Claude Fable 5.2 在 Artificial Analysis 指數 v5.0.1 上拿到 65 分,78 個模型裏排第一,比第二名 Gemini 4 Carbon 高 5 分。OrcaRouter 11 月 13 日的文章拆開這個分數背後的代價:測試臺上首 token 要 267 秒、一個任務跑 46.8 分鐘、每輪指數花 26.54 美元——而同一家公司網關上的真實流量裏,同一個模型的中位首 token 只有 8.09 秒。兩個數字都對,量的是兩種完全不同的用法。
AA 的指數由九項評測組成:AA-Briefcase、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt v2 困難子集與 Terminal-Bench-Science——三個終端與自動化任務、兩項長輸入文檔推理、兩項硬科學與數學評測、一項前沿代碼評測,沒有網頁 agent、多輪支持模擬或漏洞檢測。Fable 5.2 在這套題上首 token 267 秒(77 個有延遲數據的模型裏排第 76)、每任務 46.8 分鐘。輸出一旦開始並不慢:97 tok/s,比 Carbon 的 72 快 35%,但這點速度在總耗時裏幾乎可以忽略。花錢方面更極端:按輸入每百萬 8 美元、輸出每百萬 40 美元計價,每輪指數 26.54 美元,77 個模型裏最貴;Carbon 同樣九項只要 5.48 美元,4.8 倍的差價換 5 個指數點,摺合每點 0.41 美元對 0.09 美元。OrcaRouter 認爲這是整組對比裏最有用的比值:這個價位上,Fable 5.2 是一個檔位,不是一個默認選項。
同一模型在 OrcaRouter 網關的真實流量裏完全是另一副面孔:7 天 3560 萬 token 的請求中,首 token 中位 8.09 秒、p95 10.00 秒。差距不在模型本身,而在測量對象:測試臺讓模型以最大思考量去啃 HLE-Diamond 這類難題,網關量的是調用方自選思考量下的中位請求。OrcaRouter 的說法很直白——以最大思考量跑,你會復現 AA 的數字;以低思考量跑,你看到的就是網關附近的數字。
AA 報告 Fable 5.2 一輪指數輸出 2.75 億 token,囉嗦度 0.97%;Carbon 是 2.05 億 token、2.69%。百分比與絕對量指向相反的方向,所以這個百分比不能當作「更簡潔」的證據來引用。真正值得記的還是上一節的比值:每指數點 0.41 美元對 0.09 美元。
指數不測可靠性,真實流量會暴露它:OrcaRouter 7 天裏所有上游渠道的非 2xx 報錯率是 10.8%,Carbon 同期爲 39.7%(本站 Carbon 文章已提過該對比)。測試臺靠重試把報錯消化掉,你的應用除非自己做了重試,否則消化不了。需要說明的是,10.8% 是全渠道彙總口徑,不是 Fable 5.2 單模型的報錯率。
九項評測裏沒有網絡安全評估,所以這組數字對漏洞召回或補丁質量什麼也說明不了——如果你正是爲這個看前沿模型的話。也沒有帶多輪工具調用的長時 agent 評測,而那恰恰是 Fable 5.2 主打的工作負載;終端任務只是近似,不是復現。
OrcaRouter 的建議是按任務難度分流:如果你的任務長得像那九項評測、又能異步跑,65 分配 26.54 美元,難的案子值得、簡單的案子浪費——多數流量交給更便宜的模型。如果你的任務是交互式的,測試臺數字就不是你的數字,按網關 p50 的 8.09 秒來設計,而思考量檔位就是決定你落在 8 秒還是 4 分鐘附近的那個變量。還有一條版本紀律:只有在 v5.0.1 下重測過的模型才能放進同一張表,混進 v4.3 或 v4.3.2 的分數會讓整張表失效。
參考來源:本文爲本站原創改寫與整理,事實與數據覈對自 OrcaRouter — Claude Fable 5.2 benchmark(2026-11-13)
← 返回 Claude Fable 5.2 專題