Đánh giá Claude Fable 5.2: Đứng đầu Bảng xếp hạng, đứng cuối về Chi phí

Claude Fable 5.2 đứng đầu Artificial Analysis Intelligence Index v5.0.1 với 65 điểm, và đây cũng là mô hình đắt nhất trên bảng đó để chạy: chi phí nhà cung cấp 26,54 USD để hoàn thành một lượt chạy chỉ số, so với 5,48 USD cho mô hình xếp ngay sau nó. Do đó, đánh giá về nó không phải là câu hỏi liệu nó có tốt hay không — đây là mô hình được phát hành rộng rãi có điểm số cao nhất hiện có, và Claude Fable 5.2 APItrang liệt kê 8,00 USD mỗi triệu token đầu vào và 40,00 USD mỗi triệu token đầu ra. Câu hỏi là bạn đang trả tiền cho điều gì và liệu khối lượng công việc của bạn có thể dùng được nó hay không.

Nó là gì

Sản phẩm kế nhiệm Fable 5.1 của Anthropic, được xây dựng cho những tác vụ suy luận đòi hỏi cao và công việc agentic dài hạn. Cửa sổ ngữ cảnh 1M token với mức tối đa là mặc định, tối đa 128K token đầu ra mỗi phản hồi, đầu vào văn bản, hình ảnh và tài liệu với đầu ra văn bản, sử dụng công cụ gốc và JSON có cấu trúc. Tính năng suy nghĩ luôn bật và thích ứng, với thang điều chỉnh nỗ lực từ thấp đến tối đa, và chuỗi suy nghĩ thô không bao giờ được trả về — bạn nhận được bản tóm tắt hoặc trường thinking trống.

Chi tiết cuối cùng ấy chính là điểm cần thiết kế hướng tới. Bạn không thể kiểm tra lý luận; bạn chỉ có thể kiểm tra câu trả lời và bản tóm tắt. Đối với các quy trình được quản lý theo quy định, điều đó quan trọng hơn điểm chỉ số, và đó cũng là lý do mức độ nỗ lực đáng được đặt một cách có chủ đích thay vì để ở mức mặc định.

Điểm số

65 trên v5.0.1, hạng 1 trên 78. Chín đánh giá gồm 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 và Terminal-Bench-Science 0.1 — một sự kết hợp giữa tác tử và khoa học khó thay vì tổ hợp bảng xếp hạng lập trình. Khoảng cách năm điểm so với Gemini 4 Carbon chính là toàn bộ lợi thế dẫn đầu ở đỉnh bảng xếp hạng.

Việc kiểm soát phiên bản không phải là thủ tục hình thức. Điểm số từ v4.3 và v4.3.2 thuộc một bộ đánh giá khác và không thể được lập bảng đối chiếu với v5.0.1. Nếu bạn thấy Fable 5.2 được xếp hạng bên cạnh điểm số v4.3, thì so sánh đó là không hợp lệ, bất kể nguồn đáng tin cậy đến đâu.

Vị trí dẫn đầu bảng xếp hạng tốn bao nhiêu thời gian

267 giây đến token đầu tiên, xếp hạng 76 trong số 77 mô hình có dữ liệu độ trễ — chậm thứ hai trên bảng. 46,8 phút thời gian thực mỗi tác vụ qua chín bài đánh giá, gấp 1,6 lần so với Carbon. Tốc độ đầu ra khi bắt đầu viết là 97 token mỗi giây, nhanh hơn 35% so với 72 của Carbon và không ảnh hưởng đến tổng thời gian, vì thời gian được dành để suy nghĩ.

Đối với lưu lượng trực tiếp qua OrcaRouter, bức tranh lại khác đi: p50 8,09 giây đến token đầu tiên, p95 10,00 giây, 101 token mỗi giây, trên 35,6 triệu token được phục vụ trong bảy ngày. AA đo một harness ở mức nỗ lực tối đa; gateway đo yêu cầu thực tế trung vị. Cả hai con số đều trung thực và không con số nào một mình cho bạn biết người dùng sẽ trải nghiệm điều gì.

Chi phí bằng tiền là bao nhiêu

$26.54 để chạy chỉ số — xếp hạng 77 trên 77, mô hình đắt nhất trên bảng, và gấp 4,8 lần mức $5.48 của Gemini 4 Carbon. Với giá $8.00 đầu vào và $40.00 đầu ra, mức giá kết hợp cao gần gấp năm lần Carbon. AA cũng báo cáo 275 triệu token đầu ra cho lần chạy của nó so với con số độ rườm rà là 0,97 phần trăm; số lượng token mới là con số quan trọng, và nó cao hơn 205 triệu của Carbon bất chấp tỷ lệ thấp hơn nhiều, nên không thể đọc hai thống kê này như một cặp.

Bộ nhớ đệm thay đổi cách tính toán đối với production nhưng không thay đổi đối với benchmark. Đọc từ bộ nhớ đệm được tính $0.200 mỗi triệu và ghi được tính $10.00, vì vậy một tiền tố 40.000 token tốn $0.40 để ghi một lần và $0.008 mỗi lần đọc tiếp theo, so với $0.32 cho một lượt không dùng bộ nhớ đệm. Một prompt bạn gửi hai mươi lần mỗi phút thì rẻ; một tài liệu chỉ gửi một lần thì không. Việc so sánh giá API LLM đặt phép tính bộ nhớ đệm đó bên cạnh phần còn lại của danh mục, nơi khoảng cách giữa mô hình này và hạng rẻ là khoảng năm trên một đối với đầu ra.

Độ tin cậy

Trong cùng cửa sổ bảy ngày, tỷ lệ lỗi là 10,8 phần trăm số yêu cầu trả về mã không phải 2xx trên tất cả nhà cung cấp upstream — khoảng một trong chín. Điều đó tốt hơn nhiều so với 39,7 phần trăm của Gemini 4 Carbon trong cùng giai đoạn và vẫn chưa phải bằng không. Mọi luồng production đều cần chính sách thử lại và, nếu cuộc gọi hướng tới người dùng, một mô hình dự phòng; API Gemini 4 Carbon là một tầng giá rẻ hợp lý cho những cuộc gọi thất bại hai lần và có thể chấp nhận một câu trả lời yếu hơn.

Nơi nó kiếm ra tiền

Ba mẫu hình biện minh cho điều đó. Các tác nhân tầm xa, nơi một bước sai duy nhất làm vô hiệu hai mươi phút làm việc, và chi phí của một câu trả lời tồi lớn hơn hẳn 40 đô la mỗi triệu token. Công việc mã chuyên sâu trên một kho mã mà mô hình có thể giữ trong cửa sổ 1M. Và các nhiệm vụ phân tích khó, nơi giải pháp thay thế là một tập hợp ba mô hình được dung hòa thủ công. Trong mỗi trường hợp, bạn đang mua năm điểm chỉ số và quan trọng hơn, sự giảm phương sai.

Hai mẫu hình thì không. Phân loại hoặc trích xuất khối lượng lớn ở mức nỗ lực thấp là nơi một mô hình rẻ hơn với đầu ra có cấu trúc làm tốt công việc, còn các sản phẩm tương tác nơi người dùng chờ token đầu tiên là nơi 267 giây ở mức nỗ lực tối đa là điều không thể chấp nhận bất kể chất lượng. Đặt nỗ lực theo từng tuyến và mô hình trở nên dùng được ở cả hai; để nó ở mức toàn cục thì nó sẽ hoặc lãng phí hoặc không dùng được.

Đối với các so sánh trực tiếp, Claude Fable 5.2 so với Claude Opus 5.5 ghép nó với lựa chọn Anthropic rẻ hơn, và Claude Fable 5.2 so với Claude Fable 5.1 bao gồm thế hệ mà nó thay thế — thế hệ này đắt hơn 20 phần trăm ở cả đầu vào lẫn đầu ra, khiến việc nâng cấp vừa là giảm giá vừa là tăng điểm số.

Phán quyết

Đứng đầu bảng chỉ số, đứng cuối về chi phí, chậm thứ hai về thời gian đến token đầu tiên, và là mô hình có năng lực cao nhất được phát hành rộng rãi mà bạn có thể gọi hôm nay. Nó đáng tiền cho những công việc mà một câu trả lời sai gây tốn kém và lệnh gọi có thể diễn ra bất đồng bộ, và nó là mặc định sai cho mọi thứ còn lại. Kỷ luật vận hành mà mô hình đòi hỏi — mức nỗ lực cho từng tuyến, ngân sách thử lại, phương án dự phòng cho tỷ lệ thất bại một phần chín — là cái giá phải trả để tham gia, và nó không nằm trong bảng giá.