Arena 于 11 月 11 日宣布，Anthropic 的 Claude Fable 5.2 (Max) 在 Agent Arena 总榜排名第一：基于 4,731 次真实智能体会话，净提升 +30.35%，约为第 2 名 Claude Opus 5.5 (Max)（+19.52%）的 1.6 倍，第 3 名为 Gemini 4 Carbon (High)（+16.98%，初步排名）。相比上一代 Fable 5.1，Fable 5.2 从第 5 升至第 1，净提升约翻倍，每任务中位成本从 7.60 美元降至 7.28 美元。它在「好评 vs 抱怨」「可控性」「确认成功」三项信号均居首，Bash 可靠性第 3，但每任务成本仍是 Gemini 4 Carbon 的约 5 倍。
核心要点速览
- ✓总榜第 1：净提升 +30.35%（±3.93%），样本 4,731 次会话；第 2 名 Opus 5.5 为 +19.52%，第 3 名 Gemini 4 Carbon 为 +16.98%（Arena 榜单）
- ✓相比 Fable 5.1：排名 #5 → #1，净提升 +14.82% → +30.35%，每任务中位成本 $7.60 → $7.28，API 价格 $10/$50 → $8/$40 每百万 token
- ✓分项信号：好评 vs 抱怨 +73.44%（第 1，下一名约 +41%）、可控性 +32.96%（第 1）、确认成功 +21.99%（第 1）、Bash 可靠性 +14.42%（第 3）
- ✓分类榜：Code +34%、Work +31%、Chat +27%，三类均第 1（Arena 官方口径）
- ✓性价比：每任务 $7.28，约为 Opus 5.5（$5.37）的 1.36 倍、Gemini 4 Carbon（$1.46）的 5 倍；Pareto 前沿上仍有 Carbon、GPT-6.1 Sol/Terra 等低价选项
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
静态 Benchmark 难以反映模型在真实 Agent 工作流里的表现。Arena（原 LMArena）推出的 Agent Arena 用社区在 Agent 模式下的真实会话来排名，截至 11 月 11 日累计 281 万次会话、59 个模型。Claude Fable 5.2 于 11 月 9 日发布，两天后登顶。
架构亮点与底层机制
Agent Arena 不是让用户在两个回答里投票，而是从真实会话中提取信号：确认成功（任务被确认完成）、好评 vs 抱怨（用户反馈的正负倾向）、可控性（能否按用户纠正调整）、Bash 可靠性（排除网络、权限等外部原因后的命令成功率），以及工具幻觉率，再汇总为「净提升」。榜单同时给出每任务中位成本、耗时和输出 token。需要注意，排名带有置信区间，Gemini 4 Carbon 仍标注为「初步」。
权威 Benchmark 与实测跑分对比
据 Arena 榜单，Fable 5.2 (Max) 净提升 +30.35%，Opus 5.5 (Max) 为 +19.52%，Gemini 4 Carbon (High) 为 +16.98%。分项上，Fable 5.2 的好评 vs 抱怨达 +73.44%，几乎是 Opus 5.5（+40.32%）的两倍，可控性 +32.96%，但 Bash 可靠性 14.42% 略低于 Opus 5.5 的 15.10%。成本方面，Fable 5.2 每任务 7.28 美元。以上均为 Arena 口径，非 Anthropic 自报。
开发者实战落地与开箱指南
如果你在做长链路编码或办公 Agent，且更在乎一次做对和少返工，Fable 5.2 是当前社区实测最强的选择。预算敏感、调用量大的场景，可以参考 Pareto 前沿：Gemini 4 Carbon 约 1.46 美元/任务、GPT-6.1 Sol 约 1.08 美元/任务，性能约为 Fable 5.2 的一半多。建议先用自有任务集复测，再把常规子任务路由给低价模型。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察