本文截至2026年11月16日,实际打开官方发布说明、当前Claude Code文档、独立评测原文及正反公开讨论。我们没有调用付费模型、登录账户或测量真实套餐额度。提示词和任务账本均为原创合成示例;文中的离线算式只验证计算,不构成模型实测。社区案例采用有意覆盖正面、负面和具体失败的选择方式,不能据此统计满意度。

当前的新模型与应该升级的任务

核验到的最新通用发布是11月9日的Fable 5.2。Anthropic仍建议多数日常编码与知识工作先用Opus 5.5,难度更高、范围开放的项目再考虑Fable。11月16日访问新闻页的时间,不能替代模型发布日期。

Anthropic:Fable与Mythos 5.2发布 · Anthropic新闻索引

这给购买和迁移提供了一个更有用的问题:新模型能否减少你最贵的失败?例如跨模块迁移中漏掉兼容约束、长任务中丢失目标、修复后未检查旧功能。这些损失常出现在任务后半程;聊天时文字更流畅,尚不能证明交付更可靠。先选出目前会卡住、返工或需要资深同事介入的工作,才有升级的判断基线。

选择对象与验证问题
对象官方定位或边界自己的验收重点
Opus 5.5日常工作的起点现有任务能否稳定完成
Fable 5.2更复杂的技术任务困难任务是否减少返工
Mythos 5.2相同基础模型、不同安全措施与准入另核研究项目权限,不由Fable资格推定

Anthropic:Fable与Mythos 5.2发布

先保存运行身份,再比较输出

同一个fable别名不一定解析到同一版本;Claude apps gateway有单独映射。正式比较时记录完整model ID、提供方、客户端版本、实际effort及回退。模型概览与Code配置是不同入口的对照依据。

Claude Code:模型配置 · Claude模型概览

把这些信息放进每次试验的回执,比在文章标题里写“最新版”更可靠。还应固定仓库提交、可见文件、工具权限、提示词、超时和人工补充。只要其中一项改变,就为结果新增一行,保留失败行。若回执无法确认实际模型,把结果标成身份未确认;不要将它归入指定快照的胜率。遇到不可用时先诊断入口和权限,不通过放开安全控制来凑齐测试。

合成账本格式,金额和任务均为演示数据;不是API回执
task_id,arm,model_id,effort,provider,toolset,commit,attempt,status,api_usd,review_min,fallback
fixture-01,A,claude-opus-5-5,medium,synthetic,offline,fixture-v1,1,accepted,0.40,6,none
fixture-01,B,claude-fable-5-2,high,synthetic,offline,fixture-v1,1,accepted,0.80,3,none

effort是一项实验变量,max并非默认答案

当前Code文档把Fable 5.2默认effort列为medium,并提醒max可能过度推理。Artificial Analysis的同一模型页面展示了随档位变化的能力与耗时。

Claude Code:模型配置 · Artificial Analysis:Fable 5.2

AA Intelligence Index v5.0.1读取快照,非用户任务时长承诺
effort指数分每项指数任务分钟
low545.5
high6215.3
max6541.8

Artificial Analysis:Fable 5.2

表中是Max/Default Fallback等对应配置的公开评测记录,不能把独立指数分当成日常编码成功率,也不能用max耗时推算订阅消息数。我们的工程建议是从当前可接受档位开始,只对失败任务升一档。更长思考如果没有转化为外部验收改善,就只是增加等待。比较档位时固定模型;比较模型时先固定档位,再单独测试各自最优配置,避免把两个问题混成一个。

Artificial Analysis:Fable 5.2 · Artificial Analysis:能力指数方法

四类独立结果,四种不同的测量对象

独立于模型发布方的原始测试;商业评测机构也有自身产品与方法选择
来源测量对象阅读限制
Artificial Analysis综合能力与效率保留指数版本和fallback标签
Snorkel复杂终端工作任务匹配与干净运行筛选
Vals按领域加权的专业任务权重和不确定性影响名次
Plotly数据分析代理工作流单次运行、特定执行框架

Artificial Analysis:Fable 5.2 · Snorkel:Fable终端任务测试 · Vals Index方法与结果 · Plotly:数据分析测试

这些来源能互相补充,却不能相加成一个总胜率。综合指数覆盖面广,特定产品的端到端测试更接近该产品的工具链。首先问“试卷像不像我的任务”,再问“分差够不够大”。公开页面未交代的模型参数、缓存策略或时间预算,应写入未知项;用自己猜测的配置补齐它们,会制造虚假的可比性。

AA的Coding Agent Index v2.1另有自己的三部分构成和评分规则,与Intelligence Index v5.0.1不同。连同一机构也可能同时维护多套“指数”。复制图表时应保留完整指标名称,避免把综合推理、终端执行和可合并代码修改当成同一个量。

AA Coding Agent Index方法

Snorkel:进步集中在完成过程,也有策略回归

Snorkel于11月12日报告:匹配26项任务后,任务加权pass@1从53.1%升至71.4%。两模型纳入的干净运行数分别为106和121,环境或端点失败被排除。

Snorkel:Fable终端任务测试

因此不能直接拿成功运行数除以运行总数,期待复算出同一个任务加权结果;每道题的有效重复次数并不相同。更重要的工程启发是区分“机械失误减少”和“理解目标正确”。其失败分析仍展示了选错方向后认真自测的情况。自测与实现共享同一错误假设时,再多测试轮次也可能通过自己的错误标准。

迁移验收应由维护者事先定义不变量,再让另一套测试检查,而不是仅要求代理“确认没有问题”。同时保留原先能通过、升级后失败的任务。只挑新模型胜出的样例,会隐藏回归。该研究的有效运行筛选和未完整报告的配置,也限制了我们把涨幅推广到任意项目的能力。

Snorkel:Fable终端任务测试

Vals:综合榜首不能替代领域与不确定性

Vals读取快照,指数v2.2更新于11月15日
配置或对象公布读数应保留的限定
Fable 5.2 high71.31 ±0.96Vals Index综合结果
Sonnet 5.5 max70.85 ±0.93小分差不能单凭名次定胜负
领域组合金融、编码、法律、税务GDP权重是方法假设

Vals:Fable 5.2模型页 · Vals Index方法与结果 · Vals:Sonnet 5.5模型页

加权指数先决定哪些工作更重要,再决定谁排名靠前。团队如果主要维护软件,应先看对应任务的失败模式,而不是照搬经济领域的权重。上述不确定性也提醒我们:名次相邻时,不能从排名直接推出稳定、普遍的优势;它同样不足以单独证明两模型等效。 这里Fable为high、Sonnet为max,不能视为隔离模型本身的同档位实验。

我们读取到同一站点模型页与指数分项页的一项迁移分数不一致,因此不转载该数值。对公开榜单做这种一致性检查,比用更多小数位增加精确感更有意义。出现冲突时保留网页快照与日期,等待来源说明;不能挑更高的一项替代未知。

Vals:Fable 5.2模型页 · Vals Index方法与结果

Plotly:满分改善与更高整场账单可以同时发生

Plotly特定分析执行框架的一次完整测试,美元为作者报告账单
模型通过题数整场成本USD
Fable 5.243/4335.74
Opus 5.541/4313.31
GPT-6.1 Sol43/432.61

Plotly:数据分析测试

这是特定供应商、工具和单次运行的结果。作者指出重复运行会有分数波动。读者不应把两题之差视为稳定优势,也不能把整场成本当成单次聊天价。它说明一个实际问题:更低的标价未必带来更低的任务成本;更多上下文、缓存写入和推理输出会改变账单。

Plotly:数据分析测试

采购时可以先区分两种任务。不可犯错的分析可能值得为额外复核和更高完成率支付成本;容易抽检、数量巨大的常规报表,更看重单位合格产物成本。无论哪一种,都应保留执行轨迹与最终图表的语义核对:图表成功生成,只证明程序产出了图,并不证明筛选范围、单位和业务结论正确。

社区为什么同时出现惊喜与失望

有意选择的公开个案,11月16日收集,不是满意度样本
原始来源自述体验证据边界
Reddit正面帖max效果好、消耗快作者后续说未用Code,不能当CLI测试
Reddit负面帖推断过快、计划浅未提供受控同配置对照
HN技术评论正则模块存在边界和复杂度问题未独立复现,不能认定漏洞
NotesByLex游戏项目工具链完成可玩的长项目有前期原型、后续人工试玩与迭代

Reddit:max正面体验 · Reddit:规划与推断负面体验 · Hacker News:正则模块评论 · NotesByLex:游戏项目

这四个案例的任务、入口与完成标准不同。它们提出值得测试的假设,但不能计算“多少用户觉得变好”,也不能据此断言模型被削弱。游戏作者还明确未对照Opus 5.5;因此“成功完成”与“只有新模型才能完成”是两种不同的结论。论坛相对时间不能还原精确UTC,这里使用收集日期,不补造发帖时间。

NotesByLex:游戏项目

可以把评价翻译成可测问题:所谓“懒”究竟是未读要求、工具失败、提前停止还是最终验收遗漏?所谓“惊艳”是否包含大量工具调用、重试和人工改稿?当这些变量可记录,情绪词才能转化为下一次试验的设计。

Advisor与回退会改变实际运行系统

实验性Advisor会读取完整对话,并增加调用成本;不同提供方的支持范围不同。将其打开后,比较对象已经是组合系统,不能继续把结果只归给主模型。

Claude Code:Advisor

配置中还应记录是否发生安全或可用性回退。官方系统卡与当前Code文档都讨论了安全措施及相关行为;主模型被选中不意味着每一步都由它完成。评测时保留这些事件,可以解释成功率、时长和拒绝差异,不能为了去掉“干扰”而尝试绕过安全机制。

Claude Code:模型配置 · Fable/Mythos 5.2系统卡

给顾问的最小必要上下文也应在授权范围内。完整对话可能包含工具输出与业务材料;先脱敏和裁剪,再决定是否启用。一个实用的对照顺序是:单模型基线、单模型提高effort、再加入顾问。每次只改一项,才能知道额外花费换到了什么。若实际回执不够透明,把组合结果单独归档。

实操一:给离线仓库一份可验收的任务合同

以下提示词用于自己的或获授权的本地副本;不连接生产、远程服务或真实客户数据。先冻结提交、生成最小合成数据,再由维护者保留验收集。模型只能看到任务合同和开发样例。第一轮可以只读评估计划,确认理解后才在可丢弃分支允许改动。

未执行的提示词示例;仅限授权离线副本
你在一个可丢弃的离线Python仓库中工作。不得联网、安装依赖或读取副本外文件。
目标:实现 normalize_rows(rows)。输入项含 sku 和 quantity。
规则:sku 去除两端空白,但区分大小写;quantity 必须是非负整数文本;非法行报错,不能静默跳过。
相同 sku 的数量累加,输出顺序按首次出现;不得修改输入。
先只读检查现有实现,列出不确定项、受影响文件和最小修复方案,等待我授权修改。
最终交付:变更说明、实际执行的检查、未覆盖风险。不得修改验收测试或声称未运行的检查已通过。

这是任务规范设计,不是对Fable能力的实测。真正比较时,给两个试验组同一份规范、文件和可用工具;按随机顺序运行成对任务。把超时、拒绝与工具失败分开记账,预先约定哪些算交付失败。否则一组被分配了更容易的任务,后面的成本和胜率都会失去解释力。

实操二:把验收标准从代理的自信中独立出来

维护者保留的合成验收设计,不是已跑出的模型结果
测试面输入特征必须检查
规范带空白与大小写不同的sku只修剪空白,不合并不同大小写
错误路径负数、小数、空数量显式报错,无部分静默输出
不变量重复项、输入对象复用合并顺序稳定,输入不变
规模逐步增加合成行数观测资源变化,先定停止阈值
未执行的独立复核提示词;交给隔离复核上下文
只审查提供的任务合同、候选补丁和独立测试输出。不要读取第一个代理的自我评价。
逐条把需求映射到代码路径和测试断言。
区分:已观察的失败、可复现假设、当前未知。
重点检查非法输入是否被静默吞掉、是否修改输入、大小写和首次出现顺序。
给出最小反例的合成描述;没有运行证据时不得写“已复现”。
不得修改验收标准来迁就实现。输出仍需人工审阅。

复核模型也可能漏错,所以最终门禁应包含确定性断言和人的抽检。测试通过只覆盖测试集;资源趋势异常也不自动证明算法有漏洞。若新模型只在开放题上显得更会解释,却在相同边界条件下继续失败,保留旧方案通常比立即升级更合理。

按合格产物计成本,而不是按一次回答计价

下面两组均是假设的10项任务:A合格8项、API成本4美元、人工复核60分钟;B合格9项、API成本8美元、复核30分钟。人工时间按30美元/小时估值只是演示参数。它不是薪酬建议,也不是任何模型的测量结果。

可本地运行的合成算式;不联网、不调用模型
runs = [
    {"arm": "A", "tasks": 10, "accepted": 8, "api_usd": 4, "review_min": 60},
    {"arm": "B", "tasks": 10, "accepted": 9, "api_usd": 8, "review_min": 30},
]
hourly_usd = 30
for run in runs:
    accepted = run["accepted"]
    api = run["api_usd"] / accepted
    total = (run["api_usd"] + run["review_min"] / 60 * hourly_usd) / accepted
    print(run["arm"], f"{api:.2f}", f"{total:.2f}")

输出A的API成本/合格产物为0.50美元,含人工为4.25美元;B分别为0.89和2.56美元。这个例子只说明结论可能随成本口径反转。正式账本应包含所有失败和重试的成本,分母只数独立验收合格的产物;同一任务重复提交不能当多个成功。对等待时间另列截止期限,不随意折算成同一笔人工费。

是否购买或升级:先确认工作负载和权益边界

当前官方个人计划把Pro的Fable列为usage credits,Max与Ultra包含的Fable受每周额度一半的子上限约束;Ultra取消五小时限制带verified条件。这些是官方订阅规则,并不等于无限Fable或所有入口同一余额。

Claude官方计划与价格

若日常工作已经合格,先保留现有配置,把Fable用于最贵的失败点。若主要瓶颈是消息上限,先记录具体消耗与使用入口;若是审批或模型不可用,升套餐本身不能保证解决。API调用、订阅内使用和本站商品交付条件要分别核对,本站页面的实时说明才是商品价格、库存和交付范围的依据。

原创决策框架,不是套餐或效果保证
观察到的瓶颈先做的实验升级门槛
规范理解或跨模块错误同输入、同验收比较模型减少实质返工且无关键回归
推理不够深入同模型逐档比较effort外部验收改善超过新增成本
长任务质量不稳定固定工具与超时,记录回退重复任务仍可稳定交付
额度或入口限制核对官方计划与实际回执明确权益覆盖自己的使用入口

把升级变成可回滚的持续评估

建议采用以下闭环。只有外部验收和总成本都符合预先门槛,才扩大到下一组工作。保留原模型、输入和失败记录;新版本上线后,先重跑既有难题与回归集。公开评测帮助选择实验方向,自己的成对任务决定是否扩大使用。

  1. 冻结任务、提交、工具与验收
  2. 记录完整模型、effort、入口与回退
  3. 成对任务随机顺序,仅改一个变量
  4. 独立验收并保存失败及重试
  5. 计算合格产物成本与截止期限
  6. 达到门槛再扩大,否则保留基线
从候选模型到可解释的使用决定

可复核范围:官方当前页面、独立机构原始测试和列出的公开个案。我们没有抽样统计社区情绪,也未复跑付费模型评测。未报告的参数、相互冲突的分项读数与实际账户可用性仍是未知;后续应以保留配置和外部验收的复测更新结论。