Claude Fable 5.2 bije rywali przed IPO Anthropic

Anthropic wprowadza na rynek dwa nowe modele - Claude Fable 5.2 oraz Claude Mythos 5.2 - tuż przed planowanym debiutem giełdowym spółki. Oba systemy opierają się na tej samej architekturze bazowej, ale różnią się poziomem dostępnych zabezpieczeń. W testach niezależnej firmy analitycznej Artificial Analysis nowa wersja Fable wysuwa się na czoło zestawienia, wyprzedzając konkurencję o wyraźny margines.

Dwa warianty, jedna podstawa i różne poziomy dostępu

Fable 5.2 trafia do wszystkich użytkowników, ale zawiera filtry blokujące zadania uznane za ryzykowne w obszarach cyberbezpieczeństwa i biologii. Mythos 5.2 znosi część tych ograniczeń - mogą z niego korzystać wyłącznie organizacje zakwalifikowane przez programy weryfikacyjne Anthropic dla sektora bezpieczeństwa cyfrowego oraz nauk przyrodniczych.

Cennik ustalono na 8 dolarów za milion tokenów wejściowych i 40 dolarów za milion tokenów wyjściowych. To obniżka względem poprzedników, którzy kosztowali odpowiednio 10 i 50 dolarów. Rzeczywiste wydatki zależą jednak od zużycia tokenów, a to zmienia się w zależności od zadania, konfiguracji i środowiska programistycznego.

Anthropic nadal rekomenduje Claude Opus 5.5 jako model do codziennej pracy, a nowe wersje pozycjonuje do najbardziej wymagających zadań technicznych. Produkcja tokenów ma być nawet o 30 procent szybsza niż w przypadku Fable 5.1 i Mythos 5.1. Dla wybranych organizacji przewidziano opcjonalny tryb szybki, który przyspiesza generowanie nawet 2,5-krotnie, ale kosztuje dwukrotnie więcej i działa tylko na określonych platformach - m.in. Claude Code, Claude Platform, Google Cloud oraz Microsoft Foundry.

Wyniki benchmarków: wyraźna przewaga, ale nie we wszystkim

W rankingu Index v5 przy najwyższym poziomie obliczeniowym Fable 5.2 zajmuje pierwsze miejsce z 65 punktami. Drugi Gemini 4 Carbon (60 punktów, tier High) wciąż nie został udostępniony przez Google. Trzecie miejsce przypadło Claude Opus 5.5 (59 punktów, tier Max), a różnica wobec Fable 5.1 - wydanego zaledwie na początku września - wynosi aż 15 punktów.

Według Artificial Analysis nowy model zwycięża w pięciu z dziewięciu testów indywidualnych. Osiąga 80 procent w HLE-Diamond, gdzie zadawane są pytania na poziomie akademickim, 73 procent w Terminal-Bench-Science, sprawdzającym samodzielne prowadzenie procesów naukowych w terminalu, oraz 49 procent w FrontierCode 2.0, oceniającym zdolność do wprowadzania użytecznych zmian w prawdziwych projektach open source.

Gdzie Fable 5.2 ustępuje konkurencji

W zadaniach wiedzowych wymagających wieloetapowego działania oraz w kodowaniu terminalowym nowy model nie jest już liderem. W AA-Briefcase uzyskuje 1785 punktów Elo, tuż za Claude Sonnet 5.5 (1813) i w granicach przedziału ufności Opus 5.5 (1800). W Terminal-Bench 4.0 osiąga 60 procent - tyle samo co Opus 5.5, ale mniej niż Kimi K3.1 Pro (67 procent), Gemini 4 Carbon (65 procent) i Sonnet 5.5 (64 procent).

Najwyższa jakość wiąże się z wyższym kosztem. Średni koszt zadania na najwyższym poziomie wynosi 26,50 dolara - około 2,6 razy więcej niż w Opus 5.5 (10 dolarów) i blisko dwukrotnie więcej niż w Fable 5.1 (12,99 dolara). Na niższych poziomach High i Xhigh model zdobywa 62 punkty w Intelligence Index, wyprzedzając wszystkie inne systemy na każdym poziomie, zużywając przy tym znacznie mniej tokenów: 98 tysięcy na zadanie wobec 173 tysięcy w Opus 5.5 na poziomie Max.

Bezpieczeństwo: Mythos 5.2 wykrywa więcej podatności

Nowe modele ustanawiają rekordy w cyberbezpieczeństwie - obszarze budzącym obecnie intensywne dyskusje. Według Anthropic Mythos 5.2 znajduje więcej luk niż wcześniejsze wersje i lepiej radzi sobie z ich odtwarzaniem oraz naprawą. Fable, jako wariant publiczny, blokuje większość zadań związanych z bezpieczeństwem, w tym testy penetracyjne i generowanie kodu exploitów. W przypadku zablokowanych prób związanych z cyberbezpieczeństwem odpowiada Opus 4.8, a przy biologii - Opus 5.

Anthropic korzysta z wewnętrznego testu CVE Rediscovery, który sprawdza, ile opublikowanych podatności z bazy CVE (Common Vulnerabilities and Exposures - system katalogowania znanych błędów oprogramowania) model potrafi samodzielnie znaleźć, dysponując stanem projektu sprzed naprawy. W październikowym przebiegu z 1829 podatnościami Mythos 5.2 wykrył o 10,2 procent więcej luk niż Opus 5.5 i o 14,4 procent więcej niż Mythos 5.1. Przewodził na każdym poziomie obliczeniowym. Jedna z firm zajmujących się bezpieczeństwem poinformowała, że co szósty potwierdzony błąd znaleziony przez Mythos 5.2 umknął wszystkim pozostałym testowanym modelom frontierowym.

Świadome ograniczanie możliwości i sukces w matematyce

Anthropic przyznaje, że podczas treningu celowo powstrzymywał model przed doskonaleniem umiejętności, które mogłyby bezpośrednio przyspieszać rozwój samej AI - tzw. RSI, obecnie szeroko omawiane jako potencjalne ryzyko. Fable 5.2 i Mythos 5.2 wypadają mniej więcej na poziomie Opus 5.5 w obszarach takich jak optymalizacja jąder obliczeniowych dla układów akceleracyjnych czy ulepszanie architektur dużych modeli językowych. Powiązane zdolności - kodowanie agentowe, rozwój sprzętu oraz tradycyjne badania nad AI, w tym badania nad interpretowalnością - nie zostały ograniczone.

Firma podaje też, że Claude odpowiada obecnie za ponad 90 procent zmian scalanych z jej głównym repozytorium kodu, oczywiście pod nadzorem człowieka. W wewnętrznym teście model miał również napisać system operacyjny od podstaw.

Tysiąc agentów i 30 godzin na dowód Fermata

Przykład, który prawdopodobnie przyciągnie najwięcej uwagi, pochodzi ponownie z matematyki. Około tysiąca agentów Fable 5.2 w pełni sformalizowało dowód Wielkiego Twierdzenia Fermata, tłumacząc go na język programowania Lean, aby komputer mógł zweryfikować każdy krok. Twierdzenie głosi, że równanie a² + b² = c² nie ma rozwiązań w liczbach całkowitych dla potęg wyższych niż kwadraty. Przez stulecia nikt nie potrafił tego dowieść, aż Andrew Wiles przedstawił w 1995 roku dowód liczący ponad sto stron. Maszynowa weryfikacja została teraz przeprowadzona po raz pierwszy - zajęła 30 godzin.

Wcześniejsza, niepublikowana wersja badawcza Claude potrzebowała na to samo zadanie 11 dni i wymagała specjalnie przygotowanego środowiska oraz wskazówek od ludzkiego badacza. Agenci Fable 5.2 startowali z krótkimi instrukcjami, sami zorganizowali współpracę i nie korzystali z żadnych materiałów matematycznych. Jedynym wskaźnikiem postępu była lista lematów pośrednich. Model zużył jedną trzecią tokenów akcji pierwszego podejścia i wygenerował dowód siedmiokrotnie krótszy.

Dla porównania Anthropic uruchomił Opus 5.5 w identycznym układzie z tysiącem agentów. Model ten osiągnął zaledwie 26 procent formalizacji w 18 godzin i po tym czasie niemal nie czynił postępów aż do 30. godziny.

Premiera Fable 5.2 i Mythos 5.2 pokazuje, że Anthropic zamierza walczyć o pozycję lidera zarówno wynikami benchmarkowymi, jak i spektakularnymi demonstracjami możliwości - i robi to w momencie, gdy uwaga inwestorów skupiona jest na zbliżającym się debiucie giełdowym. Otwarte pozostaje pytanie, czy przewaga w testach przełoży się na realną adopcję, zwłaszcza przy kosztach najwyższego poziomu obliczeniowego sięgających kilkudziesięciu dolarów za zadanie.