Claude Fable 5.2 评测：指数排名第一，成本排名垫底

Claude Fable 5.2 在 Artificial Analysis Intelligence Index v5.0.1 上以 65 分位居第一，同时也是该榜单上运行成本最高的模型：完成一次指数评测需要 26.54 美元的服务商支出，而紧随其后的模型为 5.48 美元。因此，对它的评测并不是它好不好的问题——它是目前广泛发布模型中得分最高的，而Claude Fable 5.2 API页面标价为每百万输入 8.00 美元、每百万输出 40.00 美元。问题在于你花钱买的是什么，以及你的工作负载能否用得上它。

它是什么

Anthropic 推出的 Fable 5.1 继任者，专为高要求推理和长周期智能体工作打造。1M token 上下文窗口，且默认即为最大值；每次响应最多可输出 128K token；支持文本、图像和文档输入并输出文本；原生工具调用和结构化 JSON。思考始终开启且自适应，提供从低到最高的 effort 调节档位，且绝不返回原始思维链——你只会得到摘要或空的 thinking 字段。

最后一个细节才是设计时需要围绕的关键点。你无法审计推理过程，只能审计答案和摘要。对于受监管的工作流程而言，这比索引分数更重要，也正是为什么值得有意设定投入程度，而不是让它保持在默认值。

比分

在 v5.0.1 上得分 65，排名 78 个中第 1。这九项评估是 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 和 Terminal-Bench-Science 0.1——这是一组偏向智能体与硬科学的评估组合，而非编程排行榜式的组合。相对 Gemini 4 Carbon 的五分差距，就是榜首的全部领先优势。

版本校验并非形式上的要求。来自 v4.3 和 v4.3.2 的评分属于另一套评估集，不能与 v5.0.1 的成绩并列统计。如果你看到 Fable 5.2 与某个 v4.3 评分排在一起，那么无论来源多么权威，这种比较都是无效的。

位居榜首在时间上要付出什么代价

267 秒生成首个 token，在有延迟数据的 77 个模型中排名第 76——在榜单上第二慢。46.8 分钟，是九项评估中每项任务的实际耗时，为 Carbon 的 1.6 倍。开始输出后的速度为每秒 97 个 token，比 Carbon 的 72 快 35%，但对总耗时无关紧要，因为时间都花在思考上。

对比通过 OrcaRouter 的真实流量，情况又有所不同：p50 首 token 时间为 8.09 秒，p95 为 10.00 秒，每秒 101 个 token，七天内共服务 3560 万个 token。AA 衡量的是在最大努力下运行的测试装置；网关衡量的是真实请求的中位数。这两个数字都真实可信，但单凭其中任何一个都无法说明用户实际会体验到什么。

这在金钱上的成本是多少

运行该指数需花费 $26.54——在 77 个模型中排名第 77，是榜单上最贵的模型，且是 Gemini 4 Carbon 的 $5.48 的 4.8 倍。按输入 $8.00、输出 $40.00 计算，混合费率约为 Carbon 的五倍。AA 还报告其运行产生了 2.75 亿输出 token，而冗长度数字为 0.97%；token 数量才是关键数字，尽管百分比低得多，它仍高于 Carbon 的 2.05 亿，因此这两个统计数字不能成对解读。

缓存改变了生产环境的成本计算，但并未改变基准测试的成本计算。缓存读取按每百万 $0.200 计费，写入按每百万 $10.00 计费，因此一个 40,000 token 的前缀写入一次花费 $0.40，后续每次读取花费 $0.008，而未使用缓存的一次处理则需 $0.32。每分钟发送二十次的提示词很便宜；一次性文档则不然。LLM API 定价对比将这套缓存成本计算与目录中的其余内容并列展示，其中该模型与廉价层级在输出上的差距约为五比一。

可靠性

在同一个七天窗口期内，错误率为10.8%，即所有上游提供商中返回非 2xx 的请求占比——大约九分之一。这远好于 Gemini 4 Carbon 同期的 39.7%，但仍不为零。任何生产路径都需要重试策略；如果调用面向用户，还需要备用模型；而Gemini 4 Carbon API是一个合理的低成本层级，适合那些失败两次且可以容忍较弱答案的调用。

它在哪里赚钱

有三种模式可以证明其合理性。长周期智能体，其中一步走错就会让二十分钟的工作作废，而一个糟糕答案的代价远超每百万 token 40 美元。在模型能以 1M 窗口容纳的代码库上进行深度代码工作。以及困难的分析任务，其替代方案是靠人工协调的三模型集成。在每种情况下，你买到的是五个指数点，更重要的是方差的降低。

有两种模式并不适用。低投入下的大批量分类或抽取，是更便宜的模型配合结构化输出就能胜任的场景；而用户要等待首个 token 的交互式产品，则是无论质量如何，最高投入下 267 秒都足以被判为不合格的场景。按路由设置投入强度，模型在两种场景下都能用；把它设成全局，要么浪费，要么不可用。

就直接对比而言，Claude Fable 5.2 对比 Claude Opus 5.5将其与更便宜的 Anthropic 选项配对，而Claude Fable 5.2 对比 Claude Fable 5.1则涵盖它所取代的那一代——其输入和输出价格均高出 20%，因此这次升级既是分数提升，也是价格下调。

判决

在榜单上排名第一，成本排在最后，首个 token 的生成速度慢居第二，同时是如今你能调用的、已广泛发布的最强模型。对于错误答案代价高昂、且调用可以异步进行的工作，它值得花这笔钱；而对其他所有场景来说，它都不是合适的默认选择。该模型要求的运维纪律——按路由设置投入级别、设定重试预算、为九分之一的失败准备回退方案——是入场代价，而这并不在价目表里。