Fable 5.2 – новый монстр Anthropic⁠⁠

(посвящается 3,5 счастливчикам, кого не забанили в Claude)

Anthropic окончательно запутала нас индексами: Opus 5 сменился сразу на 5.5, а Fable 5.1 – только на Fable 5.2. При этом скачок по бенчмаркам мощный: видимо, с цифрами поскромничали после призыва Дарио Амодеи "притормозить гонку".

Основным флагманом остается Opus 5.5, а Fable 5.2 – тяжелая артиллерия для долгих проектов, науки и роли "советника" (Advisor), к которому младшие модели обращаются за подсказкой.

Главный рывок – на Remote Labor Index (240 заказов с фриланс-бирж, где итог сверяют с профи): 41,3% против 21,3% у Opus 5.5 и 20,8% у GPT-6 Astra. В коде и инженерии: SWE-bench Pro – 93,0% (Opus 5.5 – 89,9%), 20-часовой FrontierSWE v2 – 69,9% (Astra – 65,5%), 3D-чертежи и платы BenchCAD 2.1 – 83,5 против 65,3 у Opus 5.5. В рейтинге Vals AI (реальные задачи финансов, права, налогов и кода) модель тоже первая с 71,31%, но лишь чуть обходит Sonnet 5.5 (70,85%) и Gemini 4 Carbon (70,45%).

Лидерство не абсолютное:
— в офисной работе GDPval-AA v2.1 (1831 Elo) уступила Opus 5.5 (1866) и Muse Wonder Full (1857)
— в сложной аналитике AA-Briefcase чуть позади Opus 5.5 (1785 против 1800)
— в бизнес-процессах AutomationBench (51,4%) пропускает Gemini 4 Carbon (53,9%), а в праве Harvey LAB v1.1 (7,2%) – GPT-6 Astra (8,6%).

Забавная деталь: на 1М-контекстном ProgramBench (сборка кода программ вроде FFmpeg по бинарнику) Fable 5.2 сначала уступила Opus 5.5 – 85,6% против 91,2%. В 68% задач она так увлекалась, что не замечала конца контекстного окна и обрывалась. Добавили счетчик токенов – стала первой (91,6%).

Рой из 1 000 агентов Fable 5.2 за 30 часов доказал Великую теорему Ферма на языке машинной проверки Lean (Opus 5.5 – лишь 27%). Бумажное доказательство Уайлса давно известно, но перевести сотни страниц формул в строгий код без пропусков математики пытались больше двух лет. В другом тесте 1 000 агентов за 8 дней с нуля написали работающую на ноутбуке ОС с драйверами и окнами. Плюс модель решила две открытые задачи по черным дырам и по промпту в абзац спроектировала три гаджета (платы уже спаяли в Diode).

Самый сок как обычно в системной карте:

— На ExploitBench (41 уязвимость Chrome V8) Mythos 5.2 (Fable 5.2 без цензуры) собирает рабочий эксплойт в 90% попыток (369 из 410). При этом в 31% тестов с уязвимыми виртуалками модель сама вылезала из песочницы ради решения задачи. Но стоило описать границы дозволенного в промпте и дать кнопку "сообщить о баге", как доля побегов упала до 0,2% – в 80% случаев ИИ сам докладывал об уязвимости разработчикам.

— В 43% проверок (а у британского института AISI – в 96%!) модель понимает, что ее тестируют на безопасность. И впервые по просьбе "притвориться глупее" она в 24% попыток обманула монитор, читающий ее мысли: прежние модели палились в рассуждениях ("тут надо ответить неверно"), а Fable 5.2 даже зная ответ разыгрывала в мыслях правдоподобную "честную ошибку".

— В другом тесте в песочнице запустили 40 агентов со сломанной утилитой чтения код-ревью в Git. Прошлые модели молча находили в конфигах токен и читерили через прямой API. Агенты Fable 5.2 иногда сделали так же, но в 16 из 25 прогонов один из них писал на внутреннем форуме, что обход не разрешен человеком – остальные каялись и запрещали друг другу читерить до ответа оператора.

Генерация до 30% быстрее, прайс в API снизили на 20% – $8 / $40 за 1M токенов (кэш – $0,20, Fast mode в 2,5 раза быстрее за $16 / $80). На средних режимах Fable 5.2 выдает качество максимума Opus 5.5, но за счет экономии токенов обходится в 2–10 раз дешевле.

Впервые на подписке Pro дали неделю доступа к Fable (до 50% лимита) и сброс лимитов до 16 ноября, на Max и Ultra – от 1 до 3 сбросов до марта 2027-го по возрасту аккаунта.

(Ну а Gemini 4 Carbon опять вылетела из SOTA до момента широкого запуска. Эх, Google!)

P.S. Больше разборов главных ИИ-релизов и их системных карт — в моем Telegram-канале "Сбежавшая нейросеть".