Fable 5.2 лидирует у Artificial Analysis, но max в 2,6 раза дороже Opus 5.5

Claude Fable 5.2 набрала 65 баллов в Intelligence Index v5, но задача на максимальном effort стоит $26,54. Разбираем независимый замер: где модель впереди, где равна Opus 5.5 и какой уровень effort выбрать.

Вечером 9 ноября 2026 года, в день релиза, независимая аналитическая компания Artificial Analysis опубликовала замер Claude Fable 5.2: модель Anthropic набрала 65 баллов в сводном рейтинге Intelligence Index v5 и заняла в нём первое место, на 5 баллов выше Gemini 4 Carbon и на 6 выше Claude Opus 5.5. Тот же замер показал цену первого места: на максимальном уровне effort одна задача индекса обошлась в $26,54, в 2,6 раза дороже, чем у Opus 5.5.

Для разработчика из этих цифр следует практический выбор. На уровне high новая модель получает 62 балла, больше любой другой модели рейтинга, и стоит $9,08 за задачу: дешевле, чем Opus 5.5 на максимуме ($10,04). В терминальном кодинге и агентной работе с документами выигрыша над Opus 5.5 почти нет, а токены стоят вдвое дороже: $8 и $40 за миллион входных и выходных против $4 и $20.

Ключевые выводы

• Первое место: 65 баллов при effort max. У Gemini 4 Carbon (high) 60, у Claude Opus 5.5 (max) 59, у GPT-6 Astra (max) 57, у предыдущей Claude Fable 5.1 (max) 49.
• Где лидирует: в 5 из 9 тестов индекса: HLE-Diamond (80%), AA-Omniscience v1.1 (67), Terminal-Bench-Science (73%), CritPt v2 (77%) и FrontierCode 2.0 (49%).
• Цена максимума: $26,54 за задачу, в 2,6 раза дороже Opus 5.5 (max, $10,04) и в 2 раза дороже Fable 5.1 (max, $12,99), хотя цена токенов снижена на 20%.
• Уровень high: 62 балла за $9,08 и 98 тыс. выходных токенов на задачу против 173 тыс. у Opus 5.5 (max).
• Где прогресса мало: в Terminal-Bench 4.0 у Fable 5.2 те же 60%, что у Opus 5.5; выше Kimi K3.1 Pro (67%), Gemini 4 Carbon (65%) и Claude Sonnet 5.5 (64%).

Что такое Intelligence Index v5 и кто его считает?

Это сводная оценка от 0 до 100, которую Artificial Analysis считает сама: компания прогоняет модели через API на девяти тестах и сводит результаты во взвешенное среднее. Вендоры моделей в подсчёте не участвуют, на странице индекса v5.0.1 сказано: «All evaluations are conducted independently by Artificial Analysis» (перевод Proglib: «Все оценки Artificial Analysis проводит независимо»).

По методике индекса, четыре категории весят по 25%:

• офисная работа: AA-Briefcase v1.1 (агент готовит таблицы, презентации и записки, 91 задача), AutomationBench-AA (автоматизация в SaaS-приложениях через REST API, 657 задач), GDP.pdf (вопросы по длинным профессиональным PDF);
• код: FrontierCode 2.0 (132 задачи в настоящих открытых репозиториях; оценивается, принял бы мейнтейнер изменение) и Terminal-Bench 4.0 (66 задач в терминале);
• наука: Terminal-Bench-Science 0.1 (70 исследовательских задач в терминале) и трудная часть CritPt v2 (40 задач по физике исследовательского уровня);
• общие знания: AA-Omniscience v1.1 (3000 вопросов на знание фактов со штрафом за выдуманные ответы) и HLE-Diamond (1000 вопросов из обновлённого Humanity's Last Exam).

Fable 5.2 прогнали на всех пяти уровнях effort (low, medium, high, xhigh, max). Effort в API Anthropic задаёт, сколько токенов модель тратит на рассуждение и ответ. Замер шёл, как сказано в посте, «with Anthropic's default fallback enabled», и в названии модели на сайте стоит пометка Default Fallback. Судя по анонсу Anthropic, речь о штатном механизме: запрос, заблокированный классификаторами безопасности Fable, получает ответ от Opus 4.8 (кибербезопасность) или Opus 5 (биология). Какая доля задач индекса ушла на запасные модели, Artificial Analysis не сообщает.

У индекса есть границы применимости, и методика называет их прямо: набор в основном текстовый и англоязычный, зрение, речь и другие языки компания измеряет отдельно. Вес одного теста не превышает 15%, поэтому первое место в сумме совместимо с отставанием в отдельной дисциплине.

В каких задачах Fable 5.2 впереди, а в каких нет?

Впереди она в науке, знании фактов и одном из двух тестов на код; в офисных задачах и работе в терминале результат близок к Opus 5.5 или ниже конкурентов. Цифры ниже взяты со страницы Claude Fable 5.2 на сайте Artificial Analysis и округлены до целых.

Самый большой отрыв получился в знании фактов и научных задачах: 80% в HLE-Diamond при прежнем максимуме 69% у Gemini 4 Carbon и 73% в Terminal-Bench-Science против 65%. В FrontierCode 2.0 прибавка меньше, 49% против 46% у Opus 5.5.

В AA-Omniscience у высокого балла есть оговорка. Доля верных ответов у Fable 5.2 (max) составляет 79% против 65,5% у Opus 5.5 и 58% у Gemini 4 Carbon. Отдельно Artificial Analysis считает Hallucination Rate. По статье с описанием AA-Omniscience, это доля неверных ответов среди вопросов, на которые модель не ответила правильно; в знаменатель входят неверные ответы, частичные ответы и отказы. У новой модели показатель равен 59%, у Opus 5.5 он 50%, у Gemini 4 Carbon 11% (чем ниже, тем лучше). На практике это значит, что модель знает больше, но там, где знаний не хватает, она чаще даёт неверный ответ, чем отказывается, и ответы о редких фактах по-прежнему нужно проверять.

О второй группе тестов Artificial Analysis пишет в посте так:

Claude Fable 5.2 improves on Fable 5.1 across capabilities, but sometimes only to Opus 5.5 levels.

В AA-Briefcase новая модель получила 1785 Elo. В посте Artificial Analysis называет это результатом в пределах доверительного интервала Opus 5.5 (1800) и немного ниже Claude Sonnet 5.5 (1813). По страницам моделей 95-процентные интервалы двух моделей пересекаются: 1775–1796 у Fable 5.2 и 1789–1812 у Opus 5.5. В GDP.pdf все критерии выполнены в 24% задач против 26% у Opus 5.5. Исключение в этой категории даёт AutomationBench-AA: 76% против 70% у Opus 5.5, чуть ниже Gemini 4 Carbon (78%).

В Terminal-Bench 4.0 Fable 5.2 на уровнях max и high набирает 59,6%, ровно столько же, сколько Opus 5.5 (max). Первое место здесь у Kimi K3.1 Pro, веса которой открыты: 67,2%. Уровень xhigh дал Fable 5.2 больше, чем max: 61,6% (по странице варианта xhigh). По нашему расчёту, при 198 запусках это разница в четыре решённые задачи.

Уровень effort меняет картину и у конкурентов. Прежний рекорд CritPt v2, названный в посте, 72%, принадлежит GPT-6 Astra на уровне medium; на max у этой модели 70,5%, поэтому в таблице выше стоит 71.

Сколько стоит одна задача и почему max настолько дороже?

При effort max задача индекса стоит в среднем $26,54, и главная причина в объёме работы модели. Artificial Analysis считает стоимость задачи как средневзвешенную по всем девяти тестам с учётом входных токенов, чтения и записи кэша, токенов рассуждения и ответа. На max Fable 5.2 выдаёт около 274 тыс. выходных токенов на задачу, Opus 5.5 (max) 173 тыс., Fable 5.1 (max) 118 тыс. Поэтому снижение прайса на 20% (было $10 и $50 за миллион токенов, стало $8 и $40) не сделало максимальный режим дешевле: он стоит вдвое больше, чем у Fable 5.1.

Весь прогон индекса на max обошёлся в $22 191, у Opus 5.5 (max) в $8910. Из $26,54 на входные токены приходится $15,65 (в том числе $8,53 за чтение кэша и $7,05 за запись), на выходные $10,89. Агентные тесты многократно пересылают растущий контекст, так что кэш влияет на счёт сильнее, чем кажется по прайсу: запись стоит $10 за миллион токенов при хранении 5 минут и $16 при хранении 1 час, чтение $0,20 (прайс Anthropic).

В одном месте пост расходится со страницами сайта. В посте сказано, что на high и xhigh модель набирает 62 балла, расходуя 98 тыс. выходных токенов на задачу. По страницам сайта 98 тыс. относится только к уровню high; xhigh расходует 162 тыс. токенов и стоит $14,83 за задачу, то есть дороже Opus 5.5 (max). Дешевле Opus 5.5 при более высоком балле выходит только high.

Инженеры на Hacker News сравнивают цену максимума не с Opus, а с самой дешёвой моделью верхней части рейтинга:

GPT-6.1 Sol costs $1.27 per task, whereas Fable 5.2 is $26.54 per task -- a ~21x price difference. Fable 5.2 is not 21 times better than GPT 6.1 Sol, I find it hard to justify this.

Числа в комментарии совпадают со страницами Artificial Analysis: GPT-6.1 Sol (max) получает 55 баллов при $1,27 за задачу.

Какой effort и какую модель брать под какую задачу?

Если исходить только из этого замера, то для большинства задач разумная точка у Fable 5.2 находится на уровне high, а max окупается редко. Ниже выбор по типам работы; все цены относятся к средней задаче индекса, а не к отдельному тесту.

• Научные расчёты, трудные рассуждения, знание фактов: Fable 5.2 на high. 62 балла за $9,08; в Terminal-Bench-Science 70% против 59% у Opus 5.5 (max), в HLE-Diamond 74% против 68%.
• Нужен потолок качества: max добавляет 3 балла индекса (65 против 62) и стоит $26,54 против $9,08, в 2,9 раза дороже high.
• Уровень xhigh: те же 62 балла, что на high, при цене $14,83. Прибавка видна в отдельных тестах, например 62% против 60% в Terminal-Bench 4.0, поэтому включать его стоит после собственной проверки.
• Агентная работа с документами и отчётами: в AA-Briefcase выше Sonnet 5.5 (max, 1813 Elo, $10,02 за задачу индекса) и Opus 5.5 (max, 1800 Elo, $10,04). Fable 5.2 догоняет их только на max (1785), на high у неё 1677.
• Задачи в терминале: в Terminal-Bench 4.0 лидируют Kimi K3.1 Pro (67%, $3,68 за задачу индекса) и Gemini 4 Carbon (65%, $7,76). Fable 5.2 и Opus 5.5 дают по 60%.
• Жёсткий бюджет: Fable 5.2 на medium набирает 56 баллов за $3,80, это выше Opus 5.5 на high (52 балла, $3,46). Ещё дешевле GPT-6.1 Sol (max): 55 баллов за $1,27.

Рекомендации Anthropic в документации по параметру effort с замером согласуются:

Start with high. Most of the gain in capability is already present at high, and above it, gains are uneven and depend on the task. [...] Reserve max for measuring the model's ceiling and for the rare task where time and tokens don't matter.

Уровень задаётся полем output_config.effort в запросе к Messages API. Пример из документации написан для Opus 5.5; для новой модели в поле model подставляется claude-fable-5-2, а в effort одно из значений low, medium, high, xhigh, max:

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2026-10-21" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-opus-5-5",
    "max_tokens": 4096,
    "messages": [{
      "role": "user",
      "content": "Analyze the trade-offs between microservices and monolithic architectures"
    }],
    "output_config": {
      "effort": "medium"
    }
  }'

Два значения по умолчанию стоит помнить. В API запрос к Fable 5.2 без поля effort выполняется на high (страница модели в документации), у Opus 5.5 по умолчанию стоит medium. В приложениях Claude и в Claude Code, по анонсу Anthropic, по умолчанию используется medium. Документация также советует на high и выше задавать большой max_tokens: это жёсткий предел на рассуждение и текст ответа вместе.

Часть разработчиков задаёт более общий вопрос: нужен ли им новый флагман вообще.

do normal mortals out there have workflows that really require Fable/Mythos and don't just work fine on Opus 5.5? I've been using Opus 5.5 on xhigh for some decently aggressive software development on a ~125k-line project, and it has been fine for me.

Замер этому наблюдению не противоречит: в Terminal-Bench 4.0 и AA-Briefcase две модели почти равны. Тем, кто собирает рабочий набор ИИ-агентов и моделей, таблица выше даёт повод держать Fable 5.2 для трудных исследовательских задач и оставить повседневный код на более дешёвых моделях.

Чего этот замер не показывает?

Он не заменяет проверку на собственных задачах и пока не содержит данных о скорости. Что стоит учитывать, читая таблицы:

• Цифры вендора и независимого замера получены на разных задачах. Anthropic в анонсе заявляет, что на FrontierCode 2.0 Fable 5.2 на high набирает примерно столько же, сколько Opus 5.5 в лучшем режиме (45,3% против 45,5%), «for roughly half the cost per task», то есть примерно за половину стоимости задачи. По всему индексу Artificial Analysis разница в цене между Fable 5.2 (high) и Opus 5.5 (max) составляет около 10%: $9,08 против $10,04.
• Скорость не измерена. На странице Fable 5.2 время на задачу индекса отмечено как N/A. Anthropic заявляет, что модель генерирует ответ до 30% быстрее Fable 5.1; независимого подтверждения пока нет.
• Стоимость задачи зависит от набора задач. Почти треть средней цены на max дают длинные агентные задания AA-Briefcase ($8,90 из $26,54 с учётом веса теста). В коротких запросах без агентного цикла пропорции будут другими.
• Подписки в расчёт не входят. Цена считается по тарифам API. Как расходуются лимиты в подписках и в Claude Code, замер не показывает; о скрытых статьях расхода мы писали в разборе того, как Anthropic сократила расход токенов в Claude Code.

Стоимость на сайте может меняться: по методике, Artificial Analysis считает её с учётом текущей измеренной доли попаданий в кэш, а не разового значения в день прогона. Документация Anthropic советует не переносить настройки с Fable 5.1, а прогнать собственный набор задач на нескольких уровнях effort; цифры из таблицы подсказывают, с каких начинать: high и medium.

Источники

• https://x.com/ArtificialAnlys/status/2119878995386982508
• https://artificialanalysis.ai/models/claude-fable-5-2
• https://artificialanalysis.ai/models/claude-fable-5-2-high
• https://artificialanalysis.ai/models/claude-fable-5-2-xhigh
• https://artificialanalysis.ai/models/claude-opus-5-5
• https://artificialanalysis.ai/models/gpt-6-astra-medium
• https://artificialanalysis.ai/evaluations/artificial-analysis-intelligence-index
• https://artificialanalysis.ai/methodology/intelligence-benchmarking
• https://arxiv.org/abs/2511.13029
• https://www.anthropic.com/claude-fable-and-mythos-5-2
• https://platform.claude.com/docs/en/build-with-claude/effort
• https://platform.claude.com/docs/en/models/fable-5-2/overview
• https://platform.claude.com/docs/en/about-claude/pricing
• https://news.ycombinator.com/item?id=50429906
• https://news.ycombinator.com/item?id=50431225
• https://news.ycombinator.com/item?id=50430798