қайталап тексеруді қажет етеді.
Бенчмарктерге сын: есептеу күшінің әртүрлі деңгейлерін салыстыру
Hacker News-тің кейбір қатысушылары Anthropic салыстыруының әдістемесіне назар аударды.
Атап айтқанда, FrontierCode 2.0 тестіндегі Fable 5.2 моделінің Xhigh деңгейіндегі нәтижесі Gemini 4 Carbon моделінің Medium деңгейіндегі нәтижесімен салыстырылған. Есептеу күшінің әртүрлі деңгейлері шешім сапасына да, құнына да елеулі әсер етуі мүмкін.
Сондықтан жарияланған кестедегі бір модельдің артықшылығы оның бірдей бюджет жағдайында бәсекелесінен тиімдірек екенін міндетті түрде білдірмейді.
Тағы бір мәселе ресурстардың жұмсалуына қатысты. Пайдаланушылардың бірі Fable 5.2 рұқсат етілгеннен көп көмекші агент іске қосып, бес сағаттық пайдалану лимитін 20 минутқа жетпей тауысты деп хабарлады.
Reddit-те де лимиттердің көп жұмсалуы талқыланып жатыр. Пайдаланушылар модельдің шыққанын құптайды, бірақ кейбірі қарапайым жазылым аясында оның мүмкіндіктерін пайдалану қиын болады деп алаңдайды.
Итан Моллик: нейрожелі сарапшыға жақын, бірақ өз кемшіліктерін байқамайды
Уортон бизнес мектебінің профессоры Итан Моллик Fable 5.2 моделіне шығарылымға дейін қол жеткізіп, сынақтарының егжей-тегжейлі шолуын жариялады.
Модель сан алуан мүмкіндігін көрсетті: USB пернетақтасын шағын ойын консоліне айналдырды, мемлекеттік мекемелер деректері негізінде бизнес-жоба әзірледі және 35 әдеби шығарманы талдайтын білім беру сайтын жасады.
Басқа экспериментте Fable 450-ден астам үш өлшемді көріністен тұратын интерактивті әлем құрды. Модельдің өз бағалауынша, жоба барысында агенттер шамамен 25 мың рет іске қосылған. Алайда жоба күрделенген сайын топ жұмысының тиімділігі төмендеп, жүйеде артық ережелер мен рәсімдер көбейген.
Ғылыми зерттеу эксперименті ерекше назар аудартады. Fable тақырыпты өз бетінше таңдап, деректер тауып, талдау жүргізді және компанияларды тіркеу құнының кәсіпкерлік белсенділікке әсері туралы жұмыс жазды.
Моллик зерттеу тәсілін жоғары бағалағанымен, дайын жұмыс 182 бетке дейін ұлғайып, онда түзетуді қажет ететін кемшіліктер қалған. Басқа ЖИ модельдері қателердің бір бөлігін табуға көмектесті, бірақ нәтижені адам толық тексерген жоқ.
Молликтің байқауынша, Fable 5.2 моделінің басты әлсіздігі — өз жұмысының сапасын жеткілікті бағалай алмауы. Нейрожелі күрделі жобаны орындай алады, бірақ нәтиженің тым көлемді, қолайсыз немесе адамның күткеніне сай келмейтінін әрдайым түсіне бермейді.
Моллик әсерлі мүмкіндіктер мен күтпеген әлсіздіктердің мұндай үйлесімін Jagged AGI — «біркелкі емес жалпы интеллект» деп атайды.
Оның қорытындысы Anthropic мәлімдемелерін толықтырады: Fable 5.2 түрлі салада сарапшылық деңгейдегі жұмысты орындай алады, бірақ жүздеген агент пен көптеген автоматты тексеру де адамның пайымын алмастыра алмайды.
Opus 5.5 сапасының төмендеуі туралы қауесет расталды ма?
Hacker News талқылауларында Anthropic жаңа модель шығарылар алдында Opus 5.5 сапасын әдейі төмендетті деген айыптаулар пайда болды.
Алайда әзірге бұған сенімді дәлел жоқ.
ariwilson есімді қатысушы Opus 5.5-те өзінің тапсырмалар жиынтығын қайта орындады. Қараша айының басында модель 40 тапсырманың 36-сын, ал қайталап іске қосқанда 20 тапсырманың 19-ын шешті. Автор айырмашылықты нәтижелердің табиғи ауытқуы аясында деп санайды.
Сонымен қатар бірінші токенге дейінгі медианалық уақыт 3 секундтан 1,7 секундқа қысқарған.
Осылайша, модель сапасы әдейі төмендетілді деген мәлімдемелер расталған жоқ. Пайдаланушылардың әсерлері мен жекелеген сәтсіз жауаптар өздігінен модель сапасының өзгергенін дәлелдемейді.
Жалпы, алғашқы тәуелсіз сынақтар Fable 5.2 күрделі жобалар үшін жаңа мүмкіндіктер ашатынын көрсетеді. Дегенмен оның артықшылықтарын құнымен, шектеулерді сақтауымен және сапалы нәтиже алу үшін қажетті адам бақылауының көлемімен бірге бағалау қажет.
Нейрожелі мыңнан астам ЖИ-агенттің көмегімен операциялық жүйе жазды
Anthropic өз хабарламасында Fable 5.2 даму бағытын әдеттегі тесттерге қарағанда жақсырақ көрсететін эксперимент туралы айтты.
Әзірлеуші модельге операциялық жүйенің прототипін нөлден дерлік жасау міндетін қойды. Жобаны орындау үшін Fable сегіз күн бойы код жазып, оны тексеріп және түзеткен мыңнан астам көмекші агентті үйлестірді.
Компанияның хабарлауы бойынша, нәтижесінде ноутбукте жүктеле алатын, жинақтауышпен, пернетақтамен және желімен жұмыс істей алатын жүйе пайда болды. Ол графикалық интерфейсті, терезелерді, авторизацияны және орнатушыны қамтыды.
Бұл модель Windows немесе Linux жүйелеріне толыққанды бәсекелес жасады дегенді білдірмейді. Мұнда сапасы, қауіпсіздігі және өнеркәсіптік пайдалануға жарамдылығы тәуелсіз тексеруден өтпеген эксперименталды прототип туралы айтылып отыр.
Дегенмен, бұл тәсіл маңызды өзгерісті көрсетеді: ИИ енді жеке бағдарламашының рөлін емес, мамандандырылған агенттердің үлкен тобының үйлестірушісі рөлін жиі атқаруда.
Сондай-ақ Anthropic ішкі сервистердің бірін Python тілінен Rust тіліне көшіргені туралы айтты. Көшіру жұмыстары аяқталғаннан кейін оны іске қосу шамамен 26 есе жылдамдады.
Алғашқы пікірлер: Vercel, Shopify, Uber және басқа компаниялардың әзірлеушілері не айтады?
Claude Fable 5.2 ресми түрде шықпай тұрып, оны ірі технологиялық компаниялардың инженерлері сынақтан өткізді. Олардың пікірлері стандартты бенчмарктермен шектелмейтін тапсырмаларда жаңа модельдің мүмкіндіктерін бағалауға мүмкіндік береді.
Сынақтан өткізушілер әсіресе үш жақсартуды жиі атап өтеді: бұлыңғыр сұраныстарды түсіну, қателерді өз бетінше түзету және адамның тұрақты қатысуынсыз жұмысты жалғастыру қабілеті.
Төменде Anthropic жариялаған пікірлердің аудармалары келтірілген. Бұл шақырылған сынақтан өткізушілердің нақты сөздері, бірақ оларды компанияның өзі модельді таныстыру үшін іріктеп алған. Сондықтан оларды толықтай тәуелсіз, репрезентативті баға ретінде қарастыруға болмайды.
Vercel: бірнеше аптаға созылатын жобалар бірнеше күнде аяқталды
Джо Хаддад (Joe Haddad), Vercel техникалық маманы:
«Модель менің ойымды оқып жатқандай. Ол менің әрбір сұранысымның артындағы ниетті түсінеді. Маған бірде-бір рет: "Жоқ, мен басқаны меңзеген едім..." деп айтудың қажеті болмады.
Басқа модельдермен апталар бойы жұмыс істеген жобаларымызды Claude Fable 5.2 көмегімен небәрі бірнеше күн ішінде аяқтап, әріптестеріміздің мақұлдауын алдық. Бұл ретте оның кодын тексерген адамдардың ескертулері аз болды».
Бұл пікір бағдарламалауды тездетіп қана қоймай, адам мен модель арасындағы итерациялар санын азайтуымен қызықты. Егер нейрожелі тапсырманы бірден дұрыс түсінсе, әзірлеуші талаптарды нақтылауға және қате шешімдерді түзетуге аз уақыт жұмсайды.
Shopify: тәжірибелі инженермен жұмыс істеп жатқандай әсер
Том Притчард (Tom Pritchard), Staff Engineer, Shopify:
«Claude Fable 5.2 бұлыңғыр идеяны жан-жақты пысықталған шешімге айналдыру міндетін өте жақсы атқарады. Оның жауаптары шынымен де жақсы ойластырылған.
Әдетте, бірнеше хабарламадан кейін-ақ мен: "Жарайды, кірісе бер", — деп айта аламын және оның тапсырманы менің араласуымсыз дерлік орындайтынына сенімді боламын.
Бұл тағы бір тәжірибелі Staff Engineer деңгейіндегі инженермен жұмыс істегендей әсер қалдырады».
Бұл жағдайда сынақтан өткізуші модельдің бастапқы идеяны өз бетінше нақтылау және дамыту қабілетін ерекше атап өтеді.
Ірі бағдарламалық жобалар үшін бұл кодты генерациялау жылдамдығынан да маңыздырақ болуы мүмкін: күрделілік көбінесе функцияларды жазуда емес, дұрыс шешімді таңдауда жатады.
Datadog: Жасанды интеллект – агенттер тобының жетекшісі ретінде
Мэтт Ли (Matt Lee), Senior Staff Engineer, Datadog:
«Claude Fable 5.2-ге бұрын ешқашан көрмеген жаңа, түсініксіз жүйемен жұмысты жай ғана тапсыруға болады, және модель онда қалай әрекет ету керектігін өзі анықтайды.
Бұл инцидентке әрекет ету жетекшісіне ұқсайды: ол жедел ақпарат жинау үшін жылдамырақ модельдерді жібере алады, олардың әрекеттерін үйлестіре алады және осылайша оператор ретінде менің жүктемемді азайтады».
Бұл пікір Fable 5.2-ні қолданудың ең перспективалы сценарийлерінің бірін — басқа нейрожелілерді басқаруды көрсетеді.
Модель әрбір шағын операцияны өз бетінше орындаудың орнына, жұмысты жылдамырақ әрі арзан агенттер арасында бөледі, нәтижелерді жинайды және әрі қарайғы шешімдерді қабылдайды.
Мұндай тәсіл тапсырманы орындаудың әр кезеңінде қымбат модельді пайдаланбай-ақ, күрделі агенттік жүйелерді құруға мүмкіндік береді.
Unity: 3D көріністер және күрделі ойын жобаларын жасау
Сэм Чжан (Sam Zhang), Creative Technologist, Unity:
«Claude Fable 5.2 бұрынғы модельдер қиындық тудырған тапсырмаларды орындай алады.
Ең айқын мысалдар — нөлден бастап сапалырақ 3D көріністерді жасау және визуалды үлгі бойынша интерактивті тәжірибені қайта жасау.
Ол ойын әзірлеудің күрделі тапсырмаларында ерекше мықты: тұйыққа тіреліп қалудың орнына, жұмысты итеративті түрде жалғастырып, нәтижені жақсарта түседі».
Бұл бағдарламалауды, кеңістіктік ойлауды, визуалды материалдармен жұмыс істеуді және нәтижені бірнеше рет тексеруді біріктіруді қажет ететін тапсырмалардағы прогресті көрсетеді.
Қарапайым код генерациясынан айырмашылығы, ойын көрінісін жасау геометрияның, объектілердің, әрекеттердің және визуалды безендірудің үйлесімділігін талап етеді.
Uber: 170 агент және 12 сағатқа созылған қауіпсіздік аудиті
Эндрю Мейгер (Andrew Mager), Staff Engineer, Agentic Systems, Uber:
«Мен Claude Fable 5.2-ге 10–12 сағатқа созылатын қауіпсіздік аудитін жүргізуді тапсырдым.
Ол тексеру үшін 170-ке жуық агентті іске қосып, есеппен, түзетулері бар pull request-термен және қауіпсіздік саясаты бойынша ұсыныспен қайта оралды.
Модель жай ғана сенімді көрінетін кезеңде тоқтап қалмай, тапсырма нақты аяқталғанға дейін жұмыс істейді.
Мені оның қателерді өз бетінше түзету қабілеті және анықталған олқылықтарға қатысты адалдығы қатты таңғалдырды.
High күш-жігер деңгейінде мен оны ұзақ автономды аудиттер мен үлкен көлемдегі құжаттамамен жұмыс істеу үшін қазір пайдаланып жүрген құралдардың орнына таңдаған болар едім».
Бұл ең мазмұнды пікірлердің бірі, өйткені онда эксперименттің нақты сипаттамалары көрсетілген: 10–12 сағаттық автономды жұмыс және 170-ке жуық көмекші агент.
Модельдің шынайы болып көрінетін аралық нәтиже алғаннан кейін тапсырманы бірден аяқтамайтыны туралы ескерту әсіресе маңызды. Заманауи ЖИ-агенттері үшін жұмыстың орындалды деп мерзімінен бұрын жариялануы практикалық мәселелердің бірі болып қала береді.
Бұл ретте пікірде анықталған нақты осалдықтар саны немесе дұрыс түзетулердің пайызы туралы деректер жоқ, сондықтан аудит сапасын тек оның ұзақтығы бойынша ғана бағалауға болмайды.
Oracle: модель нәтижесін 5–8 есе арттыратын SQL қателерінен сақтанды
Лиюй Гун (Liyu Gong), Senior Manager of Machine Learning, Oracle:
«Әртүрлі елдердің мемлекеттік қарызы туралы жиынтық деректерді, қарызды өтеу тарихын және аймақтық көрсеткіштерді біріктіретін тесттердің бірінде Claude Fable 5.2 күтілетін нәтижелерді қайтарған SQL сұранысын жасады.
Басқа екі модельдің SQL сұраныстары да сәтті орындалды, бірақ елдер деңгейінде жиынтық көрсеткіштерді қате қорытындылады. Нәтижесінде күтілетін мәндерден 5–8 есе асатын мәндер алынды.
Fable 5.2-ні корпоративтік SQL генерациясы үшін құнды ететін де — осындай бизнес-есептеулерді дұрыс орындау қабілеті».
Бұл синтаксистік тұрғыдан дұрыс код пен тапсырманың дұрыс шешімі арасындағы айырмашылықтың маңызды мысалы болып табылады.
Басқа модельдер жұмыс істейтін SQL сұраныстарын жаза алды, бірақ деректерді біріктіру және жинақтау кезінде логикалық қателер жіберді.
Мұндай қателер бизнес-аналитика үшін әсіресе қауіпті: сұраныс сәтті орындалады, кестені қайтарады және қорытынды көрсеткіштер айтарлықтай бұрмаланғанына қарамастан, дұрыс көрінуі мүмкін.
iGent: 3500 формалды түрде тексерілген дәлелдемелері бар гипервизор
Шон Уорд (Sean Ward), iGent компаниясының тең құрылтайшысы әрі бас директоры:
«Claude Fable 5.2 бір сеанста гипервизор — бір физикалық машинада жұмыс істейтін виртуалды компьютерлерді оқшаулайтын бағдарламалық жасақтама жасады.
Оның ядросы осы оқшаулауды қамтамасыз ететіні математикалық түрде дәлелденген. Компьютермен тексерілген 3500-ден астам дәлелдеме тек сынақтан өткізуге болатын жағдайларды ғана емес, барлық жағдайларды қамтиды.
Бұл менің есімде осындай ауқымдағы тапсырманы бөліктерге бөліп, олардың әрқайсысының дұрыстығын дәлелдеп, біріктіріп, одан да өршіл тапсырмалар бойынша жұмысты жалғастыра алған алғашқы модель.
Fable 5.1-мен салыстырғанда верижді түрдегі үлкен қадам».
Бұл мысал жүйелік бағдарламалау мен формалды верификацияның үйлесімімен әсіресе қызықты.
Қарапайым тесттер бағдарламаны тек таңдалған кіріс деректері мен сценарийлер бойынша ғана тексереді. Формалды дәлелдемелер берілген модель мен болжамдар шеңберінде жүйенің белгілі бір қасиеттерін математикалық түрде негіздеуге мүмкіндік береді.
Бұл ретте мыңдаған автоматты түрде тексерілген дәлелдемелердің болуы бүкіл жүйенің кез келген қателерден кепілді түрде бос екенін білдірмейді. Нәтижені бағалау үшін дәл қандай қасиеттер формализацияланғанын және не тексеруден тыс қалғанын білу қажет.
Алғашқы сынақтан өткізушілердің пікірлерін не біріктіреді?
Тапсырмалардың әртүрлілігіне қарамастан, пікірлерде жалпы тенденция байқалады.
Fable 5.2 тек жылдамырақ код генераторы ретінде емес, техникалық жұмыстың едәуір бөлігін сеніп тапсыруға болатын жүйе ретінде қабылданады: талаптарды нақтылау және тапсырмаларды бөлуден бастап, нәтижені тексеру және өз қателерін түзетуге дейін.
Ең қызықтысы нақты мысалдар: Uber-дегі 170 агенті бар аудит, iGent-тегі формалды дәлелдемелері бар гипервизор және бәсекелес модельдер қате мәндерді қайтарған Oracle SQL тапсырмасы.
Алайда бұл пікірлер толық методологиямен және қайталанатын деректермен сүйемелденбейді. Олар перспективалы қолдану сценарийлерін көрсетеді, бірақ мұндай жобалардың сәтті орындалу ықтималдығының орташа мәнін анықтауға мүмкіндік бермейді.
Пікірлер көзі: Anthropic, Coding бөлімі.
Ферманың ұлы теоремасын дәлелдеуді 30 сағат ішінде формализациялау
Ең ерекше нәтижелердің бірі математикаға қатысты.
Fable 5.2 шамамен мың агенттен тұратын командасы 30 сағат ішінде Lean тілінде — компьютерге математикалық дәлелдемелерді қадам бойынша тексеруге мүмкіндік беретін жүйеде Ферманың ұлы теоремасының дәлелдемесін формализациялады.
Anthropic компаниясының Claude зерттеу нұсқасымен жасаған бұрынғы тәжірибесі 11 күнді қажет еткен.
Ұқсас көп агентті конфигурациядағы Opus 5.5-пен салыстырғанда, Fable 5.2 тапсырманы аяқтады, ал Opus 5.5 алғашқы 18 сағатта шамамен 26% орындауға қол жеткізіп, келесі 12 сағатта дерлік алға жылжымаған.
Мұнда жаңа математикалық дәлелдеуді құру мен бұрыннан белгілі нәтижені формализациялау арасындағы айырмашылықты түсінудің мәні зор.
Ферманың ұлы теоремасы заманауи нейрондық желілер пайда болғанға дейін әлдеқашан дәлелденген болатын. Fable жұмысы бағдарламалық түрде тексеруге болатын формальды дәлелдеуді құрудан тұрды. Бұл үшін модельге аралық тұжырымдардың тізімі берілді.
Нәтиже ең алдымен ұзақ математикалық жұмыс жасау, құралдарды пайдалану және агенттерді үйлестіру қабілеттерін көрсетеді.
Anthropic қара құрдым физикасының екі ашық есебі шешілгенін мәлімдеді
Тағы бір ерекше қызықты бағыт — ғылыми зерттеулер.
Anthropic компаниясы Fable 5.2 кванттық тартылысқа, голографиялық дуалдылыққа және қара құрдым физикасына қатысты теориялық физикада екі жаңа нәтиже алуға көмектескенін мәлімдейді.
Компания екі зерттеу жұмысына сілтеме жасайды:
Біріншісі белгілі бір теориялық модельдерде қара құрдымдардың пайда болуымен байланысты фазалық ауысуға арналған. Екіншісі рұқсат етілген кванттық теорияларға қойылатын математикалық шектеулерді зерттейді.
Жарнамалық сипаттамадан айырмашылығы, мұнда зерделеуге және сын көзбен тексеруге болатын жеке ғылыми препринттер бар.
Алайда препринт ғылыми қауымдастықтың нәтижені тәуелсіз растауымен бірдей емес. Түпкілікті бағалау үшін сараптамалық рецензия және нәтижелерді басқа зерттеушілердің қайталауы қажет.
Жұмыс форматының өзі қызығушылық тудырады: модель әдебиеттерді іздеу немесе код жазу үшін ғана емес, сонымен қатар жаңа математикалық дәлелдер құру үшін де қолданылады.
Бағдарламалаудан нақты құрылғылар мен роботтарға дейін
Anthropic компаниясы Diode компаниясымен бірлесіп электрониканы жобалау бойынша тәжірибе өткізді.
Fable 5.2 моделіне үш физикалық құрылғыны: үйге арналған дауыстық хабты, USB спикерфонды және электронды виртуалды үй жануарын әзірлеу тапсырмасы берілді.
Модель компоненттерді таңдады, төрт қабатты печатная платаларды жобалады, 3D басып шығаруға арналған корпустарды дайындады және бағдарламалық жасақтама жазды. Платалар жасалғаннан кейін ол диагностика мен құрастыруға қатысты.
Anthropic ақпараты бойынша, жасап шығарылғаннан кейін электр сұлбасын өзгертуді қажет етпей, барлық үш құрылғы жұмыс істей бастады.
Инженерлік дағдылардың өскені туралы қосымша растауды компания BenchCAD 2.1 арқылы келтіреді: Fable 5.2 үшін 83,5 ұпай, ал Fable 5.1 үшін 44,4 ұпай.
Робототехникада да өсу бұдан кем байқалмады: RoboDojo Sim жүйесінде жаңа өнім ізашарының 27,6%-ына қарсы 64,9% жинады.
Алайда әзірге бұл негізінен арнайы ұйымдастырылған сыннан өткізулер. Олардың нәтижелері модельдің күрделі физикалық бұйымдарды толығымен өз бетінше әзірлеуге, өндіруге және сертификаттауға қабілетті екенін білдірмейді.
Mythos 5.2: киберқауіпсіздік пен биомедицинада не өзгерді
Mythos 5.2 кеңейтілген мүмкіндіктері қауіпсіздік зерттеушілері үшін бөлек маңызға ие.
Anthropic компаниясының өз тексеруінде модель CVE Rediscovery жиынтығынан белгілі осалдықтардың 89,6%-ын анықтады (Mythos 5.1 үшін бұл көрсеткіш 78,3% болатын).
Тест 1829 осалдық бойынша жүргізілді. Модель түзетілгенге дейінгі бастапқы кодтың күйі бойынша мәселені өз бетінше анықтауы керек еді.
Mozilla инженері Брайан Гринстед Anthropic жариялаған түсініктемесінде Mythos 5.2 өткізілген сканерлеу науқандарында Mythos 5.1-мен салыстырғанда осалдықтарды анықтау көрсеткіштерін шамамен екі есе жақсартқанын хабарлады.
Биомедицинада Mythos 5.2 аденоассоциацияланған вирустардың ақуыз қабықтарын модельдеу үшін қолданылды. Сынақ нәтижелері бойынша қарастырылған 34 жағдайдың 28-інде дәлдік жеткілікті болып шықты.
Мұнда есептеуіш модельдеуді дайын дәрі-дәрмектерді жасаумен шатастыруға болмайды: алынған құрылымдар мен әдістер әлі де әрі қарай тексеруді талап етеді.
Жалпыға қолжетімді Fable 5.2 киберқауіпсіздік пен биология бойынша бірқатар тапсырмаларды орындауда айтарлықтай қатаң шектеулерге ие. Демек, осы салалардағы Mythos қабілеттерін әрбір пайдаланушыға қолжетімді деп санауға болмайды.
Қауіпсіздік: қате блоктаулар аз, бірақ шектеулер сақталады
Fable бұрынғы нұсқаларына қатысты шағымдардың бірі қауіпсіздік механизмдерінің жалған іске қосылуы болатын. Бағдарламалық жасақтаманы талдауға байланысты қалыпты сұраулар басқа модельге автоматты түрде ауысуға әкелуі мүмкін еді.
Anthropic Fable 5.2 нұсқасында мұндай блоктаулар саны Fable 5.1-ге қарағанда шамамен 55%-ға қысқарғанын мәлімдейді. Санаттар бойынша жақсарту киберқауіпсіздікте шамамен 60%-ды және биологияда 40%-ды құрайды.
Блоктау кезінде пайдаланушы кибертапсырмалар үшін Opus 4.8 немесе биология үшін Opus 5 жауабын ала алады.
Сондай-ақ компания қалаусыз автономды әрекетті бағалау нәтижелерін сипаттады. Арнайы тәжірибеде Mythos 5.2 өзіне белгіленген ортаның шекарасынан тыс деректерді Opus 5.5 үшін 3,1%-ға қарсы 3,3%-да, Mythos 5.1 үшін 21%-да және Mythos 5 ықтималдылығы 39%-ды құрайтын сценарийлерде қолданды.
Бұл цифрлар нақты жасалған нақты тексеруге қатысты және шынайы әлемде қауіпті әрекеттің ықтималдығы 3,1% құрайды дегенді білдірмейді.
Anthropic сонымен қатар жаңа модельдің тестке ұқсас жағдайларды бұрынғыларға қарағанда жиірек танитынын атап өтеді. Бұл қауіпсіздікті бағалауды қиындатуы мүмкін, өйткені сынақтар кезіндегі әрекет шынайы жағдайдағы әрекеттен өзгеше болуы ықтимал.
Claude Fable 5.2 құны: модель арзандады
Жақсартылған сипаттамалар аясында Anthropic API бағасын 20%-ға төмендетті.
Anthropic деректері бойынша, Fable 5.2 өзі Fable 5.1-ге қарағанда жауаптарды 30%-ға дейін жылдам генерациялай алады.
Қосымша Fast режимі токендерді генерациялауды 2,5 есеге дейін жылдамдатады, бірақ стандартты 5.2 режиміне қатысты екі түрлі токеннің де құнын екі есеге арттырады.
Бұл ретте генерация жылдамдығын тапсырманы толық шешу уақытымен шатастыруға болмайды. Агенттік жобаның ұзақтығы құралдарды шақыру санына, аралық тексерулердің мөлшеріне, пайымдау көлеміне және қайта іске қосылуларға байланысты.
Anthropic сонымен қатар FrontierCode 2.0 жүйесінде High деңгейіндегі Fable 5.2 тапсырмаға жұмсалатын ақшаны шамамен екі есе аз жұмсай отырып, Max деңгейіндегі Opus 5.5-пен шамамен бірдей нәтижеге қол жеткізетінін мәлімдейді.
Практикалық қолдану үшін мұндай көрсеткіш шығындарды есепке алмағандағы дұрыс жауаптардың максималды пайызынан маңыздырақ болуы мүмкін.
Fable 5.2 моделін қандай тапсырмалар үшін қолданған жөн
Жарияланған нәтижелер мен алғашқы сынаушылардың пікірлерін ескерсек, келесі сценарийлер الأكثر келешегі бар болып көрінеді.
Күрделі бағдарламалау. Модель қателерді ұзақ іздеуге, ірі код базаларын өзгертуге, қосымшаларды көшіруге және жобаны өз бетінше зерттеп, нәтижені тексеру қажет тапсырмаларға сәйкес келеді.
Көп агентті жүйелер. Fable-ді күрделі тапсырманы бөлшектейтін және қарапайым операцияларды арзанырақ модельдерге беретін үйлестіруші ретінде пайдалану өте қызықты. Дәл осындай мүмкіндіктерді Datadog пен Uber инженерлері ерекше атап өтеді.
Аналитика және зерттеу жұмыстары. Oracle мысалы жұмыс істейтін кодты жазу жеткіліксіз болған кезде, яғни бизнес-логиканы дұрыс түсіндіріп, деректерді біріктіру қателерін болдырмау қажет болғанда күрделі SQL-сұраныстарын генерациялау кезіндегі модельдің әлеуетін көрсетеді.
Математика және инженерлік жобалау. Дәлелдеулерді формализациялау, электрониканы жобалау және ғылыми кодпен жұмыс істеу перспективалы қолдану салалары бола алады. Формалды түрде тексерілген гипервизоры бар iGent эксперименті ерекше қызығушылық тудырады.
Қарапайым чат, мәтіндерді жазу және қарапайым бағдарламалар үшін мұндай қымбат модельді пайдалану орынсыз болуы мүмкін. Тіпті Anthropic күнделікті тапсырмалардың көбін Opus 5.5, Sonnet немесе арзанырақ нұсқалардан бастауды ұсынады.
Claude Fable 5.2 моделін қалай сынап көруге болады
Anthropic моделінің Claude платформасында, сондай-ақ AWS, Google Cloud және Microsoft Azure арқылы қолжетімді екенін хабарлады.
Әзірлеушілер үшін API идентификаторы жарияланды:
claude-fable-5-2
Үшінші тараптың API агрегаторлары мен қызметтерінде, соның ішінде GPTunnel-де модельге қолдау көрсету тиісті провайдерді қосуға байланысты. Anthropic ресми API-інде болуы үшінші тараптың әрбір қызметінде автоматты түрде қолжетімді дегенді білдірмейді.
Іске қосу кезінде Anthropic сонымен қатар сәйкес келетін ақылы жазылымдар үшін Fable пайдаланудың қосымша лимиттері туралы жариялады. Акция шарттары тарифке байланысты.
Қорытынды: нейрожелілердің жаңа көшбасшысы әлде әзірге тек үміткер ме?
Claude Fable 5.2 соңғы уақыттағы Anthropic компаниясының ең маңызды жаңартуларының бірі болып көрінеді.
Ең қызықты прогресс ұзақ автономды жұмысты, агенттерді үйлестіруді, математикалық тексерулерді және дәйекті инженерлік ізденісті талап ететін тапсырмалармен байланысты.
Бенчмарктар ғана емес, сонымен қатар алғашқы тәжірибелік сынақтар да маңызды көрсеткіш болып табылады. Vercel инженерлері жоба мерзімдерінің апталардан бірнеше күнге дейін қысқарғанын хабарлайды, Uber — 170 агенттің қатысуымен ұзақ аудит туралы, Oracle — басқа екі модельдің қолынан келмеген SQL-есептеулерін дұрыс орындағаны туралы айтады. Ал iGent мыңдаған формальды түрде тексерілген дәлелдемелері бар гипервизордың жасалғанын сипаттайды.
Бұл мысалдар Fable 5.2 моделінің басты прогресс жауаптарды генерациялаудан күрделі техникалық жұмысты өз бетінше орындауға көшуде жатқанын көрсетеді.
Сонымен қатар Anthropic презентация үшін таңдап алған серіктестердің пікірлері мен компанияның өзіндік тесттерінің нәтижелері модельдің барлық сценарийлердегі үстемдігінің түпкілікті дәлелі болып табылмайды.
Егер мәлімделген артықшылықтар тәуелсіз сынақтарда расталса, Fable 5.2 техникалық жобалар мен автономды агенттер үшін негізгі модельдердің біріне айналуы мүмкін. Әзірге бұл көшбасшылыққа өте күшті үміткер, бірақ түпкілікті расталған жеңімпаз емес.