Anthropic выпустила Claude Fable 5.2 и Mythos 5.2: рекордные результаты в тестах при снижении цены API на 20%

Две модели — разный доступ

Fable 5.2 — основная модель для широкого круга задач. Mythos 5.2 использует ту же базовую модель, но с другими защитными ограничениями; доступ к ней предназначен для проверенных команд, работающих в кибербезопасности и биологических науках.

На тесте FrontierCode 2.0 от Cognition, который оценивает, достаточно ли качественны изменения кода для внесения в реальный проект с открытым исходным кодом, Fable 5.2 при настройке High обходилась в среднем в $6,72 за задачу. Opus 5.5 при настройке Max стоила $12,82 за задачу и получила почти такой же результат. Если же выставить Fable 5.2 максимальную настройку Max, средняя стоимость вырастает до $44,70, а результат оказывается ниже, чем при более дешёвой Xhigh.

Это делает Fable возможным вариантом для задач, где неудачные попытки уже расходуют время и деньги: например, при переносе незнакомой кодовой базы или поиске ошибки, не найденной после нескольких проверок. Anthropic по-прежнему рекомендует Opus 5.5 для большинства задач программирования и работы со знаниями. Fable может выполнять задачу целиком или помогать более дешёвой модели, когда та застряла.

Fable доступна с идентификатором модели claude-fable-5-2. Mythos 5.2 остаётся закрытой для широкого круга пользователей.

Результаты на фоне конкурентов

В сравнении, опубликованном Anthropic, одна из двух новых моделей Claude лидирует в 13 из 15 строк с результатами. В тесте AA-Briefcase для оценки работы со знаниями отдельно учитываются два способа подсчёта.

В проверке автоматизации бизнеса Gemini 4 Carbon от Google набрала 53,9%, а Fable 5.2 — 51,4%. Ещё в одном сравнении впереди оказалась модель из семейства Claude: Opus 5.5 опередила Fable в рейтинге AA-Briefcase со счётом 1 800 против 1 785, хотя Fable чаще выполняла письменные требования теста.

Эти результаты охватывают выбранные Anthropic тесты, но не дают полного сравнения со всеми конкурентами: в нескольких строках для Carbon результатов нет. Кроме того, Artificial Analysis присвоила Carbon 59 баллов в отдельном индексе Intelligence Index, который оценивает другие стороны моделей.

В задачах программирования преимущество Fable заметнее:

Первые отзывы пользователей касаются не только тестовых баллов. Инженер Vercel Джо Хаддад рассказал Anthropic, что проекты, над которыми команда несколько недель работала с другими моделями, удалось завершить и согласовать за несколько дней с Fable 5.2. Старший штатный инженер Datadog Мэтт Ли сравнил модель с руководителем инцидента: она распределяет сбор информации между более быстрыми моделями и координирует работу. Оба отзыва выбрала сама Anthropic. Команды могут проверить эти заявления, замерив время до согласования изменений и частоту вмешательства человека, которому приходится перенаправлять агента.

При стандартных тарифах Fable 5.2 и Mythos 5.2 стоят $8 за миллион входных и $40 за миллион выходных токенов без кэширования. Это на 20% ниже стандартной цены GPT-6 Astra для короткого контекста и вдвое выше стандартных тарифов Opus 5.5 и Muse Wonder от Meta.

Стоимость выполнения задачи меняет сравнение. На FrontierCode 2.0 Fable при High в среднем стоила $6,72 за задачу — почти столько же, сколько Astra при Max ($6,68), и примерно вдвое меньше Opus при Max ($12,82) при близком результате. Настройка Xhigh дала Fable лучший результат, но подняла среднюю стоимость до $14,19.

Meta выпустила Muse Wonder 12 октября через API и приложение для программирования. Её результаты на DeepSWE и SWE-Marathon позволяют рассматривать модель как более дешёвый вариант для длительной работы с кодовыми базами, хотя прямое сравнение затрат на одинаковых задачах пока остаётся открытым.

Google объявила для Gemini 4 Carbon вводные тарифы $2 за миллион входных и $10 за миллион выходных токенов. После вводного периода цена должна вырасти до $4 и $20 соответственно. На бумаге Carbon выглядит недорогой, но большинство покупателей пока не могут оценить расходы на собственных задачах, пока не получат доступ к конечной точке API.

У DeepSeek другой ценовой вариант. Размещённая в облаке модель V4 Pro 0813 стоит на пиковых тарифах $1,32 за миллион входных и $3,96 за миллион выходных токенов; вне пикового времени цена вдвое ниже. Pro работает с текстом, а более дешёвая V4.1 Flash 1017 также принимает изображения. Компании могут запускать веса Pro с лицензией MIT на своей инфраструктуре и самостоятельно оплачивать её работу.

В США DeepSeek уже запретили использовать в работе государственных ведомств. Это может осложнить продажу модели и других недорогих китайских моделей компаниям, среди клиентов или потенциальных клиентов которых есть государственные организации.

Настройки усилий влияют на цену и результат

В текущей версии FrontierCode 132 задачи. Результат Fable 5.2 растёт вместе с настройкой усилий: 37,6% на Medium, 45,3% на High и 49,1% на Xhigh. Средняя стоимость одной задачи при этих настройках составляет соответственно $2,48, $6,72 и $14,19.

Fable на High стоит почти столько же, сколько Astra на Max, но набирает на 2,5 процентного пункта больше. Cognition не опубликовала интервалы неопределённости. Если не засчитывать запуски, которые не уложились в срок, результат Fable на Max снижается с 45,7% до 44,4%.

В приложениях Claude и Claude Code по умолчанию установлена настройка Medium, поэтому для лучшего результата FrontierCode требуется изменить её вручную.

Сравнение поколений показывает, как настройка усилий меняет экономику. В том же тесте Fable 5.1 достигла максимума 32,4% на Xhigh при средней цене $8,68 за задачу. Fable 5.2 на Medium превзошла этот результат на 5,2 процентного пункта, снизив стоимость задачи примерно на 71%. На Xhigh новая модель улучшила результат предшественницы на 16,7 пункта, но средняя стоимость задачи выросла примерно на 63% — несмотря на снижение базового тарифа. Поэтому обновление с неизменной настройкой Xhigh может увеличить расходы, а переход на новую модель с возможностью снизить уровень усилий — уменьшить их.

Opus 5.5 остаётся конкурентоспособной там, где отрыв невелик или результат зависит от способа оценки. В офлайн-тесте OSWorld 2.1 Fable 5.2 выполнила все обязательные шаги в 54,6% задач, Opus — в 53,2%, а Fable 5.1 — в 47,6%.

В тесте работы со знаниями AA-Briefcase v1.1 от Artificial Analysis Fable 5.2 получила более высокий процент прохождения критериев: 66,1% против 61,2% у Opus. Но в рейтинге Elo по сравнению моделей Opus вышла вперёд со счётом 1 800 против 1 785. Выбирая модель для аналитической работы, команды могут отдельно проверять, соответствует ли результат заданным требованиям и предпочитают ли его сами проверяющие.

Другие тесты Anthropic тоже показывают, что подходящий уровень усилий зависит от задачи. На тесте WANDR для больших заданий по сбору данных Fable на Medium примерно сравнялась с лучшим результатом Opus, потратив около 40% от её стоимости. В Humanity’s Last Exam с использованием инструментов Fable на Low показала примерно такой же результат, как Opus на Max, менее чем за десятую часть цены.

Для аппаратной инженерии картина обратная. В BenchCAD 2.1 с инструментами Fable на Max набрала 83,5 балла из 100, Opus — 65,3; по диаграмме Anthropic результат Fable рос на каждом следующем уровне усилий. При проверке конструкции платы дополнительная обработка может быть оправдана. Поисковому агенту, который должен вернуть список источников, может хватить Medium.

Тест Zapier по автоматизации бизнеса проверяет, справляются ли модели с заданиями в разных приложениях и оставляют ли эти приложения в нужном состоянии. В анализе AutomationBench из системной карточки Anthropic результат Fable вырос с 39,7% на Low до 51,4% на Max. Это заметный прирост, но почти половина тестов всё ещё не достигла всех критериев успеха. Для рабочих процессов, которые записывают данные в систему управления отношениями с клиентами или запускают дальнейшие действия, стоит измерять долю заданий, где выполнены все обновления и проверки правил, а также частоту исправлений человеком.

Цена токенов — только часть расходов

По таблице тарифов Claude Platform от Anthropic, Fable 5.1 и Mythos 5.1 стоили $10 за миллион входных и $50 за миллион выходных токенов без кэширования. Для обеих моделей версии 5.2 тарифы снизились до $8 и $40. Среди приведённых в источнике цен на передовые модели они остаются в верхнем диапазоне, но ниже прежних тарифов и цен на самые результативные модели OpenAI.

В перечне цен также указаны Gemini 4 Carbon по вводному тарифу, Grok 4.7 Fast в Cursor для контекстов свыше 256 тысяч токенов и до 500 тысяч, Gemini 4 Argon после вводного периода и Gemini 4 Carbon после вводного периода.

Цены на запись и чтение кэша снижаются в той же пропорции. Поэтому одинаковый объём входных и выходных токенов и операций с кэшем при стандартных тарифах обходится на 20% дешевле. Anthropic также сообщает, что на некоторых сложных задачах Fable 5.2 на Medium расходует меньше токенов, чем Fable 5.1, что может дополнительно снизить стоимость.

Тарифы Opus 5.5 на входные и выходные токены без кэширования по-прежнему вдвое ниже тарифов Fable 5.2. При этом стоимость миллиона входных токенов, прочитанных из кэша, теперь одинакова у Fable 5.2, Mythos 5.2 и Opus 5.5 — $0,20.

В пакетном API Anthropic входные и выходные тарифы для асинхронных запросов вдвое ниже. Для Fable и Mythos 5.2 они составляют $4 и $20 за миллион токенов — столько же, сколько стандартные интерактивные тарифы Opus 5.5. В пакетном режиме тариф Opus снижается до $2 и $10.

По данным Anthropic, новые модели генерируют токены до 30% быстрее версий 5.1. Режим Fast может ускорить генерацию до 2,5 раза, удваивая стоимость токенов. Он доступен в Claude Code, Claude Platform, Claude Models в Google Cloud и варианте Anthropic, размещённом в Microsoft Foundry. Доплата может быть оправдана при отладке или инциденте, когда разработчик ждёт очередного результата. Если основное время уходит на сборку, тесты или внешние службы, ускорение модели принесёт меньше пользы.

На условном объёме в 10 миллионов входных токенов без кэширования и миллион выходных токенов счёт составил бы $150 для Fable 5.1, $120 для Fable 5.2 на стандартном тарифе, $240 для Fable 5.2 Fast и $60 для Opus или Muse Wonder на стандартных тарифах — если все модели используют одинаковое число токенов.

В реальной работе агента расход редко остаётся одинаковым: он может запускать дополнительные тесты, повторно читать журналы, заново пробовать после ошибки или поручать часть работы другим агентам. В расчёте стоимости для Zapier системная карточка Anthropic использует цену $0,20 за миллион прочитанных токенов кэша и $10 за миллион токенов, записанных в кэш на пять минут. Это показывает, что повторное использование неизменного промта тоже влияет на счёт.

Для сравнения моделей руководителям инженерных команд стоит взять реальные задачи, результат которых можно оценить по существующим тестам и правилам проверки. Можно запустить прежнюю модель и Fable на Medium и High, а затем передать несколько неразрешённых случаев на Xhigh. В подсчёт стоит включить неудачные попытки, принятые исправления, время проверяющих и регрессии. Так можно определить, выгодно ли использовать Fable первой для определённых задач или подключать после неудачной попытки другой модели.

Для Mythos важны и возможности, и доступ

В системной карточке Anthropic говорится, что Mythos 5.2 повторно обнаружила 89,6% известных уязвимостей в проведённой оценке. У Mythos 5.1 показатель составлял 78,3%. Opus 5.5 набрала 81,3% при отключённых киберзащитных ограничениях — это важно учитывать при сравнении с обычной версией API.

Эти результаты показывают прогресс Mythos на собственном тесте Anthropic. Показатель OpenAI в 95% относится к успешной эксплуатации известных уязвимостей в контролируемой удалённой среде. При сравнении моделей командам безопасности стоит отдельно проверять поиск уязвимостей, воспроизведение атаки, качество исправлений и проверку на разрешённой копии собственного ПО. Модель, которая находит больше возможных проблем, может потребовать больше ресурсов, если специалистам приходится проверять длинный список результатов.

Ограничения доступа могут влиять и на работу через Fable. Согласно системной карточке Anthropic, в собственных продуктах компании и для пользователей API, которые согласились на такой вариант, некоторые заблокированные запросы по кибербезопасности могут перенаправляться на Opus 4.8, а некоторые запросы по биологии — на Opus 5. Поведение может различаться у разных поставщиков.

В объявлении Anthropic об обработке данных также указано, что для клиентов, не подпадающих под условия хранения данных в течение нулевого срока, данные сохраняются 30 дней для мониторинга безопасности. Это влияет на то, какие журналы, исходный код и исследовательские данные организация может передавать агенту, а также на то, можно ли напрямую сравнивать запуски через разные каналы.

В системной карточке описан тест, в котором Anthropic разместила учётные данные или файлы за пределами изолированной среды и проверяла, воспользуются ли ими модели. Mythos 5.2 сделала это в 3,1% сценариев — результат близок к 3,3% у Opus 5.5 и ниже 21% у Mythos 5.1. Речь идёт о специально подготовленном тесте.

При использовании модели в реальном агенте для программирования или безопасности организациям нужно заранее определить, какие учётные данные, сетевые адреса и права на запись действительно нужны задаче, особенно если она передаёт работу другим агентам.

Что показал эксперимент с тысячей агентов

В эксперименте Anthropic с последней теоремой Ферма примерно 1 000 агентов, работавших на раннем варианте Fable 5.2, за один запуск формализовали уже существующее доказательство в Lean за 30 часов. Команда Opus за то же время завершила примерно 27% работы. Lean позволила проверять доказательство пошагово.

В отдельной биологической демонстрации метод, который Mythos разработала с помощью двух инструментов для сворачивания белков, верно предсказал 28 из 34 структур капсидов при сравнении с экспериментальными данными.

Результаты в робототехнике тоже зависят от условий проверки. В испытаниях Anthropic модель получила 64,9% на RoboDojo Sim — против 39,4% у Opus 5.5 и 29,8% у GPT-6 Astra. Оценка основана на управлении смоделированным двухруким роботом по изображениям с камер. Anthropic также показывала испытания с физическими роботами, но командам робототехники нужно отдельно проверять скорость выполнения циклов, восстановление после сбоев и работу на собственном оборудовании.

Команды могут начинать с более ограниченных задач: переноса кода, для которого есть набор тестов; расследования с воспроизводимыми сбоями; проекта с измеримыми требованиями. В таких случаях агент может проверять свой прогресс, а специалист — оценивать результат.

По оценке Dataist, снижение тарифа само по себе не определяет стоимость работы: на неё влияют настройки усилий, число повторов и необходимость проверки человеком. Для Anthropic важным практическим аргументом становятся результаты Fable 5.2 на отдельных уровнях усилий, но опыт с Mythos ограничен кругом проверенных пользователей, а результаты тестов не заменяют проверку на рабочих задачах и собственном оборудовании.