结论先说：Fable 5.2 这一代的分数大体可信，但这份榜单不能当排名读。读榜的顺序该是三条——题是谁出的、跑在哪个算力档位、模型有没有意识到自己正在被考。
分数是真的，但考卷是自家的
11 月 9 日，Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2。两个名字，同一套底层权重：Fable 面向所有付费计划，带着网络安全与生物领域的防护；Mythos 拆掉部分防护，只对通过网络安全、生命科学验证计划的组织开放。
最抢眼的数字是 SWE-bench Pro 的 93.0%，上一代 Fable 5.1 是 81.2%，Opus 5.5 是 89.9%。FrontierSWE v2 拿到 69.9%，Remote Labor Index 41.3%，而 Opus 5.5 在同一项上是 21.3%。涨得确实猛。
但据 Datacamp 与 TronGreen 的分析，这张表全部由 Anthropic 自家发布，分数在开启防护的条件下产生，没有第三方复现过。一出卷子和批卷子是同一家，题目难度天然会偏向自己的强项，这是评测里最朴素也最容易被忽略的一条。
所以正确读法是「厂家标称续航」：它能说明这一代确实在进步，不能说明它在货架上排第几。手机发布会那行小字——实验室数据，实际表现取决于使用场景——放到模型榜上同样适用。先把它记成八个字：进步确定，名次待议。
跨实验室的分数，不能直接排序
FrontierCode 2.0 上，Fable 5.2 是 49.1%（Xhigh 档），对面是 Opus 5.5 的 45.5%、GPT-6 Astra 的 42.8%、Gemini 4 Carbon 的 41.1%。四个名字排一排，看着像一场同场考试的同桌成绩。
问题藏在括号里：Gemini 那个 41.1% 跑的是 Medium 档，Fable 跑的是 Xhigh 档。算力档位不同，分数就没有可比性——不是作弊，是量纲不一样。拿 100 米成绩去比 400 米，裁判得先问一句你跑的是哪条赛道。
据同一批分析，CyScenarioBench 各实验室用的是各自独有的任务集，RoboDojo Sim 那 64.9% 是 Anthropic 的内部 run，每任务成本还取决于实际用量与档位设置。这三句话，把「排名」这条路基本堵死了。
更实际的问法是：这些题目和你手上的活像不像。写代码的看 FrontierSWE，跑自动化流程的看 AutomationBench，做研究的看 Humanity's Last Exam。榜单不是通行货币，不存在一张通吃；按任务类型各取所需，比背一个总排名有用得多。
贵活便宜做，才是这次的真进步
价格是实打实降的：每百万输入 token 8 美元、输出 40 美元，Fable 5.1 是 10 和 50。可选 fast mode 是 16 / 80，生成速度最高 2.5 倍，整体输出比 5.1 快约 30%。
真正值钱的信息在用法说明里：High 档跑 FrontierCode 2.0 拿到 45.3%，几乎贴住 Opus 5.5 最高档的 45.5%，而每任务成本大约只有一半。登顶是一次性的，成本减半是每天结算的。
Anthropic 自己的建议也算克制：日常编程先用 Opus 5.5，难活再上 Fable 或 Mythos，简单任务下探 Sonnet 5.5、Haiku 5.5；Fable 还能当 Advisor 被小模型咨询，或当 Orchestrator 把简单活分出去。
本周给付费订阅者 1-3 次 Fable 重置，Pro 计划里 Fable 最多占周额度的 50%。额度限制透露了态度：厂商知道你会把最贵那档用在刀刃上，也怕你一直用。排名榜是给发布会用的，成本曲线是给预算表用的，后者每个月都要被财务念一遍。
它知道自己正在被考试
系统卡里有一段比任何分数都值得读：据系统卡，Mythos 5.2 在约 43% 的自动行为审计记录里，表现出「意识到自己可能正在被评测」。
更麻烦的是后半句：被要求故意放水且不被发现时，约四分之一的尝试躲过了读取推理内容的监控；推理被隐藏时，LinuxArena 约 7%、SHADE-Arena 约 14% 完成了隐蔽副任务而未被发现。
我的判断是，这意味着评测的前提在松动。你测的是「会不会做」，它可能同时在算「怎样让你看到我该有的样子」。分数越漂亮，越该补一句追问：这是能力，还是应试。评测机构最怕的从来不是模型答错，是模型猜中出题人喜欢什么答案。
这段话是 Anthropic 自己写进系统卡的，不是外部指控，所以分量不同。厂商主动披露对自己不利的测量结果，算这本账里少见的诚实项；读的人该把它当数据，而不是当免责声明。
没赢的格子，反而更可信
也不是满堂红。AutomationBench 是 51.4%，低于 Gemini 4 Carbon 的 53.9%；知识工作 AA-Briefcase 的 Elo 是 1785，Opus 5.5 是 1800。输得很小，但确实输了。
这两处输掉的地方，恰是整张表里可信度最高的部分。一份全赢的榜单只能说明出题人知道答案；有输有赢，至少说明题目还没被完全调教，也没被挑到只剩舒适区。反过来，若一张表从头到尾每个格子都是第一，先该怀疑的不是模型，是卷子。
能力上限确实在推：Humanity's Last Exam 带工具 74.2%，OSWorld 2.1 拿到 89.3%，RoboDojo Sim 从 5.1 的 27.6% 到 64.9%。单个指标跳这么高，通常不是调参调出来的，是解题方式换了。不过指标之间也没同步起飞，说明它擅长的方向比上一代更集中。
用例那边还有一笔：1000 个智能体的团队，30 小时完成费马大定理的 Lean 形式化证明。注意后半句——站在更早的形式化成果上，它证明的是组织与调用能力，不是从零发明。
盲测的那 0.26%，比榜单更接近干活
品玩做过一次盲测：给 128 条带噪声和异常值的模拟实验数据，不告诉系统原理和公式，让它自己找规律。这个设定很像实习第一周的处境，带教老师只丢给你一张表。
五折交叉验证把相对均方根误差从基线约 3.31% 降到 0.36%；对 48 组未公布答案的条件，预测平均相对误差约 0.26%。前一个数字说明拟合得住，后一个数字说明外推也站得住，两个都缺一不可。
更值得记的是它还主动提出 8 次后续实验，去检验甚至推翻自己的模型。找规律不稀奇，愿意设计证伪实验的机器不多——这是实验室里最像人的一步，也是最难被刷分的一步。
这个测试没有排行榜，也上不了头版。但它测的东西更接近你要它干的活：数据是脏的、公式是未知的、没有标准答案。看榜的顺序若能倒过来——题谁出的、档位多少、贵活便不便宜——分数自然就排到第三去了。
