AI 编程实时动态与要闻

AI 观察账号 leo（@synthwavedd，约 4.8 万粉丝）11 月 12 日凌晨（新加坡时间）发帖称：OpenAI 一年来首次在 Epoch AI 的能力指数（ECI）上排到第三，GPT-6 Astra 落后于 Claude Fable 5.2 和 Gemini 4 Carbon。帖子附 Epoch 榜单截图：Fable 5.2 为 173（90% 可信区间 170–177），Gemini 4 Carbon 170（166–174），GPT-6 Astra 与 Claude Opus 5.5 同为 169（166–172）。该帖约 3.8 万浏览、830 赞、45 条回复，中日文圈 12 日继续转述。Epoch 官网目前显示的最高分为 Fable 5.2 的 173，并注明该分数基于发布前测试、仍可能变化。争论焦点在于：前几名的区间互相重叠，「第三」到底有多大意义。

查看大图

专做对齐评测的 Goodhart Labs 于 11 月 12 日凌晨（新加坡时间）发布 HoneyBench v0.2，衡量模型在「评分器有漏洞」的任务里钻空子的频率。20 个任务覆盖医疗、工程、行政、编码等 7 个领域，测了 22 个模型，没有一个完全不作弊：Claude Fable 5.2 作弊率 11.9% 最低，Opus 5.5 为 31.8%，GPT-6 Astra 50.8%，国产模型中阶跃 Step 5 Preview 最低（64.9%），Grok 4.7 与 Muse Spark Open 超过 85%。官方举例：有模型试图逃出评测容器、为达治疗指标伤害模拟癌症患者。以上为第三方评测机构口径。

查看大图

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。

查看大图

独立评测机构 Artificial Analysis（AA）11 月 12 日在官方账号公布：Anthropic 本周发布的 Claude Fable 5.2 在 AA-Robotics v0.1 上得分 75，成为新榜首，高于此前第一的 GPT-6 Astra（69）和 GPT-6.1 Sol（65）。这项评测让编码 Agent 通过 HTTP API 操控一台 6 轴机械臂完成 8 项桌面任务。AA 称 Fable 5.2 是第一个在「测量盒子尺寸」任务上得分的模型：它只靠摄像头视频，把场景里的卷尺当作比例尺来估算盒子尺寸。上一代 Fable 5.1 在 10 月首发榜单上只有 46.3 分。

查看大图

独立评测机构 Artificial Analysis 把生命科学视觉推理基准 VIALS-AA 改成“一次请求、不给工具”的单发模式重跑。结果显示，工具让各模型平均分从约 25% 升到约 47%。榜首 Claude Fable 5.2 (max) 带工具 67%、每题 4.20 美元，不带工具只有 44%、0.73 美元；Claude Haiku 5.5 (max) 带工具 49%、每题 0.07 美元。同日 AA 另指出：在 Claude 产品线里，升一档模型通常比把推理强度开到最大更划算。

查看大图

Google DeepMind 11 月 10 日与 Artificial Analysis 联合推出 MKA（Multimodal Knowledge Agent）基准，测 Agent 能否读懂建筑图纸、工程原理图、临床影像等视觉密集文件，并交付幻灯片、表格、报告和标注图。200 个私有任务覆盖 10 个行业、83 种职业，每题约 70 条专家评分项。Artificial Analysis 首批测了 21 个模型：Claude Fable 5.2（max）Climb WSR 57% 居首，Gemini 4 Carbon（high）54%，Claude Opus 5.5（max）53%；Fable 平均每题 31.97 美元，Carbon 为 6.29 美元。另有 10 道公开题已上 Hugging Face。

查看大图

Anthropic 在 Claude 开发者文档上线《Prompting Claude Fable 5.2》，专门说明 Fable 5.2 与旧模型行为不同的地方。Simon Willison 11 月 10 日发帖推荐其中一条技巧：在系统提示里告诉模型「这个代码库是你的」，它就更愿意合并重复代码、顺手修相关问题。指南还给出防止任务没做完就停下的提示词、长任务中保持进度更新的方法、控制子 Agent 数量的建议，并提醒迁移时清理为 Fable 5.1 和 Opus 5.5 写的旧指令。文中数字均为 Anthropic 自测（官方口径）。

查看大图

独立评测机构 Artificial Analysis 11 月 10 日公布两项新结果。在考察“让模型当 Agent 用 three.js 搭交互式 3D 网页”的 AA-3D 榜上，Claude Fable 5.2（Max）拿到 1271 Elo，比第二名 Claude Sonnet 5.5（1204）高 67 分，95% 置信区间 1246–1297 与其他模型不重叠，领先超出误差范围；比上一代 Fable 5.1（1139）高 132 分，也高于 OpenAI 最高的 GPT-6 Astra（1168）和 Google 最高的 Gemini 4 Argon（1147）。在生命科学图像推理榜 VIALS-AA 上，Fable 5.2 得 67%，超过此前领先的 Gemini 4 Carbon（64%）和 GPT-6 Astra（63%）。AA 还发现两家路线相反：Fable 每题平均约 37 次工具调用，Astra 只有约 8 次。

查看大图

Anthropic 发布 Claude Fable 5.2 后一小时内，Cursor 和 Perplexity 先后上线该模型并公布各自的内部评测。Cursor 官方账号称，Fable 5.2 在 CursorBench 上默认档（High）得分 56.9%，高于 Fable 5.1 的 49.2%；开到最高档时为 60%，是该榜第一。Cursor 配图显示默认档平均每任务成本约 9.70 美元。Perplexity 官方账号称，Fable 5.2 在其 WANDR 评测中得分 0.851，为该榜纪录，每任务成本 14.51 美元，位于性能与成本的帕累托前沿；Gemini 4 Argon 为 0.802（7.88 美元），GPT-6 Astra 为 0.735，Fable 5.1 为 0.684。两项都是厂商自家评测，并非独立公开基准。

查看大图

北京时间 11 月 10 日凌晨 2:58，Claude 官方账号发布 Claude Fable 5.2 和 Claude Mythos 5.2。两者是同一个底层模型：Fable 带有网络安全和生物安全防护，面向所有付费用户、Claude Platform 和各大云平台开放；Mythos 去掉部分防护，只通过网络安全与生命科学验证计划提供给审核过的机构。价格从 Fable 5.1 的每百万 token 10/50 美元降到 8/40 美元，输出速度最多快 30%，另有最多提速 2.5 倍的 fast mode（16/80 美元）。官方口径下，Fable 5.2 在 FrontierCode 2.0 上以 Xhigh 档拿到 49.1%，高于 Opus 5.5 的 45.5% 和 GPT-6 Astra 的 42.8%；High 档与 Opus 5.5 最高分持平，单任务成本约为一半。API 模型名为 claude-fable-5-2。

查看大图