在线AI教程 / AI工具
[Anthropic Claude] 推出 Claude Fable 5.2 和 Claude Mythos 5.2
2026 年 11 月 9 日 推出 Claude Fable 5.2 和 Claude Mythos 5.2 我们升级了 Claude Fable 和 Claude Mythos
2026 年 11 月 9 日
推出 Claude Fable 5.2 和 Claude Mythos 5.2
我们升级了 Claude Fable 和 Claude Mythos——这两个模型专为攻克最艰巨的技术挑战而设计。
Claude Fable 5.2 和 Claude Mythos 5.2 在编码、推理和视觉等方面都有提升。在发布前的测试中,它们帮助我们的工程师完成了原本不可行的软件迁移,从零设计出三台可用的电子设备,解决了黑洞物理中的两个开放问题,在机器人评测上取得实质性进展,并在 30 小时内完成了费马大定理证明的形式化——此外还有许多其他应用,我们将在下文讨论。
Claude Fable 和 Claude Mythos 底层是同一个模型。Fable 带有强力的网络安全与生物安全防护以防范滥用,这使我们能够把它开放给所有用户。致力于网络安全或生物医学研究中有益应用的组织,可以通过我们最近扩展的 Life Sciences 和 Cyber Verification Programs 申请使用 Mythos。
测试者发现,Fable 5.2 和 Mythos 5.2 比过去的 Fable 和 Mythos 模型表达更清晰。它们的输出生成速度比 Claude Fable 5.1 和 Claude Mythos 5.1 最多快 30%,而且价格更低:每百万输入 token 8 美元,每百万输出 token 40 美元。
Fable 5.2 和 Mythos 5.2 还提供可选的 fast mode,可将 token 生成速度最多提升 2.5 倍。Fast mode 的价格为每百万输入 token 16 美元,每百万输出 token 80 美元。
安全与对齐。 为确保安全与对齐跟上不断增长的模型能力,我们对 Fable 5.2 和 Mythos 5.2 底层的模型进行了广泛的发布前安全测试。这包括开发新的评测,以更深入地洞察 sandbox 逃逸等特定的令人担忧的行为。我们认为,未对齐带来的高风险仍然很低,该模型在大多数对齐指标上的表现与我们近期的模型相当或更好。Fable 5.2 的网络与生物安全防护与 Fable 5.1 同样稳健,但产生的不必要拦截更少,而且我们实施了有史以来最强的防 distillation 攻击保护。
我们在下文介绍更多安全测试内容,完整细节见 Claude Fable 5.2 and Mythos 5.2 System Card。
何时使用 Claude Fable 5.2 和 Mythos 5.2。 Fable 和 Mythos 最适合最有野心、开放式的技术工作。对于大多数编码和知识任务,我们建议用户从我们最强的日常主力 Claude Opus 5.5 开始,然后视工作的范围和复杂度按需切换模型——向上切换到 Fable 或 Mythos,向下切换到 Claude Sonnet 5.5 或 Claude Haiku 5.5。Fable 5.2 还可以扮演 Advisor(由 Haiku、Sonnet 或 Opus 模型向它咨询以帮助解决更难的问题)或 Orchestrator(由它把更简单的任务委派给更小的模型)的角色。
评测 Claude Fable 5.2 和 Mythos 5.2
基准表现。 下面的基准表格显示,Claude Fable 5.2 和 Mythos 5.2 在我们评测的几乎所有能力上都比 Opus 5.5 高出一档:
Fable 5.2Fable 5.1Opus 5.5GPT-6 AstraGemini 4 Carbon agentic 编码FrontierCode 2.0 agentic 编码FrontierCode 2.049.1%Xhigh effort32.4%Xhigh effort45.5%42.8%41.1%Medium effort agentic 编码FrontierSWE v2 agentic 编码FrontierSWE v269.9%56.3%62.3%65.5%61.2% 业务工作流AutomationBench 业务工作流AutomationBench51.4%31.4%42.5%41.4%53.9% agentic 科学研究Terminal-Bench-Science 0.1 agentic 科学研究Terminal-Bench-Science 0.174.6%75.3% (Mythos 5.2)52.6%58.7%68.1%64.8% 网络安全CyScenarioBench† 网络安全CyScenarioBench†76.3%Mythos 5.261.7%Mythos 5.167.6%无安全防护61%GPT-6 Cyber— 网络安全CVE Rediscovery 网络安全CVE Rediscovery89.6%Mythos 5.278.3%Mythos 5.181.3%无安全防护—— 蛋白质设计De novo binder design (24 hr) 蛋白质设计De novo binder design (24 hr)85.1%Mythos 5.279.1%Mythos 5.182.6%无安全防护—— agentic 搜索WANDR (relaxed score) agentic 搜索WANDR (relaxed score)82.1%68.7%72.3%—— 计算机使用OSWorld 2.1 (offline set, partial) 计算机使用OSWorld 2.1 (offline set, partial)89.3%83.5%87.2%79.5%81.5% 机器人RoboDojo Sim‡ 机器人RoboDojo Sim‡64.9%27.6%39.4%29.8%— 知识工作AA-Briefcase v1.1 知识工作AA-Briefcase v1.166.1%评分细则61.5%评分细则61.2%评分细则52.0%评分细则61.8%评分细则 1785Elo1669Elo1800Elo1569Elo1611Elo 知识工作Remote Labor Index (RLI) 知识工作Remote Labor Index (RLI)41.3%High effort17.9%21.3%20.8%— 多学科推理Humanity’s Last Exam (with tools) 多学科推理Humanity’s Last Exam (with tools)74.2%65.6%67.7%57.2%— 视觉图表识别Chartography (no tools) 视觉图表识别Chartography (no tools)73.4%44.8%64.4%71.0%72.5%
评测方法的细节见 Claude Fable 5.2 and Claude Mythos 5.2 System Card。除非另有说明,Fable 5.2、Fable 5.1 和 Opus 5.5 的分数均为开启安全防护下的结果。除非另有说明,所有分数均为各模型最高可用的 effort。† 在 CyScenarioBench 上,每家实验室的分数基于各自独有的任务。‡ RoboDojo Sim 展示的是最高可用 effort,由内部运行。
Effort 与效率。 在 Medium effort(Claude 应用和 Claude Code 的默认值)下,Fable 5.2 能用比 Fable 5.1 更少的 token 完成有挑战性的任务。在 FrontierCode 2.0 评测的早期测试中,High effort 下的 Fable 5.2 得分与 Max effort 下的 Opus 5.5 大致持平,而每任务成本约为一半。在 Xhigh effort 下,它的得分也是所有已发布受测模型中最高的。
agentic 编码: FrontierCode 2.0agentic 搜索: WANDR硬件工程: BenchCAD 2.1多学科推理: Humanity’s Last Exam视觉图表识别: Chartography
FrontierCode 2.0准确率 vs. 成本
FrontierCode 衡量模型的代码变更是否会被开源仓库的维护者合并。在 High effort 下,Fable 5.2 的得分与 Opus 5.5 的最佳分数大致相同(45.3% vs. 45.5%),每任务成本约为一半,并且在成本大致相同的情况下领先于 GPT-6 Astra 的最佳分数(42.8%)。在 Xhigh effort 下,Fable 5.2 达到 49.1%,是我们测试过的所有已发布模型中的最高分。
WANDR (relaxed score)准确率 vs. 成本
Perplexity 的 WANDR 基准衡量 agent 在大型数据收集任务上的表现。在 Medium effort 下,Fable 5.2 以约 40% 的每任务成本达到 Opus 5.5 的最高分。
BenchCAD 2.1 (with tools)准确率 vs. 成本
BenchCAD 2.1 衡量硬件工程能力,具体看模型的设计与参考几何和电路的匹配程度,按 0–100 打分,可获部分得分。在 Max effort 下,Fable 5.2 得 83.5 分,领先于 Opus 5.5(65.3)和 Fable 5.1(44.4)。
Humanity’s Last Exam (with tools)准确率 vs. 成本
Humanity’s Last Exam(HLE)测试专家级的学术知识与推理。在 Low effort 下,Fable 5.2 以不到十分之一的每任务成本达到 Opus 5.5 的最高分。
Chartography (no tools)准确率 vs. 成本
Chartography 测试模型读取图表的准确程度。在 Medium effort 下,Fable 5.2 得 66.4%,以不到十分之一的每任务成本领先于 Max effort 下的 Opus 5.5(64.4%)。
编码
如今,合并进 Anthropic 核心代码库的变更中超过 90% 由 Claude 编写(在人类指导下)。我们用 Fable 5.2 在几分钟内修复顽固 bug,优化我们所有服务的性能,并完成了一些高价值软件项目——否则这些项目要么太慢要么太贵,根本无从尝试。一组运行早期版本 Fable 5.2 的 agent 把一个关键生产服务从 Python 迁移到了 Rust——该服务现在更高效、更可靠,启动速度快了约 26 倍。我们发现,Fable 5.2 展现出很强的工程判断力,即使面对含糊的请求也能产出高质量结果。
作为一次实验,一位 Anthropic 工程师交给 Fable 5.2 一个任务:设计一个原型操作系统。从一个空文件夹开始,模型协调了 1,000 多个 subagent,连续八天昼夜不停地编写、测试和审查代码。它产出了一个能在笔记本电脑上启动的可用操作系统,带有运行机器的自有内核、磁盘、键盘和网络驱动、持久文件存储、窗口、登录屏幕、安装器,以及内置的 Claude 功能(见下方视频)。
早期测试者对 Fable 5.2 的编码技能能如此成功地应用于广泛任务印象深刻:
VercelShopifyDatadogUnityUberOracleiGentSnowflakeCognition
引言
“这个模型懂我的心思。它理解我给它的每一个 prompt 背后的意图。我一次都没有不得不说过‘不,我的意思是……’。我们用其他模型推进了几周的项目,用 Claude Fable 5.2 几天就完成了并获得了队友们的批准,而且审查它代码的人类提出的意见也更少。”
公司Vercel
作者Joe Haddad,技术团队成员
引言
“Claude Fable 5.2 非常擅长把一个粗略的想法打磨成型。它的回答考虑得非常周全,几乎总是几个回合之内我就能说‘好,就去做吧’,并且相信它只需很少干预就能完成。感觉就像在与另一位资深级别的工程师共事。”
公司Shopify
作者Tom Pritchard,资深工程师
引言
“你可以直接把 Claude Fable 5.2 丢到它从未见过的、含糊的新系统里,它会自己弄清楚如何在其中实际工作。它几乎就像一个事故指挥官,能派出更快的模型去获取快速信号并进行协调,从而把我这个操作者从那份负担中解放出来。”
公司Datadog
作者Matt Lee,高级资深工程师
引言
“Claude Fable 5.2 能完成以往模型难以应付的任务。目前最明显的例子是从零构建更高质量的 3D 场景,以及根据视觉参考重建一种体验。它在更难的游戏开发任务上非常强,会不断迭代和改进,而不是卡住。”
公司Unity
作者Sam Zhang,创意技术专家
引言
“我让 Claude Fable 5.2 跑了一次 10–12 小时的安全审计。它派出了约 170 个审查 agent,回来时带着一份书面报告、修复 pull request 和一份政策提案。它会一直工作到任务真正完成,而不是停在一个看似合理的检查点。它的自我纠正和对缺口的坦诚令我印象深刻。在 High effort 下,对于长时间无人值守的审计和文档密集型工作,我会用它替换我现在跑的东西。”
公司Uber
作者Andrew Mager,资深工程师,agentic 系统
引言
“在一次结合国家债务汇总、还款历史与区域基准的测试中,Claude Fable 5.2 生成的 SQL 返回了预期结果。另外两个模型生成的 SQL 也能成功运行,但错误地对国家级汇总金额求和,得出的数值是预期金额的 5–8 倍。把这些业务计算做对,正是我们认为 Fable 5.2 在企业 SQL 生成上有价值的原因。”
公司Oracle
作者Liyu Gong,机器学习高级经理
引言
“在一次会话中,Claude Fable 5.2 构建了一个 hypervisor——就是把共享同一台机器的虚拟计算机隔离开来的软件。它的核心经过数学证明,能确保它们彼此隔离。3,500 多个机器校验的证明覆盖了每一种情况,而不仅仅是你测试过的那些。这是我见过的第一个能把如此大的问题拆成可证明的片段、把它们拼合起来、并不断承接更有野心工作的模型。相对 Fable 5.1 是一次非常明确的升级。”
公司iGent
作者Sean Ward,联合创始人兼 CEO
引言
“Claude Fable 5.2 是我们在 data-eng-bench 上测得的最强模型,那是我们包含 103 个数据工程任务的开源基准。它在反复运行中稳定地解决任务,并通过了我们给它的每一个交互式编码任务。”
公司Snowflake
作者Bala Kasiviswanathan,AI 与开发者体验副总裁
引言
“Claude Fable 5.2 会说自己不知道,而不是产生幻觉。有一次它告诉我它上一次的估计是错的,并且在实测该变更之前不会给出数字。非常厉害!”
公司Cognition
作者Adhyyan Sekhsaria,技术团队成员
网络安全
Claude Mythos 5.2 是我们能力最强的网络安全工程模型。它比我们以往的模型发现更多漏洞,也更擅长复现和修复它们(注意 Claude Fable 5.2 的安全防护会拦截大多数网络安全相关任务)。一家安全公司发现,Claude Mythos 5.2 找到的已确认 bug 中,有六分之一是他们测试的所有其他前沿模型都漏掉的。在我们的内部评测 CVE Rediscovery¹ 上,Claude Mythos 5.2 比 Claude Opus 5.5 多发现 10.2% 的漏洞,比 Claude Mythos 5.1 多 14.4%。Claude Mythos 5.2 还表现出更好的判断力与校准——一位测试者发现,以往模型大约每 20 个发现中就有 1 个夸大了严重性,而 Claude Mythos 5.2 一个都没有夸大。²
CVE Rediscovery准确率 vs. 成本
CVE Rediscovery 是一项内部网络安全评测,考察在给模型提供某个 CVE 修复前的项目快照时,它能独立找出多少个已公布的 CVE(Common Vulnerabilities and Exposures)。我们 2026 年 10 月针对 1,829 个 CVE 的运行显示,Claude Mythos 5.2 在每个 effort 级别上都优于 Claude Mythos 5.1 和 Claude Opus 5.5。
Claude Mythos 5.2 的网络能力可以通过我们的 Cyber Verification Program 获取,我们正在持续扩展和改进该计划。Claude Enterprise 客户(即使不是 Cyber Verification Program 的成员)可以使用 Claude Security,它用我们最强的模型扫描代码库中的漏洞——现在其中包括 Claude Mythos 5.2。Claude Security 最近的一次更新 让它能在代码更新时监视仓库、跟踪所有发现以确保它们被修复、从额外上下文中学习,并通过 API 和 MCP 连接用户的工具。
RubrikMozilla
引言
“我们与 Anthropic 的新模型 Claude Mythos 5.2 密切合作,在我们自己的系统中进行下一轮高保真威胁发现与消除,针对的是我们用早期 Mythos 模型未能发现的潜在问题。输出更易读,让我们的团队能够更快、更轻松地抽查。我们用 Mythos 5.1 构建了 Code Guardian harness,我们会切换到 Mythos 5.2,为客户提供更强大的网络能力。”
公司Rubrik
作者Arvind Nithrakashyap,联合创始人兼首席技术官
引言
“Claude Mythos 5.2 好得惊人。我们全年都与 Anthropic 团队密切合作,用一代代 Claude 模型加固 Firefox,每一轮剩下待找的 bug 都更少、更隐蔽。即便如此,在各自的扫描活动中,Mythos 5.2 的漏洞发现指标仍大约是 Mythos 5.1 的两倍。”
公司Mozilla
作者Brian Grinstead,杰出工程师
科学与工程
科学、工程和数学中的重要任务越来越依赖编码:分析数据、建模分子、设计零件、控制仪器,全都通过软件完成。下面我们将讨论 Claude Fable 5.2 和 Claude Mythos 5.2 如何帮助研究人员在这些领域的难题上取得进展。
理论物理
Claude Fable 5.2 解决了理论物理中的两个开放问题。两者都涉及黑洞,以及统一现代物理两大支柱理论——相对论与量子力学——的努力。
Claude 的这两项结果都依赖全息对偶,即某些含引力的宇宙可以被一个完全不含引力的量子理论精确描述的想法。第一个问题中,物理学家在 1983 年已经证明,随着这些宇宙升温,黑洞会像水沸腾一样突然形成;但他们的方法只适用于大到足以让相对论生效的大宇宙。2003 年有人提出了一项计算,用于判断在只能使用量子描述的极小宇宙中是否同样如此,但该计算过于繁重,无法完成。Fable 5.2 在很大程度上自主地完成了它,并发现那里的相变同样是突然的。第二个问题中,Fable 5.2 找出了物理学家 15 年多来用于在简化宇宙中排除量子引力候选理论的一种技术的精确极限。关于这些结果的更多内容,见各自的预印本:这里和这里。
蛋白质折叠
腺相关病毒是小而无害的病毒,其蛋白质外壳,即衣壳,可用于递送基因疗法。衣壳的蛋白质结构很重要——例如,它影响疗法是否会被患者的免疫系统拦截——但也高度复杂。AlphaFold 等现有蛋白质折叠模型能预测单个蛋白质,但一个衣壳由几十个蛋白质构成。在两个开源蛋白质折叠模型的基础上,Claude Mythos 5.2 找到了一种准确预测整个衣壳结构的新方法。它编写代码,在相互重叠的蛋白质链分组上运行这些模型,并利用衣壳已知对称性的信息把它们合并在一起。
Claude 的方法在多个衣壳上都有效,无论是天然的还是工程改造的(在我们的测试中,它尝试的 34 个中有 28 个被准确建模)。³ 三位计算生物学家分享了以下感想,谈 Claude 的技能如何用于加速他们的基因疗法研究:
Dyno TherapeuticsColumbia UniversityBiohub
引言
“这种加速能为我们的衣壳折叠流水线节省可观的时间和成本,使我们能够把算力更高效地部署到基因药物所需的众多衣壳属性上。我们很高兴能帮助 Anthropic 进一步推进推理能力,从而降低整体衣壳设计的成本。”
公司Dyno Therapeutics
作者Sam Sinai,联合创始人兼 AI 负责人
引言
“包括衣壳在内的大型蛋白质组装体,对蛋白质建模来说仍是一个开放问题,因为要准确预测并定位几十个独立大分子的结构非常复杂,更不用说其中涉及的异常高昂的计算成本。Claude 的方法巧妙地针对对称组装体解决了这个问题,使科学家个人也能在个人工作站上建模那些原本需要专用集群的系统。”
公司Columbia University
作者Mohammed AlQuraishi,系统生物学与计算机科学助理教授
引言
“Biohub 开源 ESMFold2 的目标,是让科学界能够在它学到的生物学知识之上继续构建。我们很高兴看到 Claude 原型化了一种新的采样流程,能够预测 AAV 衣壳等大型对称复合物——那是一种用于递送基因疗法的蛋白质。我们将继续吸收社区这类把我们的工具扩展到重要应用领域的贡献。”
公司Biohub
作者Zeming Lin,首席研究科学家
数学
数学形式化。 形式化是把数学证明翻译成计算机可以逐步检查的语言的过程。它可以帮助人类数学家在不手工检查的情况下对结果建立信心(当 AI 模型产出人类难以验证的结果时,这一点尤为重要)。由于形式化是一个如此繁重的过程,如果 AI 能从中协助,数学家就能把更多时间花在探索新想法上。
我们第一次费马大定理的形式化由一个未发布的 Claude 研究版本完成,耗时 11 天。它依赖一个专门构建的 harness 以及一位人类研究者的指导。相比之下,一个由 1,000 个 Fable 5.2 agent 组成的团队仅用 30 小时就完全形式化了该定理,人类干预极少。Fable 5.2 从极简的 prompt 出发,自行构建协调方式,没有使用任何数学参考资料,只用一个中间定理陈述列表来给进度打分。它所需的 action token 只有我们第一次形式化的三分之一,产出的证明长度只有其七分之一。如下图所示,Opus 5.5(同样的 1,000-agent 配置)在 18 小时内只完成了形式化的 26%,30 小时后几乎再无进展。
关于这次形式化的更多内容见这里。
费马大定理证明形式化随时间变化的完成度
在数学编程语言 Lean 中形式化费马大定理的证明。每条线显示 Fable 5.2(绿线)和 Opus 5.5(橙线)在约 1,000 个 agent、每个模型单次运行的情况下,30 小时内完成的完整形式化比例。在虚线处(18 小时),两个团队都从上次保存处恢复,再运行 12 小时。
硬件与机器人
AI 的许多潜在益处——例如加速实验室研究——取决于它能否在物理世界中行动。Claude Fable 5.2 延续了我们模型在现实世界中越来越有用的趋势,在设计硬件设备等任务上展现出可喜的结果,并在控制实体机器人方面取得实质性进展。
硬件工程。 我们测试了 Fable 5.2 在硬件工程方面的技能,用一段话的 prompt 要求它设计并制作三台可用的电子设备,各自带有电路板、3D 打印外壳和软件。这些设备如下所示,分别是一个家用语音助手中枢、一个 USB 免提电话,以及一个掌上虚拟宠物。我们与 Diode 合作完成了这个项目,那是一家设计和制造电路板的公司。
Claude 自己编写规格说明,从美国分销商处挑选可用的电子元器件,为每台设备的四层电路板布线,用计算机辅助设计建模外壳,并编写设备软件。每块电路板都在不到一天内达到可制造状态,人类投入极少。Diode 造好电路板后,Claude 指导该公司工程师完成设备的测试与组装。三台设备全部正常工作,无需任何电气修改。关于 Claude 硬件工程技能的更多内容见这里。
机器人。 与早期 Claude 模型相比,Fable 5.2 在控制实体机器人方面展现出大幅提升的技能——即使是它从未被明确训练过的机器人任务。下方视频展示了由 Fable 5.2 控制的机器人完成各种任务,包括解魔方、拧开瓶盖,以及画一幅机器人的画。在公开的 RoboDojo 基准上——该基准测试 AI 如何根据摄像头图像控制模拟双臂机器人——Fable 5.2 优于在同一 harness 上运行的其他前沿模型,也优于大多数专为控制机器人而构建的 AI 系统。
RoboDojo(平均)各模型最高分
Gemini 4 Argon GPT-6 Astra Fable 5.1 Opus 5.5 Fable 5.2
RoboDojo Sim 测试对模拟双臂机器人的控制。分数基于我们内部对每个模型使用最高可用 effort 级别的运行。在 Max effort 下,Fable 5.2 得 64.9%,是 GPT-6 Astra(29.8%)和 Fable 5.1(27.6%)的两倍多。
研究与分析
早期测试者把 Claude Fable 5.2 用于研究与分析任务后发现,它能处理比以往模型更含糊、数据更重的任务,并且在含糊任务上有更好的判断力——尤其是那些需要抽象推理和设计的任务。自营交易公司 Jump Trading 在类似于其部分量化研究任务的代理评测上测试了 Fable 5.2,把它嵌入一个与该公司自身研究所用类似的 harness 中。在一次运行中,Fable 5.2 实际上扮演了所有必要的角色:代码编写者、协调者、规划者和任务提交者。以往的模型需要投入大量时间手动重新平衡角色,以适应不同模型的长处和短处。
来自研究与分析机构的其他测试者给我们发来了以下关于他们使用 Fable 5.2 的体验的声明:
Jump TradingBalyasny Asset ManagementDiscovered MaterialsIMCHarveyFundamental Research LabsXTX MarketsBox
引言
“Claude Fable 5.2 在研究系统中扮演每一个主要角色都出色得令人难以置信:定义问题、解读、协调,当然还有找到并实现关键想法。绝对是我们见过的在品味和判断力上最强的模型之一。在一个内部研究自动化基准中,它的误差比次优模型整整低了 10%。”
公司Jump Trading
作者Lucas Baker,LLM 研发负责人
引言
“在最近一次评测中,我们让 Claude Fable 5.2 调查某个组织是如何在其核心技术系统中测试一个新集成的。它把答案追溯到了正确的来源,没有夸大证据所显示的内容。它还指出问题的表述方式可能产生误导。在投资研究中,这种克制能让人清楚地看到哪些仍然未知,以及市场可能在哪里错误定价了风险或机会。”
公司Balyasny Asset Management
作者Ashish Malik,AI 研究员
引言
“声子计算是计算材料科学中最昂贵的常规步骤之一,这就是为什么实验室在筛选新材料时常常跳过稳定性检查。Claude Fable 5.2 让 Quantum ESPRESSO 的声子代码在同一 GPU 上平均比原版快约 36 倍,把我们 13 个基准案例从 3.3 小时缩短到不到四分钟。这比 Fable 5.1 的加速还高出 3–4 倍。”
公司Discovered Materials
作者Akash Ramdas,联合创始人
引言
“在 Fable 5.1 身上,我们第一次看到了模型提出真正创新研究想法的微光。Claude Fable 5.2 延续了这一趋势。它拥有让我们对 Fable 5.1 印象深刻的那种同样的洞见,然后又提出了第二个全新的角度。在我们已完成的四个量化研究问题中的三个上,它都取得了新的最佳分数。我们希望把它用于高影响、长时间运行的研究任务,或用于协调其他模型的团队。”
公司IMC
作者Marquis Wong,首席 AI 工程师
引言
“在一次 I-9 合规审查中,Claude Fable 5.2 给了客户比 Fable 5.1 更清晰的指引。它识别出需要立即关注的员工,并解释了如何纠正每个问题以及应由谁来行动。这是模型提供实用法律指导能力上一次令人兴奋的提升。”
公司Harvey
作者Niko Grupen,AI 研究负责人
引言
“在一个任务中,Claude Fable 5.2 必须把一家公司的财务数据从其 10-K 中提取到预测模型里,而模板没有说明某个指标应该用报告数字还是计算得出。它从单元格格式推断出作者的意图,发现区域数字加起来不等于报告的总数,并且把每个单元格都做对了。正是这类更好的判断,让它在我们的评测中得了 91%,而次优模型是 86%。”
公司Fundamental Research Labs
作者Jeffrey Liu,技术团队成员
引言
“在我们的量化研究工作中,Claude Fable 5.2 相对 Fable 5.1 带来了非常强的提升,尤其是在多个 agent 相互协调的配置中。它的数学研究能力也代表了另一项有意义的进展。”
公司XTX Markets
作者Alex Gerko,创始人兼 CEO
引言
“在让 AI 跨工作流干活之前,你需要信任它的方法和结论。在我们的测试中,Claude Fable 5.2 识别出不一致之处,利用整个文档集的上下文,并基于相关证据调整建议。例如,在审查贷款申请所附文件时,它指出工资入账与银行对账单余额对不上,这样贷款审核员就能聚焦于该检查什么。”
公司Box
作者Yashodha Bhavnani,AI 产品副总裁
安全与对齐
任何单一测试都无法告诉我们一个高能力模型部署后会如何表现,因此我们在发布前依赖许多不同的测试和许多不同类型的证据。对于 Claude Fable 5.2 和 Claude Mythos 5.2 底层的模型,我们的部署前安全工作包括对齐训练与测试、针对模型采取无益行动倾向的新设计评测、构建更强的防滥用安全防护,以及扩大我们的行为监控。该模型在发布前还接受了外部评测机构的测试,包括 UK AI Security Institute、Frontier Design 和 METR。其报告摘要⁴以及我们自身安全与能力测试的完整描述,见 Claude Fable 5.2 and Mythos 5.2 System Card。
对齐测试
我们运行了一套评测,考察 Claude Fable 5.2 和 Claude Mythos 5.2 在行为层面的对齐程度,测试它们以非预期且潜在不安全的方式行事的频率。权衡我们在一系列评测中看到的一切,我们评估这些模型在高风险情境下以不安全方式行事的风险为低(与我们其他近期模型一样)。
我们在自动化行为审计上测试了 Claude Mythos 5.2(与 Fable 5.2 底层相同、但没有某些网络安全或生物安全防护的模型),该审计测试模型在约 1,900 个场景中的行为。Claude Mythos 5.2 在大多数指标上的表现与 Opus 5.5、Sonnet 5.5 和 Claude Mythos 5.1 相当或更好。例如,在大多数涉及误导用户的指标上,它的得分优于这三者。在 Claude Mythos 5.2 中,幻觉输入、谎称已完成任务、遗漏重要信息、不披露糟糕或偷懒的工作都更低。⁵
自动化行为审计总体未对齐行为得分
Mythos 5.1 Opus 5.5 Sonnet 5.5 Mythos 5.2
我们自动化行为审计的总体得分,是许多不良行为的综合,包括在一系列场景中与人类滥用合作以及自主行动。分数越低越好。完整细节见 Claude Fable 5.2 and Claude Mythos 5.2 System Card 的第 6.4.1 节。
在测试中,我们特别关注了导致近期重大网络安全与对齐事件的行为。例如,我们发现 Claude Mythos 5.2 比 Opus 5.5、Sonnet 5.5 和 Mythos 5.1 更不容易陷入有偏见或动机性推理(这种推理可能意味着它把“自己并不在模拟中”的证据“解释掉”,从而在没有对后果的现实理解的情况下采取行动)。
我们运行了多个不同的评测,测试模型试图逃离其 sandbox 的倾向。在我们此前用过的两个评测中,Claude Mythos 5.2 的 sandbox 逃逸尝试比我们测试过的任何其他模型都少得多。在一个专门的评测中——一项包含 1,800 多个场景的对抗性实验,其中大多数场景不逃离 sandbox 就无法解决,且该 sandbox 有一个故意留下的弱点——Claude Mythos 5.2 在 3.1% 的场景中使用了我们放在其 sandbox 之外的凭据或文件,频率与 Opus 5.5(3.3%)大致相当,低于 Sonnet 5.5(5.1%),更远低于 Claude Mythos 的先前版本(5 和 5.1,分别得 39% 和 21%)。我们发现,其他技术,例如描述 sandbox 并添加报告弱点的工具,能进一步减少 Claude Mythos 5.2 的逃逸尝试。在其他指标上——例如一项涉及在错误地断定自己处于模拟中之后采取有害行动的指标——Claude Mythos 5.2 的得分略差于 Opus 5.5,与 Claude Mythos 5.1 大致持平。
如何构建能在模型部署前可靠抓住每一次失败的评测,这个问题仍未解决。评测高能力模型的复杂性常常让图景变得模糊——例如,Claude Mythos 5.2 和 Fable 5.2 各自表达“自己正在被评测”的怀疑的频率,都比我们任何近期模型更高,这挑战了我们评估它们在现实环境中将如何行动的能力。随着这些环境在未来模型中扩展、能力增强,我们预计这一挑战会加剧。这就是为什么我们不单靠这些评测来提供安全的整体图景:我们还借助训练期间的监控、对内部使用记录的审查、外部评测机构的测试,以及用于检查模型内部发生什么的可解释性技术。我们也在努力让评测更贴近现实,并更好地理解它们遗漏了什么。
安全防护
网络安全与生物安全防护。 与之前的 Claude Fable 模型一致,Fable 5.2 带有安全分类器,拦截高风险网络活动,包括渗透测试、exploit 生成和基于二进制的漏洞,以及研究生物学中的大多数任务。当查询被拦截时,用户会转而收到来自 Opus 4.8(网络安全)和 Opus 5(生物学)的回复。自 Claude Fable 5.1 发布以来,我们持续减少安全分类器的误报。基于在 claude.ai、Claude Code 和 Cowork 上的早期测试,我们观察到 Fable 5.2 的拦截比 Fable 5.1 减少约 55%——网络安全方面减少约 60%,生物学方面减少 40%。Claude Mythos 5.2 面向在这些两用领域工作的经审查组织开放。
AI 研发。 支撑 Claude Fable 5.2 和 Claude Mythos 5.2 的模型在通用能力上前进了一步。然而,在模型训练期间,我们采取措施,限制那些最可能直接加速 AI 发展的特定研究能力的进展。因此,在相关领域,包括加速器 kernel 优化和改进大语言模型架构,Fable 5.2 和 Claude Mythos 5.2 的表现大约处于 Opus 5.5 的水平。重要的是,我们确保这些训练改动没有影响相关能力,如 agentic 编码、硬件开发,以及传统 AI 或机器学习研究(包括可解释性研究)。我们不会在模型向用户提供服务时(即在 inference 时)改变这些能力。正如 System Card 第 1.5 节所述,且与之前的模型类似,Fable 5.2 和 Claude Mythos 5.2 还对该领域中的一小部分主题包含透明回退到 Opus 5 的机制,包括在某些非标准加速器上的 kernel 开发。
防 distillation。 Distillation 指用一个更先进模型的输出来训练另一个模型,以提取该先进模型的能力;这种行为正以工业规模非法发生,往往涉及数千个假 Claude 账号。由于 distillation 使先进能力得以在我们为 Claude 构建的安全防护之外被释放,它带来了安全与国家安全风险(关于我们迄今发现并挫败的非法 distillation 活动的细节,见我们的 2026 年 9 月威胁情报报告)。Fable 5.2 拥有我们已发布模型中最强的防 distillation 保护;它使用了我们在最近一份报告中描述的技术,已使 distiller 收割的数据减少了 90% 到 99%。
我们还在扩大一项有助于防范非法 distillation 的 API 功能的推广:preserved thinking 现在适用于所有账号。Preserved thinking 阻止 distiller 编辑 Claude 的先前上下文以试图提取其推理(开发者可以参考我们的 preserved thinking 文档 了解如何用新 API 功能更新集成)。
数据隐私与 Enterprise Frontier Safeguards
一些更复杂的 AI 模型滥用形式,只有在观察跨多个请求的模式时才能被检测到。因此,Claude Fable 5.2 和 Claude Mythos 5.2 这样的强大模型依赖监控一个使用数据窗口(而非单个回复)的安全防护。借助 Enterprise Frontier Safeguards,自动化安全监控在存储于客户基础设施中的 prompt 和回复上运行,使其与零数据保留(ZDR)兼容。Enterprise Frontier Safeguards 目前正与 Bridgewater、Salesforce 和 Stripe 等客户进行私有 beta 测试。
Enterprise 客户可以联系其客户团队或填写此表单来申请使用 Enterprise Frontier Safeguards。符合条件的客户在通过 EFS 实施安全监控之前,可以继续在零数据保留下使用 Claude Fable 5.2 和 Claude Mythos 5.2。对于其他客户,我们为安全监控保留 30 天数据。
可用性
Claude Fable 5.2 今天已在所有平台上线,包括 Amazon Web Services、Google Cloud 和 Microsoft Azure。开发者可以在 Claude Platform 上开始使用 claude-fable-5-2。
本周,我们向符合条件的付费计划订阅者提供额外的 Fable 用量。包含 Fable 模型的计划和席位将根据订阅时长获得一到三次 Fable 重置,Pro 计划和 Team 计划标准席位的每周用量上限中最多有 50% 包含 Fable。关于 Fable 5.2 发布促销的更多信息见这里。
网络安全专业人士可以通过 Cyber Verification Program 申请使用 Claude Mythos 5.2。Claude Enterprise 客户也可以使用 Claude Security,它由我们的完整模型家族驱动,包括 Claude Mythos 5.2。生命科学研究人员也可以申请通过 Life Sciences Verification Program 获取使用权限。
Claude Fable 5.2 和 Claude Mythos 5.2 的 fast mode 可在 Claude Code、Claude Platform、Google Cloud 上的 Claude Models(Anthropic 托管和 Google 托管)以及 Microsoft Foundry(Anthropic 托管)上使用。注意,Claude Mythos fast mode 的使用权限仅面向加入我们 Verification Programs 的组织。
脚注
1 CVE 指 Common Vulnerabilities and Exposures,一个枚举软件漏洞的系统。
2 这些计数是一位测试者审计中的原始发现,尽管测试者们一致发现 Claude Mythos 5.2 比早期模型识别出更多漏洞。在我们自己的评测中,漏洞识别能力与 Opus 5.5 大致相当(见 system card)。
3 早期关于建模 AAV 衣壳及其他大型对称蛋白质系统的工作包括 FoldaVirus, EvoDOCK 及其对称扩展、SymProFold、CapBuild、MoLPC、CombFold、Uni-Fold Symmetry、Apodex Discovery,以及“大爆炸”初始化(其中最后一项在我们给 Claude Mythos 5.2 的 prompt 中被引用)。这些方法通常从单独预测的链或小的链分组组装出完整结构。Claude 被允许使用已知对称性,但被指示不要依赖组装。注意,准确度通过与实验结构比较 Cα RMSD 来衡量:在 AAV2(PDB:1LP3)上,OpenFold3-preview2 为 1.2 Å,ESMFold2 为 1.4 Å。如果任一模型达到 3 Å 以内,该衣壳即算被准确建模。对于 AAV2,Claude 的方法在一块 NVIDIA H200 GPU 上,OpenFold3-preview2 需要约 58 分钟的 inference,ESMFold2 约七分钟。
4 这些外部组织都没有审阅过本博客文章的内容或 System Card 的内容。这些组织不一定同意这两份出版物中的任何主张。
5 我们在 Claude Mythos 5.2 上运行这些测试,因为测试安全防护减少的模型能最全面地观察模型行为。我们预计 Fable 5.2 的行为类似;在某些情况下,鉴于其更强的安全防护,更多潜在的滥用途径应该会被拦截。