Claude Sonnet 5.5 เสมอ Claude Fable 5.1 บน Epoch Capabilities Index

การเสมอกันที่ตำแหน่งบนสุดของตารางอันดับมักเป็นสิ่งที่น่าสนใจน้อยที่สุดในตารางนั้น กรณีนี้เป็นข้อยกเว้น เพราะโมเดลสองตัวที่อยู่ระดับเดียวกันบนสุดไม่ได้มีราคาเท่ากัน ในไฟล์ Epoch Capabilities Index ที่อัปเดตเมื่อวันที่ 1 ตุลาคม 2026Claude Sonnet 5.5 และ Claude Fable 5.1 ต่างก็มีคะแนน 165 — อยู่ในแถวที่สามและสี่จากทั้งหมด 253 โมเดลที่ติดตาม — น้อยกว่าอยู่สองคะแนนจากClaude Opus 5.5 และ GPT-6 Astra ซึ่งทั้งสองเสมอกันที่ 167 และนำอยู่สองคะแนนจากClaude Opus 5 ที่ 163 Claude Sonnet 5.5 เปิดตัวเมื่อวันที่ 28 กันยายน 2026 ในราคา 2 ดอลลาร์ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ 10 ดอลลาร์ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน Claude Fable 5.1 เปิดตัวเมื่อวันที่ 1 กันยายนที่ราคา 10 และ 50 ดอลลาร์ ตัวเลขเพียงตัวเดียวบอกว่าทั้งสองทดแทนกันได้ในด้านความสามารถทั่วไป ราคาเอาต์พุตที่สูงกว่าห้าเท่าบอกว่าพวกมันไม่ได้เป็นเช่นนั้น ทั้งสองยืนหยัดได้ และเหตุผลที่ทั้งสองยืนหยัดร่วมกันได้คือส่วนของตารางที่ไม่มีใครอ้างถึง

ดัชนีจริง ๆ แล้วคืออะไร และใครเป็นผู้วัด

The ECI is not a vendor scoreboard. It is built by Epoch AI, an independent research organisation, as a composite that stitches scores from more than fifty distinct benchmarks into one general-capability scale, inferring each benchmark's relative difficulty from the models that happen to appear on several of them at once. The methodology is set out in a paper, “A Rosetta Stone for AI Benchmarks”, funded by Go​ogle DeepMind and written with researchers from its AGI Safety & Alignment team — but Epoch states plainly that the index is its own product and that it holds full rights over it, and the fitting code is public. That distinction matters when the funder of the research and the publisher of the score are not the same party.

คุณสมบัติสองประการของสเกลนี้เป็นตัวกำหนดว่าตัวเลขบนสเกลจะถูกอ่านได้อย่างไร ประการแรกคือ ECI ถูกยึดโยงมากกว่าที่จะเป็นค่าสัมบูรณ์: ค่าดิบจะถูกปรับสเกลใหม่เพื่อให้ Claude 3.5 Sonnet อยู่ที่ 130 และ GPT-5 อยู่ที่ 150 ซึ่งหมายความว่าตัวเลขหนึ่งจะมีความหมายก็ต่อเมื่ออยู่ข้างตัวเลขอื่นจากไฟล์เดียวกัน ประการที่สองคือไม่มีเพดาน ไม่มีค่า 100 ให้เข้าใกล้ ดังนั้น “จุดสูงสุดของดัชนี” จึงเป็นข้อความเกี่ยวกับวันที่ มากกว่าที่จะเป็นเกี่ยวกับขีดจำกัดที่ใครบางคนไปถึง

คุณสมบัติประการที่สามคือสิ่งที่เปลี่ยนผลเสมอให้กลายเป็นเรื่องราว ช่วงที่เผยแพร่ข้างคะแนนแต่ละค่า — ช่วงบูตสแตรป 90% ซึ่งสร้างขึ้นโดยการสุ่มตัวอย่างซ้ำจากผลลัพธ์ benchmark ที่แต่ละโมเดลสังเกตได้ของตนเอง 500 ครั้ง — เหมือนกันสำหรับทั้งสองโมเดลที่ 165: 162 ถึง 169 สำหรับ Claude Sonnet 5.5 และ 162 ถึง 169 สำหรับ Claude Fable 5.1 แต่จำนวนที่ใช้สร้างช่วงเหล่านี้ไม่เหมือนกัน ค่า 165 ของ Claude Sonnet 5.5 ถูกฟิตจากผลการประเมิน benchmark 11 รายการ ส่วนค่าของ Claude Fable 5.1 ถูกฟิตจาก 20 รายการ

ทำไมช่วงเดียวกันจึงไม่ได้หมายถึงหลักฐานเดียวกัน

ECI ต้องมีการประเมินด้วย benchmark อย่างน้อยสี่รายการก่อนที่โมเดลจะได้รับการให้คะแนนเลย ดังนั้นตัวเลขทั้งสองจึงผ่านเกณฑ์ขั้นต่ำอย่างสบาย แต่ช่วงดังกล่าวเป็นข้อความเกี่ยวกับว่าผลลัพธ์ของโมเดลเองกระจายมากแค่ไหน ไม่ใช่เกี่ยวกับว่ามีผลลัพธ์อยู่กี่รายการ — ซึ่งเป็นเหตุผลว่าทำไมโมเดลสองตัวจึงแสดงแถบเดียวกันรอบค่าประมาณจุดเดียวกันได้ ขณะที่ตัวหนึ่งมีหลักฐานรองรับเพียงประมาณครึ่งเดียว ถ้าถือว่า 165 ทั้งสองค่ามั่นคงเท่ากัน แสดงว่าคุณตีความช่วงดังกล่าวเป็นการแก้ไขตามขนาดตัวอย่าง ซึ่งมันไม่ใช่

ความไม่สมมาตรนี้ส่งผลในทางปฏิบัติต่อจังหวะเวลา Epoch ปรับโมเดลทั้งหมดใหม่พร้อมกันโดยอาศัยข้อมูลทั้งหมด ทุกครั้งที่มีผลการประเมินใหม่เข้ามา ดังนั้นตัวเลขของโมเดลหนึ่งจึงอาจขยับได้โดยไม่มีอะไรในโมเดลนั้นเปลี่ยนแปลงไปเลย โมเดลที่มี 11 ข้อสังเกตมีพื้นที่ให้ขยับได้มากกว่าตัวที่มี 20 ข้อ ซึ่งทำให้ Claude Sonnet 5.5 เป็นตัวที่มีแนวโน้มจะเปลี่ยนมากกว่าในสองตัวนี้ในการปรับแก้ครั้งถัดไป — ไม่ว่าจะเปลี่ยนไปในทิศทางใด

การวางกรอบผลการอ่านล่าสุดของ Epoch เองนั้นแคบกว่าพาดหัวข่าวที่มันก่อขึ้นมา บทสรุปการอัปเดตขององค์กรขึ้นต้นด้วย Claude Opus 5.5 ที่ครองอันดับสูงสุดด้วยคะแนน 167 เฉือน GPT-6 Astra ไปเพียงเล็กน้อย และยกประโยคที่สองให้กับข้อเท็จจริงที่ว่า Claude Sonnet 5.5 "ทำได้ใกล้เคียง" Claude Fable 5.1 ที่ 165 คำว่าใกล้เคียงคือถ้อยคำที่ชี้ขาด และช่วงความเชื่อมั่นที่เผยแพร่คือเหตุผลที่ทำให้มันเป็นคำที่ถูกต้อง

จุดที่โปรไฟล์ทั้งสองแตกต่างกันจริง ๆ

การได้ระดับเดียวกันในภาพรวมไม่ได้หมายความว่าจะได้ระดับเดียวกันในแต่ละส่วนย่อย Epoch เผยแพร่แผงผลรายเบนช์มาร์กบนหน้าโมเดลแต่ละหน้า และมีเบนช์มาร์กหกรายการที่ปรากฏทั้งบนหน้า Claude Sonnet 5.5 และหน้า Claude Fable 5.1 — ซึ่งทำให้หกรายการนี้เป็นเพียงหกรายการเดียวที่สามารถเปรียบเทียบแบบเทียบเคียงกันได้จากตัวดัชนีเอง

• ปริศนาเกมสืบสวน — Claude Sonnet 5.5 65% เทียบกับ Claude Fable 5.1 58%

• FrontierMath ระดับ 1–3 (v2) — Claude Sonnet 5.5 89% เทียบกับ Claude Fable 5.1 90%

• FrontierMath Tier 4 (v2) — Claude Sonnet 5.5 80% เทียบกับ Claude Fable 5.1 88%

• OTIS Mock AIME 2024–2025 — Claude Sonnet 5.5 100% เทียบกับ Claude Fable 5.1 100%

• เกณฑ์มาตรฐานการประกอบเฟอร์นิเจอร์ — Claude Sonnet 5.5 75% เทียบกับ Claude Fable 5.1 70%

• SimpleQA Verified — Claude Sonnet 5.5 47% เทียบกับ Claude Fable 5.1 71%

การขยับสี่คะแนนไปในทางใดทางหนึ่งบนคะแนนรวมที่แน่นขนัดขนาดนี้ และความแตกต่างพื้นฐานก็ไม่ได้ใกล้เคียงกับความสมมาตรเลย Claude Sonnet 5.5 นำอยู่ในงานที่คล้ายเกมและเป็นมัลติโมดัล — การแก้ปริศนา การประกอบทางกายภาพ — และสูสีในคณิตศาสตร์เชิงการแข่งขัน Claude Fable 5.1 นำอยู่ 8 คะแนนในระดับที่ยากที่สุดของ FrontierMath และ 24 คะแนนใน SimpleQA Verified ชุดความรู้รอบโลกที่คะแนน 47% เมื่อเทียบกับ 71% เป็นช่องว่างเดี่ยวที่ใหญ่ที่สุดในชุดการทดสอบร่วม ผู้ซื้อที่ต้องเลือกระหว่างสองโมเดลนี้ไม่ได้กำลังเลือกระหว่างสองการอ่านค่าของขีดความสามารถเดียวกัน แต่กำลังเลือกระหว่างโมเดลที่ถูกกว่าซึ่งแข็งแกร่งกว่าในงานบางประเภท กับโมเดลที่แพงกว่าซึ่งแข็งแกร่งกว่าในงานอื่น โดยมีดัชนีความสามารถทั่วไปที่ไม่ยอมแยกสองโมเดลนี้ออกจากกัน

ดัชนีของ Epoch ยังระบุไว้อย่างชัดเจนเช่นกันว่า การนำในแต่ละ benchmark ไม่จำเป็นต้องปรากฏออกมาในคะแนนรวมคอมโพสิต benchmark ไม่ได้ถูกถ่วงน้ำหนักตามความแม่นยำ และโมเดลที่เชี่ยวชาญเฉพาะทางอาจได้คะแนนต่ำกว่าคู่แข่งที่มีรูปร่างต่างออกไป แม้จะนำอยู่ในการทดสอบรายตัว — เอกสารของมันระบุเช่นนี้ตรง ๆ นั่นไม่ใช่ข้อบกพร่องที่กำลังถูกขอโทษแก้ตัว มันคือสิ่งที่คอมโพสิตที่ครอบคลุมการทดสอบราวห้าสิบกว่ารายการมีไว้เพื่อต่างหาก

เครื่องมืออิสระทั้งสองชี้ไปในทิศทางตรงกันข้าม

มีการวัดค่าอิสระชุดที่สองที่เผยแพร่อยู่ในขณะนี้ และมันไม่สอดคล้องกับชุดแรกเกี่ยวกับว่าในสองโมเดลนี้โมเดลใดนำอยู่ บนดัชนีสติปัญญา Artificial Analysis Intelligence Index ตัวเลขที่แคตตาล็อกของเราเองระบุไว้สำหรับสองโมเดลนี้อ่านว่า 56 สำหรับ Claude Sonnet 5.5 และ 53.4 สำหรับ Claude Fable 5.1 ซึ่งดึงมาจากฉบับแก้ไขเดียวกันของดัชนีนั้น จึงใช้กลุ่มตัวอย่างโมเดลที่ประเมินชุดเดียวกัน ห่างกันสามจุด โดยเป็นผลดีกับโมเดลที่ถูกกว่า — ในขณะที่ Epoch อ่านค่าทั้งสองว่าเหมือนกัน

การอ่านค่าทั้งสองแบบไม่ผิด และวิธีใช้มันคือการสังเกตว่าทั้งสองเห็นต่างกันตรงไหน ดัชนีทั้งสองครอบคลุมชุดเบนช์มาร์กที่ต่างกันและให้น้ำหนักต่างกัน คอมโพสิตของ Epoch ถูกสร้างขึ้นให้ทนทานต่อการที่เบนช์มาร์กอิ่มตัว ขณะที่ดัชนีของ Artificial Analysis เป็นการรวมแบบตรงไปตรงมาของตะกร้าที่ต่างกัน เมื่อโมเดลสองตัวใกล้กันขนาดนี้ การเลือกเครื่องมือวัดจึงมีค่ามากกว่าช่องว่างที่กำลังวัด ผู้อ่านที่ต้องการตัวเลขที่แข็งแรงกว่าระหว่างตัวเลขสองตัวที่ติดกัน ควรดูที่แผงของเบนช์มาร์กเดี่ยวที่ใช้ร่วมกันด้านบน มากกว่าดูที่ตัวเลขพาดหัวของฝ่ายใดฝ่ายหนึ่ง เพราะนั่นเป็นที่เดียวที่โมเดลทั้งสองถูกนำมาเปรียบเทียบกันบนแบบทดสอบเดียวกัน

มีบริบทอีกหนึ่งอย่างที่ดัชนีรวมไม่ได้บรรจุไว้ แต่ Epoch มี นั่นคือ วันที่เปิดตัว วันนี้ Claude Fable 5.1 อยู่อันดับที่สี่จาก 253 โมเดลที่ติดตามอยู่ในปัจจุบัน ในช่วงเวลาที่มันเปิดตัวเมื่อวันที่ 1 กันยายน 2026 มันอยู่อันดับหนึ่งจาก 247 โมเดลที่ติดตามอยู่ในขณะนั้น น้ำหนักของมันไม่มีการเปลี่ยนแปลง แนวหน้าสุดเพียงแค่เคลื่อนเลยมันไปหกอันดับภายในหนึ่งเดือน ซึ่งเป็นรูปร่างของทั้งตาราง และเป็นเหตุผลที่การอ่านค่าดัชนีรายเดือนเป็นเพียงภาพ ณ ขณะหนึ่ง ไม่ใช่คำตัดสิน

ความแตกต่างนี้ต้องแลกมาด้วยอะไร และฝั่งที่ถูกกว่าอยู่ตรงไหน

เท่ากันในด้านความสามารถทั่วไป และต่างกัน 2.5 เท่าในด้านอินพุต และต่างกัน 5 เท่าในด้านเอาต์พุต นี่คือเนื้อหาที่ใช้ได้จริงทั้งหมดของการอ่านครั้งนี้ ทั้งสองโมเดลอยู่ในแคตตาล็อกของเราเอง — anthropic/claude-sonnet-5.5 ที่ราคา $2.00 ต่อล้านโทเค็นอินพุต และ $10.00 ต่อล้านโทเค็นเอาต์พุต พร้อมการอ่านแคชที่ $0.20 และ anthropic/claude-fable-5.1 ที่ราคา $10.00 และ $50.00 พร้อมการอ่านแคชที่ $0.25 — และทั้งคู่ถูกส่งผ่านในราคาตามรายการของผู้ให้บริการเองโดยไม่มีการบวกเพิ่ม ดังนั้นเมื่อผู้ขายเปลี่ยนแปลงอัตรา ฝั่งเราก็จะได้รับผลในวันเดียวกับที่ฝั่งเขาได้รับ

ความถี่ในการเรียกใช้สำคัญกว่าตัวเลขพาดหัว ลองนึกถึงงานที่ส่งคำนำหน้า 120,000 โทเคนจากแคช และสร้างเอาต์พุต 8,000 โทเคน รันวันละครั้งเป็นเวลาหนึ่งเดือน บน Claude Sonnet 5.5 คำนำหน้าดังกล่าวมีค่าใช้จ่าย 120,000 โทเคนในอัตรา $0.20 ต่อล้าน ประมาณ 2.4 เซนต์ บวกกับ 8,000 โทเคนในอัตรา $10 ต่อล้าน เป็น 8 เซนต์ — รวมประมาณ 10.4 เซนต์ต่อการรันหนึ่งครั้ง หรือราว $3.12 ในสามสิบวัน บน Claude Fable 5.1 คำนำหน้าเดียวกันอยู่ที่ 120,000 ในอัตรา $0.25 เป็น 3 เซนต์ บวกกับ 8,000 ในอัตรา $50 เป็น 40 เซนต์ — ประมาณ 43 เซนต์ต่อการรันหนึ่งครั้ง หรือ $12.90 ตลอดทั้งเดือน ทั้งสองโมเดลให้หน้าต่าง 1M โทเคนเท่ากันพร้อมเอาต์พุตสูงสุด 128K ดังนั้นความแตกต่างจึงอยู่ที่ตารางราคา ไม่ใช่เพดานความสามารถ

ในทางกลับกัน เบนช์มาร์กที่ใช้ร่วมกันทั้งหกตัวบอกว่าการจ่ายเงินเพิ่มนั้นซื้อสิ่งใดได้ในทิศทางไหน ทีมที่งานมีลักษณะคล้าย FrontierMath Tier 4 หรือการเรียกคืนข้อเท็จจริงแบบปลายเปิด กำลังซื้อช่องว่างจริง 8 ถึง 24 คะแนนในการทดสอบเหล่านั้นด้วยการจ่ายแพงกว่าสี่เท่า ส่วนทีมที่งานมีลักษณะคล้ายการแก้ปริศนาหรือการประกอบแบบหลายรูปแบบ กำลังซื้อ 5 ถึง 7 คะแนนในทิศทางตรงกันข้าม mientrasจ่ายจำนวนที่น้อยกว่า บนแพลตฟอร์มเดียว สิ่งเหล่านี้ไม่ใช่การตัดสินใจจัดซื้อสองครั้ง โมเดลทั้งสองอยู่เบื้องหลัง คีย์ API หนึ่งคีย์ในบรรดามากกว่า 200 โมเดล ดังนั้นการเปรียบเทียบทั้งสองบนทราฟฟิกของคุณเองจึงเป็นการเปลี่ยนการตั้งค่า มากกว่าการทำสัญญาฉบับที่สอง และในจุดที่มีการกำหนดเส้นทางทั้งสอง ระบบสลับอัตโนมัติเมื่อล้มเหลวจะอยู่ข้างใต้ — ซึ่งสำคัญเมื่อเครื่องมืออิสระสองตัวไม่เห็นตรงกันว่าโมเดลใดนำอยู่

อะไรจะทำให้ค่าที่อ่านนี้เปลี่ยนแปลง

มีสามสิ่งที่จะเปลี่ยนมัน และมีเพียงหนึ่งในนั้นที่เกี่ยวข้องกับโมเดลใดโมเดลหนึ่ง

อย่างแรกคือการประเมินด้วย benchmark เพิ่มเติม Claude Sonnet 5.5 เข้าสู่ดัชนีเมื่อสี่วันก่อน โดยมี 11 รายการอยู่เบื้องหลัง การประเมินเพิ่มเติมแต่ละครั้งจะทำให้ช่วงของมันแคบลง และอาจขยับค่าประมาณจุดของมันได้ และการ refit ร่วมหมายความว่าการขยับดังกล่าวไม่ได้จำกัดอยู่แค่แถวใหม่

ประการที่สองคือการมาถึงของโมเดลแนวหน้าอีกตัวหนึ่ง สี่แถวบนสุดครอบคลุมช่วงสี่คะแนน โดยมีการเสมอกันสองคู่ภายในช่วงนั้น ดังนั้นผู้มาใหม่ที่ผ่านการประเมินมาอย่างดีเพียงรายเดียวจึงจัดอยู่ในกลุ่มนี้แทนที่จะอยู่ต่ำกว่า — และช่วงที่เผยแพร่ ซึ่งทับซ้อนกันในทั้งสี่รายการ หมายความว่าการจัดลำดับระหว่างกันเป็นการตัดสินแบบไทเบรกมากกว่าการวัด

ประการที่สามคือราคาของตัวโมเดลเอง ซึ่งไม่มีดัชนีใดติดตาม ช่องว่างที่บทความนี้ชี้ให้เห็นคือช่องว่างของเรตการ์ด: $2 กับ $10 เทียบกับ $10 กับ $50 ในปัจจุบัน การเปลี่ยนแปลงบนการ์ดไม่ว่าใบใดจะเปลี่ยนการตัดสินใจ โดยไม่ทำให้คะแนนความสามารถขยับแม้แต่คะแนนเดียว

ข้อสรุปที่ปกป้องได้คือข้อสรุปแบบแคบ บนดัชนีรวมของ Epoch AI ในไฟล์ที่อัปเดตเมื่อวันที่ 1 ตุลาคม 2026 Claude Sonnet 5.5 และ Claude Fable 5.1 มีตัวเลขเท่ากัน — 165 เท่ากันที่อันดับสาม โดยมีช่วงที่เผยแพร่เหมือนกันซึ่งอิงอยู่บนปริมาณหลักฐานที่ต่างกัน บนเครื่องมือวัดแยกต่างหากของ Artificial Analysis โมเดลสองตัวเดียวกันนี้ห่างกันสามจุด บนเบนช์มาร์กทั้งหกที่ดัชนีเปรียบเทียบทั้งสองโดยตรง ทั้งคู่ผลัดกันนำในแต่ละโดเมน มากกว่าจะอยู่ในระดับเดียวกัน และบนเรตการ์ด ทั้งคู่ไม่ได้ใกล้เคียงกันเลย สิ่งเดียวที่การตีความนี้จะไม่รองรับคือประโยคที่มันมีแนวโน้มจะถูกยกมาอ้างมากที่สุด: ว่าโมเดลทั้งสองเทียบเท่ากัน