9 ноября 2026 года Anthropic представила Claude Fable 5.2 и Claude Mythos 5.2 — обновлённые модели для сложного программирования, научных исследований и автономной работы ИИ-агентов. Компания заявляет о значительном росте интеллектуальных возможностей, ускорении генерации до 30% и снижении стоимости API на 20%.
Давайте посмотрим, что нового, а также оценим первю реакцию сообщества на релиз (сразу после бенчмарков).
Главное о Claude Fable 5.2
- Сильнее в программировании, логике и визуальном анализе. Anthropic отмечает улучшение способности модели решать сложные инженерные задачи, рассуждать и работать с визуальной информацией. Fable 5.2 лучше понимает неоднозначные инструкции, самостоятельно исправляет ошибки и доводит длительные проекты до результата.
- Управление командами ИИ-агентов. Модель может выступать координатором: распределять задачи между сотнями и тысячами вспомогательных агентов, проверять результаты и объединять их в готовое решение.
- Самый заметный рост в бенчмарках. В сравнении с Fable 5.1 результат RoboDojo Sim вырос с 27,6% до 64,9%, Remote Labor Index — с 17,9% до 41,3%, BenchCAD 2.1 — с 44,4 до 83,5 балла, а FrontierCode 2.0 — с 32,4% до 49,1%. Это результаты тестирования, опубликованного Anthropic.
- Быстрее и дешевле. Генерация ответов ускорилась до 30%, а стоимость API снизилась на 20%. Дополнительный режим Fast ускоряет генерацию до 2,5 раза.
- Создание операционной системы с нуля. Fable 5.2 координировала более 1000 ИИ-агентов, которые за восемь дней разработали работающий прототип ОС с собственным ядром, драйверами, файловой системой и графическим интерфейсом.
- Решение двух открытых задач теоретической физики. По заявлению Anthropic, модель получила два новых результата, связанных с физикой чёрных дыр и квантовой гравитацией. Исследования опубликованы в виде научных препринтов.
- Формализация Великой теоремы Ферма за 30 часов. Команда из примерно 1000 агентов перевела известное математическое доказательство в формальный вид на языке Lean, допускающий компьютерную проверку. Предыдущий эксперимент потребовал 11 дней.
- Разработка трёх электронных устройств. По заданию Anthropic модель спроектировала голосовой хаб, USB-спикерфон и виртуального питомца: подготовила схемы печатных плат, корпуса и программное обеспечение. Все три устройства заработали без доработки электрических схем.
- Ускорение программного обеспечения и управление роботами. Модель помогла перенести производственный сервис с Python на Rust, ускорив его запуск примерно в 26 раз. Также продемонстрировала управление роботами, выполняющими физические действия, включая сборку кубика-головоломки.
Чем Claude Fable 5.2 отличается от Mythos 5.2
Fable и Mythos используют одну базовую модель, но отличаются ограничениями доступа и механизмами безопасности.
| Claude Fable 5.2 | Claude Mythos 5.2 | |
|---|---|---|
| Доступ | Пользователи Claude и разработчики | Проверенные организации |
| Основные задачи | Код, исследования, аналитика, ИИ-агенты | Те же задачи плюс специализированные исследования |
| Кибербезопасность | Часть запросов блокируется или переключается на другую модель | Расширенные возможности для проверенных специалистов |
| Биомедицина | Действуют дополнительные ограничения | Доступ через программу верификации |
| Базовая модель | Общая для обеих версий | Общая для обеих версий |
Таким образом, Mythos 5.2 — не отдельная более умная нейросеть, а версия с другим режимом доступа к чувствительным возможностям.
Anthropic по-прежнему рекомендует Claude Opus 5.5 для большинства повседневных задач. Fable 5.2 предназначена прежде всего для сложных, длительных и не полностью определённых проектов.
Результаты Claude Fable 5.2 в бенчмарках
Главная новость заключается не в улучшении одного показателя, а в одновременном росте результатов сразу в нескольких категориях.
Сравнение с Fable 5.1 и конкурентами
| 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, частичный набор | 89,3% | 83,5% | 87,2% | 79,5% | 81,5% |
| AA-Briefcase v1.1, rubric | 66,1% | 61,5% | 61,2% | 52,0% | 61,8% |
| Humanity's Last Exam, с инструментами | 74,2% | 65,6% | 67,7% | 57,2% | — |
| Chartography, без инструментов | 73,4% | 44,8% | 64,4% | 71,0% | 72,5% |
В программировании рост особенно заметен. На FrontierCode 2.0 Fable 5.2 получила 49,1% против 32,4% у предыдущей версии — прибавка на 16,7 процентного пункта.
Усилия и эффективность. При средних усилиях (настройка по умолчанию в приложениях Claude и Claude Code) Fable 5.2 может выполнять сложные задачи с меньшим количеством токенов, чем Fable 5.1. В ходе предварительного тестирования на платформе FrontierCode 2.0 Fable 5.2 при высоких усилиях показал результаты примерно на одном уровне с Opus 5.5 при максимальных усилиях, при этом стоимость выполнения задачи была примерно вдвое ниже. При очень высоких усилиях он также показал лучшие результаты среди всех протестированных выпущенных моделей.
На FrontierSWE v2 результат увеличился с 56,3% до 69,9%. Этот тест оценивает решение практических задач программирования и отличается от широко известного SWE-bench Verified.
Однако Fable 5.2 лидирует не везде. В AutomationBench Gemini 4 Carbon получила 53,9% против 51,4% у новинки Anthropic. А в AA-Briefcase, если сравнивать Elo-рейтинг, Opus 5.5 остаётся выше: 1800 против 1785.
В каких направлениях прогресс оказался самым заметным
| Бенчмарк | Fable 5.2 | Fable 5.1 | Opus 5.5 |
|---|---|---|---|
| WANDR, агентный поиск | 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, инженерное проектирование | 83,5 | 44,4 | 65,3 |
| AA-Briefcase, Elo | 1785 | 1669 | 1800 |
Особенно интересен Remote Labor Index — проверка способности ИИ выполнять продолжительные задачи, напоминающие реальную интеллектуальную работу. Fable 5.2 достигла 41,3% против 17,9% у Fable 5.1.
В RoboDojo Sim результат вырос более чем вдвое. Это симуляционная среда, в которой нейросеть управляет роботизированными манипуляторами.
Важное ограничение: на 9 ноября отдельные результаты Fable 5.2 в независимых рейтингах Arena, Artificial Analysis Intelligence Index, Vals и LiveBench ещё не опубликованы. Поэтому приведённые сравнения опираются на тестирование Anthropic, а не на независимый консенсус.
Первые независимые испытания и отзывы сообщества
Первые пользователи Claude Fable 5.2 отмечают улучшение скорости, стабильности и способности выполнять сложные проекты. Однако в обсуждениях Reddit и Hacker News появились и более осторожные оценки: модель не всегда заметно превосходит Opus 5.5, может быстро расходовать лимиты и по-прежнему нуждается в человеческом контроле.
Fable 5.2 против Opus 5.5: разница заметна не во всех задачах
На Hacker News пользователь postalcoder, протестировавший Fable 5.2 до релиза, отметил, что в обычном программировании различия с Opus 5.5 почти незаметны. Преимущества проявляются главным образом в более амбициозных заданиях.
При этом новая модель стала существенно быстрее Fable 5.1 и, по его наблюдениям, больше не сталкивалась с проблемами переполнения выходных токенов, мешавшими работе предыдущей версии.
Другие участники обсуждения также считают, что для большинства повседневных задач программирования возможностей Opus 5.5 или Sonnet 5.5 достаточно. Fable имеет смысл использовать для архитектурного планирования, сложных исследований и технических решений с высокой стоимостью ошибки.
Новый практический тест: ускорение научного ПО в 36 раз
В том же обсуждении пользователь advaith08 сообщил об эксперименте с программным проектом на Fortran объёмом около 600 тысяч строк.
По его словам, Fable 5.2 помогла за два дня ускорить отдельные вычисления для материаловедения в 36 раз. Авторы опубликовали код проекта на GitHub.
Это ещё один пример использования модели для оптимизации большого научного программного обеспечения. Однако коэффициент ускорения пока известен из сообщения разработчика и требует независимого воспроизведения.
Критика бенчмарков: сравнение при разных вычислительных усилиях
Некоторые участники Hacker News обратили внимание на методологию сравнения Anthropic.
В частности, результат Fable 5.2 на FrontierCode 2.0 при уровне Xhigh сопоставляется с результатом Gemini 4 Carbon при Medium. Разные уровни вычислительных усилий могут заметно влиять как на качество решения, так и на его стоимость.
Поэтому преимущество одной модели в опубликованной таблице не обязательно означает, что она эффективнее конкурента при одинаковом бюджете.
Другой вопрос касается расходования ресурсов. Один из пользователей сообщил, что Fable 5.2 запустила больше вспомогательных агентов, чем он разрешил, и израсходовала пятчасовой лимит использования менее чем за 20 минут.
На Reddit также обсуждают высокое потребление лимитов. Пользователи приветствуют появление модели, но некоторые опасаются, что воспользоваться её возможностями в рамках обычной подписки будет сложно.
Итан Моллик: нейросеть почти эксперт, но не замечает собственных недостатков
Профессор Уортонской школы бизнеса Итан Моллик получил доступ к Fable 5.2 до релиза и опубликовал подробный обзор своих испытаний.
Модель продемонстрировала широкий диапазон возможностей: превратила USB-клавиатуру в миниатюрную игровую консоль, разработала бизнес-проект на основе данных государственных учреждений и создала образовательный сайт с анализом 35 литературных произведений.
В другом эксперименте Fable построила интерактивный мир из более чем 450 трёхмерных сцен. По оценке самой модели, в проекте было задействовано около 25 тысяч запусков агентов. При этом по мере усложнения проекта эффективность работы команды снижалась, а система обрастала избыточными правилами и процедурами.
Особенно показательным оказался эксперимент с научным исследованием. Fable самостоятельно подобрала тему, нашла данные, провела анализ и написала работу о влиянии стоимости регистрации компаний на предпринимательскую активность.
Моллик высоко оценил исследовательский подход, однако итоговая работа разрослась до 182 страниц и всё ещё содержала недостатки, требующие исправления. Другие ИИ-модели помогли обнаружить часть ошибок, но сам результат не был полностью проверен человеком.
Главная слабость Fable 5.2, по наблюдениям Моллика, заключается в недостаточной способности оценивать качество собственной работы. Нейросеть может выполнить сложный проект, но не всегда понимает, когда результат получился слишком громоздким, неудобным или не соответствует ожиданиям человека.
Моллик называет такое сочетание впечатляющих возможностей и неожиданных слабостей Jagged AGI — «неровным общим интеллектом».
Его вывод хорошо дополняет заявления Anthropic: Fable 5.2 уже способна выполнять работу экспертного уровня в самых разных областях, но даже сотни агентов и многочисленные автоматические проверки не заменяют человеческого суждения.
Подтвердились ли слухи об ухудшении Opus 5.5?
В обсуждениях Hacker News появились обвинения в том, что Anthropic якобы ухудшила качество Opus 5.5 незадолго до выхода новой модели.
Однако убедительных доказательств этому пока нет.
Участник ariwilson повторно выполнил собственный набор задач на Opus 5.5. В начале ноября модель решила 36 из 40 задач, а при повторном запуске — 19 из 20. Автор считает различия находящимися в пределах естественного разброса результатов.
При этом медианное время до первого токена сократилось с 3 до 1,7 секунды.
Таким образом, заявления о намеренном ухудшении модели остаются неподтверждёнными. Пользовательские впечатления и отдельные неудачные ответы сами по себе не доказывают изменение качества модели.
В целом первые независимые испытания показывают, что Fable 5.2 действительно открывает новые возможности для сложных проектов. Но её преимущества необходимо оценивать вместе со стоимостью, соблюдением ограничений и объёмом человеческого контроля, необходимого для получения качественного результата.
Нейросеть написала операционную систему с помощью тысячи ИИ-агентов
В анонсе Anthropic привела эксперимент, который, возможно, лучше обычных тестов отражает направление развития Fable 5.2.
Разработчик поставил модели задачу создать прототип операционной системы практически с нуля. Для выполнения проекта Fable координировала более тысячи вспомогательных агентов, которые в течение восьми дней писали, проверяли и исправляли код.
По сообщению компании, в результате появилась система, способная загружаться на ноутбуке, работать с накопителем, клавиатурой и сетью. Она включала графический интерфейс, окна, авторизацию и установщик.
Это не означает, что модель создала полноценного конкурента Windows или Linux. Речь идёт об экспериментальном прототипе, качество, безопасность и пригодность которого для промышленного использования не прошли независимую проверку.
Тем не менее подход показывает важное изменение: ИИ всё чаще выполняет роль не отдельного программиста, а координатора большой группы специализированных агентов.
Anthropic также рассказала о переносе одного из внутренних сервисов с Python на Rust. После миграции его запуск ускорился примерно в 26 раз.
Первые отзывы: что говорят разработчики Vercel, Shopify, Uber и других компаний
До официального релиза Claude Fable 5.2 тестировали инженеры крупных технологических компаний. Их отзывы позволяют оценить возможности новой модели на задачах, которые не сводятся к стандартным бенчмаркам.
Особенно часто тестировщики отмечают три улучшения: способность понимать неоднозначные запросы, самостоятельно исправлять ошибки и продолжать работу без постоянного участия человека.
Ниже приведены переводы отзывов, опубликованных Anthropic. Это реальные высказывания приглашённых тестировщиков, но их отобрала сама компания для презентации модели. Поэтому рассматривать их как полностью независимую репрезентативную оценку нельзя.
Vercel: проекты, которые занимали недели, завершены за несколько дней
Джо Хаддад (Joe Haddad), технический специалист Vercel:
«Модель словно читает мои мысли. Она понимает намерение, стоящее за каждым моим запросом. Мне ни разу не пришлось говорить: "Нет, я имел в виду другое…"
Проекты, над которыми мы неделями работали с другими моделями, удалось завершить с помощью Claude Fable 5.2 всего за несколько дней и получить одобрение коллег. При этом у людей, проверявших её код, оказалось меньше замечаний».
Отзыв интересен не просто ускорением программирования, а снижением числа итераций между человеком и моделью. Если нейросеть сразу правильно понимает задачу, разработчику приходится тратить меньше времени на уточнение требований и исправление неверных решений.
Shopify: ощущение работы с опытным инженером
Том Притчард (Tom Pritchard), Staff Engineer, Shopify:
«Claude Fable 5.2 отлично справляется с превращением расплывчатой идеи в проработанное решение. Её ответы действительно хорошо продуманы.
Обычно уже через несколько сообщений я могу сказать: "Хорошо, приступай", — и быть уверенным, что она выполнит задачу практически без моего вмешательства.
Это похоже на работу с ещё одним опытным инженером уровня Staff Engineer».
В данном случае тестировщик выделяет способность модели самостоятельно уточнять и развивать первоначальную идею.
Для крупных программных проектов это потенциально важнее скорости генерации кода: сложность часто заключается не в написании функций, а в выборе правильного решения.
Datadog: ИИ как руководитель группы агентов
Мэтт Ли (Matt Lee), Senior Staff Engineer, Datadog:
«Claude Fable 5.2 можно просто поручить работу с новой, неоднозначной системой, которую она никогда раньше не видела, и модель сама разберётся, как в ней действовать.
Это почти как руководитель реагирования на инцидент: она может отправить более быстрые модели собрать оперативную информацию, координировать их действия и тем самым снять эту нагрузку с меня как оператора».
Этот отзыв иллюстрирует один из наиболее перспективных сценариев использования Fable 5.2 — управление другими нейросетями.
Вместо того чтобы самостоятельно выполнять каждую небольшую операцию, модель распределяет работу между более быстрыми и дешёвыми агентами, собирает результаты и принимает дальнейшие решения.
Такой подход потенциально позволяет создавать сложные агентные системы без необходимости использовать дорогую модель на каждом этапе выполнения задачи.
Unity: создание 3D-сцен и сложных игровых проектов
Сэм Чжан (Sam Zhang), Creative Technologist, Unity:
«Claude Fable 5.2 способна выполнять задачи, с которыми предыдущие модели испытывали трудности.
Самые наглядные примеры — создание более качественных 3D-сцен с нуля и воссоздание интерактивного опыта по визуальному образцу.
Она особенно сильна в сложных задачах разработки игр: продолжает итеративно работать и улучшать результат, вместо того чтобы заходить в тупик».
Это свидетельствует о прогрессе в задачах, где приходится сочетать программирование, пространственное мышление, работу с визуальными материалами и многократную проверку результата.
В отличие от обычной генерации кода, создание игровой сцены требует согласованности геометрии, объектов, поведения и визуального оформления.
Uber: 170 агентов и аудит безопасности продолжительностью 12 часов
Эндрю Мейгер (Andrew Mager), Staff Engineer, Agentic Systems, Uber:
«Я поручил Claude Fable 5.2 провести аудит безопасности продолжительностью 10–12 часов.
Она запустила около 170 агентов для проверки и вернулась с отчётом, pull request'ами с исправлениями и предложением по политике безопасности.
Модель работает до фактического завершения задачи, а не останавливается на этапе, который просто выглядит убедительно.
Меня впечатлили её способность самостоятельно исправлять ошибки и честность в отношении обнаруженных пробелов.
На уровне усилий High я предпочёл бы её тем инструментам, которые использую сейчас для длительных автономных аудитов и работы с большим количеством документации».
Это один из наиболее содержательных отзывов, поскольку в нём указаны конкретные характеристики эксперимента: 10–12 часов автономной работы и около 170 вспомогательных агентов.
Особенно показательно замечание о том, что модель не завершает задачу сразу после получения правдоподобного промежуточного результата. Для современных ИИ-агентов преждевременное объявление работы завершённой остаётся одной из практических проблем.
При этом отзыв не содержит данных о количестве обнаруженных реальных уязвимостей или проценте правильных исправлений, поэтому оценивать качество аудита только по его продолжительности нельзя.
Oracle: модель избежала ошибок в SQL, увеличивавших результат в 5–8 раз
Лиюй Гун (Liyu Gong), Senior Manager of Machine Learning, Oracle:
«В одном из тестов, объединявшем сводные данные о государственном долге разных стран, историю погашения задолженности и региональные показатели, Claude Fable 5.2 сгенерировала SQL-запрос, который вернул ожидаемые результаты.
SQL-запросы двух других моделей тоже успешно выполнялись, но неправильно суммировали агрегированные показатели на уровне стран. В результате получались значения, в 5–8 раз превышавшие ожидаемые.
Именно способность правильно выполнять такие бизнес-расчёты делает Fable 5.2 ценной для корпоративной генерации SQL».
Это важный пример отличия синтаксически правильного кода от правильного решения задачи.
Другие модели смогли написать работающие SQL-запросы, но допустили логические ошибки при объединении и агрегировании данных.
Такие ошибки особенно опасны для бизнес-аналитики: запрос успешно выполняется, возвращает таблицу и может выглядеть корректным, хотя итоговые показатели существенно искажены.
iGent: гипервизор с 3500 формально проверенными доказательствами
Шон Уорд (Sean Ward), сооснователь и генеральный директор iGent:
«За одну сессию Claude Fable 5.2 создала гипервизор — программное обеспечение, которое изолирует виртуальные компьютеры, работающие на одной физической машине.
Математически доказано, что его ядро обеспечивает эту изоляцию. Более 3500 доказательств, проверенных компьютером, охватывают все случаи, а не только те, которые можно протестировать.
Это первая модель на моей памяти, которая смогла разбить задачу такого масштаба на части, доказать корректность каждой из них, объединить их и продолжить работу над ещё более амбициозными задачами.
Очень заметный шаг вперёд по сравнению с Fable 5.1».
Этот пример особенно интересен сочетанием системного программирования и формальной верификации.
Обычные тесты проверяют программу только на выбранных входных данных и сценариях. Формальные доказательства позволяют математически обосновывать определённые свойства системы в рамках заданной модели и предположений.
При этом наличие тысяч автоматически проверенных доказательств не означает, что вся система гарантированно свободна от любых ошибок. Для оценки результата необходимо знать, какие именно свойства были формализованы и что осталось за пределами проверки.
Что объединяет отзывы первых тестировщиков
Несмотря на различие задач, в отзывах прослеживается общая тенденция.
Fable 5.2 воспринимается не столько как более быстрый генератор кода, сколько как система, которой можно доверить значительную часть технической работы: от уточнения требований и распределения задач до проверки результата и исправления собственных ошибок.
Наиболее интересны конкретные примеры: аудит с 170 агентами в Uber, гипервизор с формальными доказательствами в iGent и SQL-задача Oracle, где конкурирующие модели возвращали ошибочные значения.
Однако отзывы не сопровождаются полной методологией и воспроизводимыми данными. Они демонстрируют перспективные сценарии использования, но не позволяют определить среднюю вероятность успешного выполнения подобных проектов.
Источник отзывов: Anthropic, раздел Coding.
Формализация доказательства Великой теоремы Ферма за 30 часов
Один из самых необычных результатов связан с математикой.
Команда примерно из тысячи агентов Fable 5.2 за 30 часов формализовала доказательство Великой теоремы Ферма на языке Lean — системе, позволяющей компьютеру проверять математические доказательства шаг за шагом.
Предыдущий эксперимент Anthropic с исследовательской версией Claude потребовал 11 дней.
При сравнении с Opus 5.5 в аналогичной многоагентной конфигурации Fable 5.2 завершила задачу, тогда как Opus 5.5 достигла примерно 26% выполнения за первые 18 часов и почти не продвинулась за следующие 12.
Здесь принципиально важно понимать разницу между созданием нового математического доказательства и формализацией уже известного результата.
Великая теорема Ферма была доказана задолго до появления современных нейросетей. Работа Fable состояла в построении формального доказательства, которое можно проверить программно. Для этого модели предоставили перечень промежуточных утверждений.
Результат говорит прежде всего о способностях к длительной математической работе, использованию инструментов и координации агентов.
Anthropic заявляет о решении двух открытых задач физики чёрных дыр
Ещё более интересное направление — научные исследования.
Anthropic утверждает, что Fable 5.2 помогла получить два новых результата в теоретической физике, связанных с квантовой гравитацией, голографической двойственностью и физикой чёрных дыр.
Компания ссылается на две исследовательские работы:
Первая посвящена фазовому переходу, связанному с образованием чёрных дыр в определённых теоретических моделях. Вторая исследует математические ограничения на допустимые квантовые теории.
В отличие от рекламного описания, здесь существуют отдельные научные препринты, которые можно изучать и критически проверять.
Однако препринт не равнозначен независимому подтверждению результата научным сообществом. Для окончательной оценки необходимы экспертная рецензия и воспроизведение результатов другими исследователями.
Интерес представляет сам формат работы: модель используется не только для поиска литературы или написания кода, но и для построения новых математических аргументов.
От программирования к реальным устройствам и роботам
Anthropic совместно с компанией Diode провела эксперимент по проектированию электроники.
Fable 5.2 получила задачу разработать три физических устройства: домашний голосовой хаб, USB-спикерфон и электронного виртуального питомца.
Модель подбирала компоненты, проектировала четырёхслойные печатные платы, готовила корпуса для 3D-печати и писала программное обеспечение. После изготовления плат она участвовала в диагностике и сборке.
По информации Anthropic, все три устройства заработали без необходимости изменять электрическую схему после изготовления.
Дополнительное подтверждение роста инженерных навыков компания приводит через BenchCAD 2.1: 83,5 балла у Fable 5.2 против 44,4 у Fable 5.1.
В робототехнике рост оказался не менее выраженным: в RoboDojo Sim новинка получила 64,9% против 27,6% у предшественницы.
Однако пока это в основном специально организованные испытания. Их результаты не означают, что модель способна полностью самостоятельно разрабатывать, производить и сертифицировать сложные физические изделия.
Mythos 5.2: что изменилось в кибербезопасности и биомедицине
Расширенные возможности Mythos 5.2 имеют отдельное значение для исследователей безопасности.
В собственной проверке Anthropic модель обнаружила 89,6% известных уязвимостей из набора CVE Rediscovery против 78,3% у Mythos 5.1.
Тест проводился на 1829 уязвимостях. Модель должна была самостоятельно определить проблему по состоянию исходного кода до исправления.
Инженер Mozilla Брайан Гринстед в комментарии, опубликованном Anthropic, сообщил, что Mythos 5.2 примерно вдвое улучшила показатели обнаружения уязвимостей по сравнению с Mythos 5.1 в проведённых кампаниях сканирования.
В биомедицине Mythos 5.2 использовалась для моделирования белковых оболочек аденоассоциированных вирусов. По результатам испытаний точность оказалась достаточной в 28 из 34 рассмотренных случаев.
Здесь нельзя путать вычислительное моделирование с созданием готовых лекарственных препаратов: полученные структуры и методы ещё требуют дальнейшей проверки.
Публичная Fable 5.2 имеет существенно более строгие ограничения на выполнение ряда задач кибербезопасности и биологии. Следовательно, способности Mythos в этих областях нельзя считать доступными каждому пользователю.
Безопасность: меньше ошибочных блокировок, но ограничения сохраняются
Одной из претензий к предыдущим версиям Fable были ложные срабатывания механизмов безопасности. Нормальные запросы, связанные с анализом программного обеспечения, могли приводить к автоматическому переключению на другую модель.
Anthropic заявляет, что в Fable 5.2 число таких блокировок сократилось примерно на 55% относительно Fable 5.1. По категориям улучшение составляет около 60% в кибербезопасности и 40% в биологии.
При блокировке пользователь может получить ответ от Opus 4.8 для киберзадач или Opus 5 для биологии.
Компания также описала результаты оценки нежелательного автономного поведения. В специальном эксперименте Mythos 5.2 использовала данные за границами заданной ей среды в 3,1% сценариев против 3,3% у Opus 5.5, 21% у Mythos 5.1 и 39% у Mythos 5.
Эти цифры относятся к конкретной искусственно построенной проверке и не означают, что вероятность опасного поведения в реальном мире составляет 3,1%.
Anthropic также отмечает, что новая модель чаще предыдущих распознаёт ситуации, похожие на тестирование. Это потенциально усложняет оценку безопасности, поскольку поведение во время испытаний может отличаться от поведения в реальных условиях.
Стоимость Claude Fable 5.2: модель стала дешевле
На фоне улучшенных характеристик Anthropic снизила цены API на 20%
По данным Anthropic, сама Fable 5.2 способна генерировать ответы до 30% быстрее Fable 5.1.
Дополнительный режим Fast ускоряет генерацию токенов до 2,5 раза, но удваивает стоимость обоих типов токенов относительно стандартного режима 5.2.
При этом скорость генерации не следует путать со временем полного решения задачи. Продолжительность агентного проекта зависит от числа вызовов инструментов, количества промежуточных проверок, объёма рассуждений и повторных запусков.
Anthropic также утверждает, что на FrontierCode 2.0 Fable 5.2 при уровне High достигает примерно того же результата, что Opus 5.5 на Max, расходуя примерно вдвое меньше денег на задачу.
Для практического использования такой показатель может быть важнее максимального процента правильных ответов без учёта затрат.
Для каких задач стоит использовать Fable 5.2
Судя по сочетанию опубликованных результатов и отзывов первых тестировщиков, наиболее перспективны следующие сценарии.
Сложное программирование. Модель подходит для длительного поиска ошибок, изменения крупных кодовых баз, миграции приложений и задач, где необходимо самостоятельно исследовать проект и проверять результат.
Многоагентные системы. Особенно интересно использование Fable как координатора, который разбивает сложную задачу на части и передаёт простые операции более дешёвым моделям. Именно такие возможности выделяют инженеры Datadog и Uber.
Аналитика и исследовательская работа. Пример Oracle показывает потенциальную пользу модели при генерации сложных SQL-запросов, когда недостаточно написать работающий код: нужно правильно интерпретировать бизнес-логику и избежать ошибок агрегации данных.
Математика и инженерное проектирование. Формализация доказательств, проектирование электроники и работа с научным кодом могут стать перспективными областями применения. Особенно интересен эксперимент iGent с формально верифицированным гипервизором.
Для обычного чата, написания текстов и простых программ использование столь дорогой модели может быть неоправданным. Даже Anthropic предлагает начинать большинство повседневных задач с Opus 5.5, Sonnet или более дешёвых вариантов.
Как попробовать Claude Fable 5.2
Anthropic сообщила о доступности модели на платформе Claude, а также через AWS, Google Cloud и Microsoft Azure.
Для разработчиков опубликован идентификатор API:
claude-fable-5-2
Поддержка модели в сторонних агрегаторах API и сервисах, включая GPTunnel, зависит от подключения соответствующего провайдера. Наличие в официальном API Anthropic ещё не означает автоматическую доступность в каждом стороннем сервисе.
На время запуска Anthropic также объявила о дополнительных лимитах использования Fable для подходящих платных подписок. Условия акции зависят от тарифа.
Вывод: новый лидер среди нейросетей или пока только претендент?
Claude Fable 5.2 выглядит одним из самых серьёзных обновлений Anthropic за последнее время.
Наиболее интересный прогресс связан с задачами, требующими длительной автономной работы, координации агентов, математических проверок и последовательного инженерного поиска.
Показательны не только бенчмарки, но и первые практические испытания. Инженеры Vercel сообщают о сокращении сроков проектов с недель до нескольких дней, Uber — о длительном аудите с участием 170 агентов, Oracle — о корректном выполнении SQL-расчётов, с которыми не справились две другие модели. А iGent описывает создание гипервизора с тысячами формально проверенных доказательств.
Эти примеры показывают, что главный прогресс Fable 5.2 может заключаться в переходе от генерации ответов к самостоятельному выполнению сложной технической работы.
При этом отзывы партнёров, отобранные Anthropic для презентации, и результаты собственных тестов компании ещё не являются окончательным доказательством превосходства модели во всех сценариях.
Если заявленные преимущества подтвердятся в независимых испытаниях, Fable 5.2 может стать одной из ключевых моделей для технических проектов и автономных агентов. Пока это чрезвычайно сильный претендент на лидерство, но не окончательно подтверждённый победитель.