Ulasan Claude Fable 5.2: Pertama di Indeks, Terakhir soal Biaya

Claude Fable 5.2 berada di peringkat pertama pada Artificial Analysis Intelligence Index v5.0.1 dengan nilai 65, dan model ini juga merupakan model paling mahal untuk dijalankan di papan peringkat tersebut: $26.54 dari pengeluaran penyedia untuk menyelesaikan satu putaran indeks, dibandingkan $5.48 untuk model tepat di bawahnya. Oleh karena itu, ulasan tentang model ini bukanlah soal apakah model ini bagus — model ini adalah model yang tersedia secara luas dengan skor terbaik, dan halaman Claude Fable 5.2 API mencantumkan $8.00 per juta token input dan $40.00 per juta token output. Pertanyaannya adalah apa yang Anda bayar dan apakah beban kerja Anda dapat menggunakannya.

Apa itu

Penerus Anthropic untuk Fable 5.1, dirancang untuk penalaran yang menuntut dan kerja agentik berhorizon panjang. Jendela konteks 1 juta token dengan nilai maksimum sebagai default, hingga 128K token keluaran per respons, input teks, gambar, dan dokumen dengan keluaran teks, penggunaan alat native dan JSON terstruktur. Berpikir selalu aktif dan adaptif, dengan pengatur tingkat usaha dari rendah hingga maks, dan rantai pemikiran mentah tidak pernah dikembalikan — Anda mendapatkan ringkasan atau kolom thinking yang kosong.

Detail terakhir itulah yang harus menjadi acuan dalam merancang. Anda tidak dapat mengaudit penalarannya; Anda hanya dapat mengaudit jawaban dan ringkasannya. Bagi alur kerja yang teregulasi, hal itu lebih penting daripada skor indeks, dan itulah pula sebabnya tingkat upaya perlu ditetapkan secara sengaja, bukan dibiarkan pada nilai default.

Skor

65 pada v5.0.1, peringkat 1 dari 78. Sembilan evaluasi tersebut adalah AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 Hard Subset dan Terminal-Bench-Science 0.1 — campuran agentic dan sains keras alih-alih campuran papan peringkat coding. Selisih lima poin terhadap Gemini 4 Carbon merupakan seluruh keunggulan di puncak papan peringkat.

Pemeriksaan versi bukan formalitas. Skor dari v4.3 dan v4.3.2 berasal dari kumpulan evaluasi yang berbeda dan tidak dapat ditabulasikan terhadap v5.0.1. Jika Anda melihat Fable 5.2 diperingkat di samping skor v4.3, perbandingannya tidak valid, tidak peduli seberapa terhormat sumbernya.

Berapa biaya waktu untuk berada di puncak papan

267 detik hingga token pertama, peringkat 76 dari 77 model dengan data latensi — paling lambat kedua di papan peringkat. 46,8 menit waktu aktual per tugas di sembilan evaluasi, 1,6 kali yang dibutuhkan Carbon. Kecepatan keluaran setelah mulai menulis adalah 97 token per detik, yang 35 persen lebih cepat daripada 72 milik Carbon dan tidak relevan terhadap total, karena waktu dihabiskan untuk berpikir.

Dibandingkan lalu lintas langsung melalui OrcaRouter, gambarnya kembali berbeda: p50 8,09 detik hingga token pertama, p95 10,00 detik, 101 token per detik, dari 35,6 juta token yang dilayani dalam tujuh hari. AA mengukur perangkat uji pada upaya maksimal; gateway mengukur permintaan median yang nyata. Kedua angka tersebut jujur dan tidak ada satu pun yang sendirian memberi tahu Anda apa yang akan dialami pengguna.

Berapa biayanya dalam bentuk uang

$26.54 untuk menjalankan indeks — peringkat 77 dari 77, model termahal di papan peringkat, dan 4,8 kali lipat Gemini 4 Carbon yang $5.48. Dengan $8.00 masuk dan $40.00 keluar, tarif gabungannya kira-kira lima kali lipat Carbon. AA juga melaporkan 275 juta token keluaran untuk prosesnya terhadap angka verbositas 0,97 persen; jumlah token adalah angka yang penting, dan itu lebih tinggi daripada 205 juta milik Carbon meskipun persentasenya jauh lebih rendah, sehingga kedua statistik itu tidak dapat dibaca sebagai pasangan.

Caching mengubah perhitungan untuk produksi, tetapi tidak untuk benchmark. Pembacaan cache ditagih $0.200 per juta dan penulisan $10.00, jadi prefiks 40.000 token biayanya $0.40 untuk menulis sekali dan $0.008 per pembacaan berikutnya, dibandingkan $0.32 untuk satu lintasan tanpa cache. Prompt yang Anda kirim dua puluh kali per menit itu murah; dokumen sekali pakai tidak. Perbandingan harga API LLM menempatkan perhitungan cache itu di samping bagian lain dari katalog, di mana selisih antara model ini dan tier murah sekitar lima banding satu pada output.

Keandalan

Sepanjang jendela tujuh hari yang sama, tingkat error adalah 10,8 persendari permintaan yang mengembalikan non-2xx di semua penyedia upstream — kira-kira satu dari sembilan. Itu jauh lebih baik daripada 39,7 persen Gemini 4 Carbon pada periode yang sama dan tetap bukan nol. Setiap jalur produksi memerlukan kebijakan percobaan ulang dan, jika panggilan tersebut menghadap pengguna, model cadangan; Gemini 4 Carbon APIadalah tier murah yang masuk akal untuk panggilan yang gagal dua kali dan dapat menoleransi jawaban yang lebih lemah.

Dari mana ia menghasilkan uang

Tiga pola yang membenarkannya. Agen berhorison panjang yang mana satu langkah keliru membatalkan dua puluh menit pekerjaan, dan biaya jawaban buruk jauh melebihi $40 per juta token. Pengerjaan kode mendalam pada repositori yang dapat ditampung model dalam jendela 1M. Dan tugas analitis sulit yang alternatifnya adalah ansambel tiga model yang direkonsiliasi secara manual. Dalam setiap kasus, Anda membeli lima poin indeks dan, yang lebih penting, pengurangan varians.

Dua pola tidak berlaku. Klasifikasi atau ekstraksi bervolume tinggi dengan effort rendah adalah area di mana model yang lebih murah dengan output terstruktur dapat menyelesaikan tugasnya, dan produk interaktif di mana pengguna menunggu token pertama adalah area di mana 267 detik pada effort maksimum menjadi alasan diskualifikasi terlepas dari kualitasnya. Atur effort per rute dan model menjadi dapat digunakan pada keduanya; biarkan global dan model akan menjadi boros atau tidak dapat digunakan.

Untuk perbandingan langsung, Claude Fable 5.2 vs Claude Opus 5.5 membandingkannya dengan opsi Anthropic yang lebih murah, dan Claude Fable 5.2 vs Claude Fable 5.1 mencakup generasi yang digantikannya — yang 20 persen lebih mahal untuk input maupun output, sehingga peningkatan ini juga merupakan penurunan harga sekaligus kenaikan skor.

Vonis

Peringkat pertama di indeks, terakhir dalam hal biaya, paling lambat kedua untuk token pertama, dan model paling mumpuni yang dirilis secara luas yang bisa Anda panggil hari ini. Model ini sepadan dengan biayanya untuk pekerjaan yang kesalahan jawabannya mahal dan pemanggilannya bisa asinkron, tetapi merupakan default yang salah untuk semua hal lainnya. Disiplin operasional yang dituntut model ini — tingkat effort per rute, anggaran percobaan ulang, fallback untuk kegagalan satu dari sembilan — adalah harga masuknya, dan itu tidak ada dalam tabel harga.