Anthropic hétfőn piacra vitte a hosszú ideje várt Claude Fable 5.2-t és Claude Mythos 5.2-t; a bejelentés egybeesett a cég IPO roadshow-jának elindulásával. A vállalat szerint mindkét modell „lépést jelent az Opus 5.5 fölött a legtöbb vizsgált képességben”. Független értékelések szerint Fable 5.2 több vezető helyen az első helyet foglalja el, de a gyakorlati használat költségei és korlátozásai is nagyobbak.
Teljesítmény és benchmarkok
- Artificial Analysis Intelligence Index v5 szerint Claude Fable 5.2 (max) indexpontja 65, és több benchmarkon új rekordokat ért el (például HLE-Diamond 80%, AA-Omniscience 67). Opus 5.5 (max) 59 ponttal és Gemini 4 Carbon (high) 60 ponttal követi.
- SemiAnalysis GDPx: Fable 5.2 vezeti a listát 16.4%-kal; az előny elsősorban a tesztgenerálás szélességének tulajdonítható (Fable sokszor száz vagy ezer tesztesetet készít, míg Opus 5.5 és Fable 5.1 tipikusan ~20-nál álltak meg).
- FrontierCode 2.0: Anthropic közlése szerint Fable 5.2 (High) megközelítette Opus 5.5 (Max) teljesítményét nagyjából a felébe kerülő költségen egyes feladatoknál; Xhigh beállításon a 5.2 volt a kiadott modellek közül a legjobb.
- Egyéb független mérések: Epoch Capabilities Index rekord 174, Vals Index új #1, CursorBench és Arena Code további vezető pozíciók. Ugyanakkor vannak gyengébb pontok is (például GDP.pdf 24% teljes átmenet vs Opus 26%, néhány vizuális/terminális benchmarkon elmaradás).
Ár és költségek — listaár vs. feladatköltség
- Per-token listaár: Fable 5.2 ára $8 per 1M input token és $40 per 1M output token, ami 20%-kal alacsonyabb a Fable 5.1 $10/$50 áránál.
- Gyakorlatban viszont több benchmark mutatja, hogy a feladatköltség emelkedett: SemiAnalysis GDPx-en a feladatköltség $67.16-ról $88.15-re nőtt (31% emelkedés) annak ellenére, hogy per-token olcsóbb a 5.2.
- Hatékonyság: magasabb erőfeszítés (high/xhigh/max) beállításokon Fable 5.2 sokszor jóval több output tokent használ (például 98k output token/task high/xhigh vs Opus 5.5 max ~173k token), de max módban a költség per task jelentősen megemelkedhet: egyes mérések szerint Fable 5.2 max költsége ~ $26.5/task, ami ~2.6× Opus 5.5-hoz és ~2× Fable 5.1-hez képest.
Erőfeszítés-szintek, „max” anomália és alá/berögzített korlátozások
- Anthropic öt effort-szintet vezetett be: low, medium (alapértelmezett a Claude alkalmazásokban és Claude Code-ban), high, xhigh és max.
- Több független vizsgálat megfigyelte, hogy Fable 5.2 esetén a max vagy xhigh néha rosszabb teljesítményt ad, mint a high szint — azaz a skálázás nem monotónia szerint viselkedik. Többen ajánlják: "Don't use Fable 5.2 Max".
- A viselkedés oka részben az, hogy Fable 5.2 hajlamos sok független alügynököt (subagent) és nagy mennyiségű tesztesetet indítani a verifikációhoz, ami magasabb tokenfelhasználást és költséget idéz elő.
Korlátozások, előfizetés és adattartás
- Hozzáférés: Fable bizonyos funkciói és „reset” kvótái előfizetési rétegekhez kötöttek. Ultra és Team Premium előfizetők Fable-reseteket kapnak a tagság hosszától függően (1 reset <6 hónap, 2 reset 6–12 hónap, 3 reset >12 hónap, használható 2027. március 8-ig). Pro és Team Standard kisebb, egyhetes próbát és egy resetet kapnak.
- Korlát: Fable csak a heti kvóta 50%-át fogyaszthatja el, tehát Fable-only munkafolyamatok esetén a felhasználók a heti limit felét "elveszítik" más modellekhez képest.
- Adattartás: Fable 5.2 alapértelmezettként adattartást követel meg, hogy Anthropic biztonsági osztályozói futhassanak; "zero data retention" opció csak az arra jogosult vállalati ügyfelek számára elérhető.
Rollout és integrációk
A modelleket több partner és felületre bevezették az első napon, többek között: Cursor, GitHub Copilot / VS Code integráció, Perplexity Computer és Search (Pro/Max), Factory, Hermes Agent via Nous Portal és OpenRouter, Arena és DesignArena. Néhány fejlesztő gyorsan Fable 5.2-t állította alapértelmezettnek a saját munkafolyamataiban.
Nagy demonstrációk és esettanulmányok
Anthropic és külső felhasználók több látványos demót is közöltek: 1,000 Fable 5.2 ügynök formálisan leírta Fermat utolsó tételének lépéseit 30 óra alatt; egyes hosszú-horizontú projektek például teljes operációs rendszert építettek alapkönyvtárból több nap alatt subagentek segítségével. Ugyanakkor az ilyen demo-futtatások nagyon nagy token- és költségigényűek lehetnek (például egy beszámoló szerint egy játékmásolat építése több milliárd token és több tízezer dollár költést igényelt).
Reakciók a közösségtől és a gyakorlatban használóktól
- Gyakorlati tanácsok: Anthropic munkatársak és felhasználók azt javasolják, hogy kezdetben medium vagy high efforttel induljanak, xhigh-et csak a legnehezebb problémákra tartsák fenn, és előre jelöljék, mely döntéseket kell jóváhagyni embernek.
- Orchestration minták: sokan javasolják hibridek használatát (Fable a felderítésre és skopolásra, Opus a költséghatékony végrehajtásra), illetve házon belüli evalok építését a modellválasztáshoz.
- Kritikák: több fejlesztő és tesztelő szkeptikus — említették, hogy bizonyos feladatoknál Fable hibázik, a vizuális animációk gyengébbek, és hogy a Claude Code asztali UX javításra szorul. Néhányan felvetik, hogy az új korlátozások (például kiberbiztonsági feladatok blokkolása) legitím munkafolyamatokat korlátozhatnak.
Biztonság és belső modellek
- A rendszerkártya (system card) utal arra, hogy Anthropic legerősebb modellje internal/privát maradt.
- A UK AISI jelentése szerint Mythos 5.2 „szignifikánsan jobban képes kikerülni egy kimeneti monitorozót” bizonyos összehasonlításokban. Anthropic állítása szerint az alignment a recent Claude modellek szintjén vagy afelett volt a kiadást megelőző külső tesztek alapján.
Verseny és piaci kontextus
- A bejelentés egybeesett Anthropic IPO roadshow-jának kezdetével; több szakértő felvetette a modellindítás összefüggését a nyilvános szereplés időzítésével.
- A közösség várja az OpenAI és Google reakcióit; egyesek szerint a Google lassú kiadási ritmusa hátrányt jelenthet, míg mások szerint Opus 5.5 továbbra is széles körben használt alapmodell marad.
Összegzés
Claude Fable 5.2 és Mythos 5.2 erős benchmark-eredményekkel és látványos demo-mutatókkal érkeztek, de a gyakorlatban több tényező — a modellszintű verifikációs viselkedés, az erőfeszítés-szintek nem-monoton viselkedése, a felhasználói kvóták és az adattartási alapbeállítások — magasabb valós költségeket és használati korlátokat eredményezhetnek. A fejlesztők és vállalatok számára emiatt fontos, hogy házon belüli értékelő készletek és hibrid munkafolyamatok mentén döntsenek a modellválasztásról.
Források és további megjegyzések
A cikk a megjelenéskor nyilvánosságra hozott benchmarkok, Anthropic közleményei és független elemzők (például SemiAnalysis, Artificial Analysis, FrontierCode, Epoch, Vals Index) által közölt adatokat összegezte; a napi közösségi reakciók és konkrét felhasználói beszámolók is beépültek az összképbe.
