Recenzja Claude Fable 5.2: pierwszy w Indeksie, ostatni pod względem kosztów

Claude Fable 5.2 zajmuje pierwsze miejsce w Artificial Analysis Intelligence Index v5.0.1 z wynikiem 65, a jednocześnie jest najdroższym modelem w tym zestawieniu pod względem kosztu uruchomienia: 26,54 USD wydatków u dostawcy na ukończenie jednego przebiegu indeksu, wobec 5,48 USD dla modelu uplasowanego bezpośrednio za nim. Recenzja tego modelu nie jest więc pytaniem o to, czy jest dobry — to najlepiej punktowany szeroko dostępny model na rynku, a strona API Claude Fable 5.2 podaje 8,00 USD za milion tokenów wejściowych i 40,00 USD za milion tokenów wyjściowych. Pytanie brzmi, za co płacisz i czy Twoje obciążenie pracą może z tego skorzystać.

Co to jest

Następca Fable 5.1 od Anthropic, stworzony do wymagającego rozumowania i długoterminowej pracy agentowej. Okno kontekstu o rozmiarze 1 mln tokenów, w którym maksimum jest wartością domyślną, do 128 tys. tokenów wyjściowych na odpowiedź, wejście tekstowe, obrazowe i dokumentowe z wyjściem tekstowym, natywne użycie narzędzi i ustrukturyzowany JSON. Myślenie jest zawsze włączone i adaptacyjne, z regulacją wysiłku od niskiego do maksymalnego, a surowy łańcuch myśli nigdy nie jest zwracany — otrzymujesz podsumowanie lub puste pole thinking.

To właśnie ten ostatni szczegół powinien być punktem odniesienia przy projektowaniu. Nie można audytować rozumowania; można audytować jedynie odpowiedź i podsumowanie. W przypadku regulowanych przepływów pracy ma to większe znaczenie niż wynik indeksu i dlatego poziom wysiłku warto ustawić świadomie, zamiast pozostawiać go domyślnie.

Wynik

65 w wersji v5.0.1, miejsce 1 na 78. Dziewięć ewaluacji to 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 i Terminal-Bench-Science 0.1 — mieszanka zadań agentowych i nauk ścisłych, a nie zestaw z rankingów programistycznych. Pięciopunktowa różnica nad Gemini 4 Carbon stanowi całą przewagę na szczycie tabeli.

Kontrola wersji nie jest formalnością. Wyniki z v4.3 i v4.3.2 należą do innego zestawu ewaluacyjnego i nie można ich zestawiać z v5.0.1. Jeśli widzisz Fable 5.2 sklasyfikowany obok wyniku v4.3, porównanie jest nieważne, niezależnie od tego, jak renomowane jest źródło.

Ile czasu kosztuje bycie na szczycie rankingu

267 sekund do pierwszego tokenu, 76. miejsce spośród 77 modeli z danymi o opóźnieniu — drugi najwolniejszy w zestawieniu. 46,8 minuty czasu rzeczywistego na zadanie w dziewięciu ocenach, 1,6 razy więcej niż zajmuje to Carbon. Prędkość generowania, gdy już zacznie pisać, wynosi 97 tokenów na sekundę, czyli o 35 procent szybciej niż 72 tokeny na sekundę Carbon, i nie ma znaczenia dla wyniku końcowego, ponieważ czas jest zużywany na myślenie.

W przypadku rzeczywistego ruchu przez OrcaRouter obraz znów wygląda inaczej: p50 8,09 sekundy do pierwszego tokenu, p95 10,00 sekundy, 101 tokenów na sekundę, w sumie 35,6 miliona tokenów obsłużonych w ciągu siedmiu dni. AA mierzy harness przy maksymalnym wysiłku; brama mierzy medianę rzeczywistego żądania. Obie liczby są uczciwe i żadna z osobna nie mówi, czego doświadczy użytkownik.

Jaki jest tego koszt pieniężny?

26,54 USD za uruchomienie indeksu — 77. miejsce na 77, najdroższy model w zestawieniu i 4,8 razy więcej niż 5,48 USD w Gemini 4 Carbon. Przy 8,00 USD za wejście i 40,00 USD za wyjście stawka mieszana jest około pięciokrotnie wyższa niż w Carbon. AA podaje również 275 milionów tokenów wyjściowych w swoim przebiegu przy wskaźniku rozwlekłości wynoszącym 0,97 procent; liczy się liczba tokenów, a jest ona wyższa niż 205 milionów w Carbon mimo znacznie niższego odsetka, więc tych dwóch statystyk nie można odczytywać jako pary.

Buforowanie zmienia arytmetykę w przypadku produkcji, ale nie w przypadku testu porównawczego. Odczyty z pamięci podręcznej są rozliczane po 0,200 USD za milion, a zapisy po 10,00 USD, więc prefiks o długości 40 000 tokenów kosztuje 0,40 USD za jednorazowy zapis i 0,008 USD za każdy kolejny odczyt, wobec 0,32 USD za jedno przejście bez pamięci podręcznej. Prompt wysyłany dwadzieścia razy na minutę jest tani; jednorazowy dokument już nie. To porównanie cen API LLM umieszcza tę arytmetykę pamięci podręcznej obok reszty katalogu, gdzie różnica między tym modelem a tanią warstwą wynosi około pięć do jednego w przypadku wyjścia.

Niezawodność

W tym samym siedmiodniowym oknie współczynnik błędów wynosił 10,8 procent żądań zwracało odpowiedzi spoza zakresu 2xx u wszystkich dostawców upstream — mniej więcej jedno na dziewięć. To znacznie lepiej niż 39,7 procent w przypadku Gemini 4 Carbon w tym samym okresie, ale wciąż nie zero. Każda ścieżka produkcyjna wymaga polityki ponawiania, a jeśli wywołanie jest widoczne dla użytkownika — modelu zapasowego; Gemini 4 Carbon API to rozsądny tani poziom dla wywołań, które zawiodą dwukrotnie i mogą zaakceptować słabszą odpowiedź.

Gdzie zarabia pieniądze

Trzy wzorce to uzasadniają. Agenci o długim horyzoncie działania, w których jeden błędny krok unieważnia dwadzieścia minut pracy, a koszt złej odpowiedzi przyćmiewa 40 USD za milion tokenów. Głęboka praca nad kodem w repozytorium, które model mieści w oknie 1M. Oraz trudne zadania analityczne, w których alternatywą był zespół trzech modeli uzgadniany ręcznie. W każdym przypadku kupujesz pięć punktów indeksu, a co ważniejsze, redukcję wariancji.

Dwa wzorce nie pasują. Klasyfikacja lub ekstrakcja dużego wolumenu przy niskim wysiłku to obszar, w którym tańszy model z ustrukturyzowanym wyjściem załatwia sprawę, a produkty interaktywne, w których użytkownik czeka na pierwszy token, to obszar, w którym 267 sekund przy maksymalnym wysiłku dyskwalifikuje bez względu na jakość. Ustaw wysiłek dla każdej trasy, a model stanie się użyteczny w obu przypadkach; pozostaw go globalnie, a będzie albo marnotrawny, albo bezużyteczny.

W przypadku bezpośrednich porównań Claude Fable 5.2 vs Claude Opus 5.5 zestawia go z tańszą opcją Anthropic, a Claude Fable 5.2 vs Claude Fable 5.1 obejmuje generację, którą zastępuje — a która jest o 20 procent droższa zarówno na wejściu, jak i na wyjściu, co czyni aktualizację jednocześnie obniżką ceny i wzrostem wyniku.

Werdykt

Pierwszy w rankingu, ostatni pod względem kosztu, drugi najwolniejszy pod względem czasu do pierwszego tokenu i najzdolniejszy szeroko udostępniony model, z jakiego możesz dziś skorzystać. Jest wart swojej ceny w pracy, w której błędna odpowiedź jest kosztowna, a wywołanie może być asynchroniczne, ale dla wszystkiego innego jest złym domyślnym wyborem. Dyscyplina operacyjna, której wymaga model — poziomy wysiłku dla poszczególnych ścieżek, budżet ponownych prób, mechanizm awaryjny na wypadek porażek zdarzających się raz na dziewięć przypadków — to cena wejścia, a tej nie ma w cenniku.