Claude Fable 5.2 在 Artificial Analysis 智能指数中得分 65——这些数字意味着什么

底线

Claude Fable 5.2 以 65 分的成绩位居 Artificial Analysis 智能指数榜首，但其每项任务的成本相比 Fable 5.1 翻了一倍多，且每项任务的输出 token 数从约 118k 跃升至约 274k，这使得效率成为大多数用户关注的主要问题。

得分： 在 Artificial Analysis 智能指数（AA-II）v5.0.1 中得分为 65，是迄今为止所有模型中报告的最高分。
重要性： AA-II 汇总了九项重量级基准测试（AA-Briefcase、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode 2.0、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt v2、Terminal-Bench-Science 0.1）。更高的分数表明在广泛任务中具有更好的整体推理能力、知识可靠性和代理能力。

“Fable 5.2 在高强度设置下才是真正的亮点——得分 62，历史第二高，同时成本便宜 3 倍。” – nedsma（HN 评论）

成本增加： 即使宣布降价后，Fable 5.2 在智能指数每项任务上的加权平均成本大约是 Fable 5.1 的 2 倍。
Token 爆炸： 每项任务的输出 token 数从 5.1 的 118k（约 46k 回答 + 71k 推理）上升到 5.2 的 274k（约 81k 回答 + 192k 推理）。
影响： 用户支付更多费用，同时消耗更多 token，这直接推高了 API 账单。

“忘掉分数吧……Fable 5.1 已经是价格最高的了，现在 Fable 5.2 又翻了一倍！” – rgbrenner

帕累托前沿： 在 Artificial Analysis 的图表上，将 智能指数 与 每项任务加权平均成本 进行对比，Fable 5.2（尤其是低和中设置）位于前沿，这意味着它在达到相似智能水平的模型中提供了最佳权衡。
每项任务时间： 尽管 token 数量更高，但模型的输出速度（token/秒）仍具竞争力，使每项任务的总分钟数与之前版本相当。
用户视角： 对于原始智能比成本更重要的工作负载——例如高风险规划或复杂的科学推理——该模型可能是合理的。

“Fable 5.2（尤其是低和中设置）也位于每项任务时间与智能之间的帕累托前沿……新模型在这里似乎有显著改进。” – oliwary

能力	指标（越高越好）	Fable 5.2 观察
AA-Briefcase Elo	综合评分标准通过、分析质量、呈现	领跑排行榜；结合头对头 Elo 评分，95% 置信区间限制在 0。
AA-Omniscience 净得分	-100 → 100（知识可靠性、幻觉惩罚）	接近顶级；奖励正确答案，惩罚幻觉，拒绝回答不惩罚。
GDP.pdf 推理	专业文档推理全通过	持续通过最难的 legal-document 基准测试。
代理工作流（终端、软件工程）	任务完成速度和正确性的 Elo	在代理科学和软件任务中表现强劲，尽管有轶事报告指出偶尔会出现漂移。

“对我来说，Fable 的角色一直是规划者或计划审查者……这些改进似乎值得付出成本。” – djacksondev

“Artificial Analysis 由 AI 实验室付费，且他们不公布完整方法。对我来说这毫无意义……” – rodorgas

相反，对于常规面向客户的聊天、代码生成或内容创作，更便宜的替代方案（例如 Opus 5.5、DeepSeek-Flash）通常以一小部分成本提供相当的质量。

Claude Fable 5.2 推动了测量智能的前沿，但成本和 token 消耗的急剧上升使其成为小众工具，而非通用替代品。团队应权衡边际智能增益与翻倍的费用，尤其是在更便宜的模型已经满足大多数生产需求的情况下。