ModelBrief · Claude Fable 5.2 · 专题
最后更新 2026-11-20
EN 简体 繁體

OrcaRouter 对照:首 token 8.09 秒,不是 267 秒

发布于 2026-11-15 · 最后更新 2026-11-15

Claude Fable 5.2 在 Artificial Analysis 指数 v5.0.1 上拿到 65 分,78 个模型里排第一,比第二名 Gemini 4 Carbon 高 5 分。OrcaRouter 11 月 13 日的文章拆开这个分数背后的代价:测试台上首 token 要 267 秒、一个任务跑 46.8 分钟、每轮指数花 26.54 美元——而同一家公司网关上的真实流量里,同一个模型的中位首 token 只有 8.09 秒。两个数字都对,量的是两种完全不同的用法。

测试台的数字:267 秒、46.8 分钟、26.54 美元

AA 的指数由九项评测组成:AA-Briefcase、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt v2 困难子集与 Terminal-Bench-Science——三个终端与自动化任务、两项长输入文档推理、两项硬科学与数学评测、一项前沿代码评测,没有网页 agent、多轮支持模拟或漏洞检测。Fable 5.2 在这套题上首 token 267 秒(77 个有延迟数据的模型里排第 76)、每任务 46.8 分钟。输出一旦开始并不慢:97 tok/s,比 Carbon 的 72 快 35%,但这点速度在总耗时里几乎可以忽略。花钱方面更极端:按输入每百万 8 美元、输出每百万 40 美元计价,每轮指数 26.54 美元,77 个模型里最贵;Carbon 同样九项只要 5.48 美元,4.8 倍的差价换 5 个指数点,折合每点 0.41 美元对 0.09 美元。OrcaRouter 认为这是整组对比里最有用的比值:这个价位上,Fable 5.2 是一个档位,不是一个默认选项。

真实流量的数字:p50 8.09 秒、p95 10.00 秒

同一模型在 OrcaRouter 网关的真实流量里完全是另一副面孔:7 天 3560 万 token 的请求中,首 token 中位 8.09 秒、p95 10.00 秒。差距不在模型本身,而在测量对象:测试台让模型以最大思考量去啃 HLE-Diamond 这类难题,网关量的是调用方自选思考量下的中位请求。OrcaRouter 的说法很直白——以最大思考量跑,你会复现 AA 的数字;以低思考量跑,你看到的就是网关附近的数字。

啰嗦度数字别反着读

AA 报告 Fable 5.2 一轮指数输出 2.75 亿 token,啰嗦度 0.97%;Carbon 是 2.05 亿 token、2.69%。百分比与绝对量指向相反的方向,所以这个百分比不能当作「更简洁」的证据来引用。真正值得记的还是上一节的比值:每指数点 0.41 美元对 0.09 美元。

可靠性:7 天非 2xx 报错率 10.8%

指数不测可靠性,真实流量会暴露它:OrcaRouter 7 天里所有上游渠道的非 2xx 报错率是 10.8%,Carbon 同期为 39.7%(本站 Carbon 文章已提过该对比)。测试台靠重试把报错消化掉,你的应用除非自己做了重试,否则消化不了。需要说明的是,10.8% 是全渠道汇总口径,不是 Fable 5.2 单模型的报错率。

指数没测到的两样东西

九项评测里没有网络安全评估,所以这组数字对漏洞召回或补丁质量什么也说明不了——如果你正是为这个看前沿模型的话。也没有带多轮工具调用的长时 agent 评测,而那恰恰是 Fable 5.2 主打的工作负载;终端任务只是近似,不是复现。

怎么用这两个数字做决策

OrcaRouter 的建议是按任务难度分流:如果你的任务长得像那九项评测、又能异步跑,65 分配 26.54 美元,难的案子值得、简单的案子浪费——多数流量交给更便宜的模型。如果你的任务是交互式的,测试台数字就不是你的数字,按网关 p50 的 8.09 秒来设计,而思考量档位就是决定你落在 8 秒还是 4 分钟附近的那个变量。还有一条版本纪律:只有在 v5.0.1 下重测过的模型才能放进同一张表,混进 v4.3 或 v4.3.2 的分数会让整张表失效。

本站结论:267 秒是测试台跑满长任务的数字,不代表日常交互体验,但长任务与批量场景仍以测试台数字为准;引用速度数字时先问清是测试台还是真实流量。交互场景按真实流量 p50 的 8.09 秒设计,思考量档位是决定你靠近哪一端的变量;异步长任务按 46.8 分钟与每轮 26.54 美元做预算,并记住 10.8% 的报错率需要应用层自己消化。

参考来源:本文为本站原创改写与整理,事实与数据核对自 OrcaRouter — Claude Fable 5.2 benchmark(2026-11-13)

← 返回 Claude Fable 5.2 专题