旗舰模型降价20% 第三方评测单任务算力成本26.54美元 每任务耗时46分钟
要点
新一轮旗舰模型发布，定价数字通常是最先被引用的部分。11月9日，Anthropic推出Claude Fable 5.2与Claude Mythos 5.2，两款模型共用同一底层模型，区别在安全防护与开放范围。官方给出的口径是：每百万输入词元8美元、每百万输出词元40美元，较上一…
新一轮旗舰模型发布，定价数字通常是最先被引用的部分。11月9日，Anthropic推出Claude Fable 5.2与Claude Mythos 5.2，两款模型共用同一底层模型，区别在安全防护与开放范围。官方给出的口径是：每百万输入词元8美元、每百万输出词元40美元，较上一代下调20%；生成输出速度最高提升30%；另有快速模式，价格翻倍至16美元与80美元，生成速度最高提升至2.5倍。把速度做成按价格分档的选项，而不是默认能力，这是这次发布里容易被略过的一处设计。
真正值得停下来算一算账的，是第三方评测机构给出的数字。Artificial Analysis 对Fable 5.2最高推理档的测算是：智力指数65分，在74个受测模型中排名第一，九项评测中五项第一，领先Gemini 4 Carbon 5分、领先Opus 5.5 6分。但同一个页面上，单任务成本26.54美元、每个指数任务耗时46.4分钟、输出词元2.75亿，三项指标分别排在第73、第71和第72位——在一份以”性能”为名的评测里，这份成绩单的两面性相当刺眼。
官方与第三方口径的差距，来自测量对象不同。Anthropic公布的对比是横向的性价比：在FrontierCode 2.0上，Fable 5.2在High档得分45.3%，与Opus 5.5的最佳成绩45.5%大致相当，而单任务成本约为后者一半；Xhigh档拿下49.1%，是官方测试的已发布模型最高分；WANDR上Medium档以约四成成本追平Opus 5.5的最高分。第三方测的则是纵向的阶梯：在同一模型上把推理档位从低到高逐档拉满，看每个任务到底要花多少钱和时间。按这个口径，Fable 5.2的最低档到最高档之间，单任务成本从3.10美元升到26.54美元，耗时从6.5分钟升到44.1分钟，智力指数则从54分升到65分。中间还夹着一段不划算的区间：Xhigh档与High档同为62分，但成本高出约63%。
更值得注意的是另一组对比。同一批指数任务里，Opus 5.5最高档为10.04美元、59分，GPT-6 Astra最高档为6.24美元，而Fable 5.2最高档是26.54美元、65分。也就是说，在这一档上Fable 5.2相对Opus 5.5的单任务成本约为2.6倍，输出词元2.75亿也远超同类模型7280万的中位数。第三方评测方自己的结论写得并不含糊：这一配置在同价位模型中”异常昂贵”，每任务耗时也明显长于可比模型12.6分钟的中位数。值得注意的是，它同时也是榜单上得分最高的模型。榜首与成本榜末位落在同一个配置上，这正是这次发布最值得琢磨的地方。
档案本身也在提示这件事。指数v5有60%的权重建立在私有测试集或保留答案之上，包含新加入的FrontierCode 2.0（132个真实开源仓库任务，评分标准是维护者是否愿意合并改动，任一阻断性检查失败即零分）与Terminal-Bench-Science（70项终端环境的科研工作流任务）。同时，评测方记录了一个结构性变化：所有受测模型每个任务的输出词元都比上一版多，中位数从3.5万涨到5.9万，涨幅约三分之二；而这四项智能体评测占指数权重55%，却吃掉约九成的输出词元。推理档位的重要性随之上升——Opus 5.5从低档35分到最高档58分，低档与最高档的单任务成本相差十倍。档位选择不再是接口参数，而是直接决定账单与时延的经营变量。
这解释了Anthropic自己给出的使用建议为什么强调分工。对大多数编程与知识任务，仍建议从Opus 5.5起步，把Fable 5.2留给开放式、长时间运行的技术任务，或者让它担任顾问角色——由日常模型在遇到难题时向其请教；也可让它担任编排者，由它做整体规划与分解，把简单任务分派给更小模型。这套建议的实质是承认了一个事实：把最高档当作默认档使用，是当前成本结构下最容易犯的错误。发布首周的运营动作也印证了这一点——符合条件的付费订阅用户按订阅时长获赠一到三次重置额度，Pro与Team计划标准席位中Fable被计入周使用额度上限的50%，额度管理本身成了发布的一部分。
能力侧的事实同样需要交代。Anthropic披露的核心案例是两项工程：一项由代理团队运行的早期版本将公司一项关键生产服务从Python迁移至Rust，服务启动速度约提高26倍；另一项是从空目录起步、协调一千多个子代理连续工作八天，写出一套可在笔记本上启动的原型操作系统，包含自有内核、磁盘键盘与网络驱动、持久化存储、窗口系统、登录界面与安装程序。这套系统官方定性为实验性原型。评测方也提醒，系统性评估本身仍留有缺口：没有任何单一测试能准确预测高能力模型部署后的行为，能力越强评测环境越难代表真实场景，而这两款模型比前代更频繁地表现出”怀疑自己正在接受评测”，会降低评测对真实行为的代表性。
上市节奏让这次定价更值得单独记一笔。发布日距公司路演启动仅一天，按公开的注册文件时间线，11月中旬当周将完成定价并在感恩节假期前挂牌，市场传闻的募资规模最高达千亿美元级别。在这样的节点上给出降价20%的价格表，同时把最高推理档的单任务成本抬到同价位模型的顶端，这一组合本身就是一次定价声明：买的不是单次调用的单价，而是复杂任务上的能力上限。对把推理档位当作固定参数的调用方来说，接下来真正需要重算的不是单价，而是每个任务的成本曲线。
