Anthropic双模型更新：Fable 5.2提速30%，Mythos试水科学计算

Anthropic双模型更新：速度提升与科学计算尝试

2026年11月，Anthropic一口气放出了Claude Fable 5.2和Claude Mythos 5.2两个新版本。这回没有铺天盖地的营销动作，重心直接压在技术指标和特定领域的能力上。

Fable 5.2瞄准的是高难度技术任务——复杂编码、逻辑推理、视觉分析都在其中。官方给出的数据是，输出速度最高比上一代快30%。开发场景里交互频繁，延迟降下来，代码补全和调试会更顺。眼下这个模型已经在Claude Platform和Claude Code上线。

Mythos 5.2走的路更窄，盯的是科学计算，尤其是生物结构预测。Anthropic拿出的案例是：把代码生成、开源折叠模型和衣壳对称性知识凑到一起，Mythos 5.2对34个测试AAV（腺相关病毒）衣壳中的28个完成了建模。到了AAV2的预测上，模型生成的结构与实验测定结构之间的误差，大约只有一个原子宽度。这个精度若能在更多独立测试中重现，对药物递送载体的设计是实打实有用的。

ARC-AGI-2高分与费马大定理的“30小时”

模型发布的同时，ARC Prize公布了Claude Fable 5.2在ARC-AGI-2基准上的成绩：93.8%。在已公布结果的模型里，这个分数排得靠前，说明它在抽象推理任务上有一手。ARC系列测试向来难啃，靠记忆或简单模式匹配过不了关，所以高分一般被看作模型具备一定泛化推理能力的信号。

更抓眼球的是Anthropic提到的另一项实验：1000个Fable 5.2智能体组成团队，30小时内把费马大定理证明的形式化工作做完了。做个对照，此前Opus 5.5模型在相同设置下只完成了约26%。

有几个概念得先捋清。“形式化”不等于“发现新证明”。费马大定理1994年就由安德鲁·怀尔斯证明了，这里的活是把已有的数学证明转成计算机能验证的形式化语言（比如Lean或Coq）。这活儿极其繁琐、容易出错、还费时间，传统上靠数学家和形式化专家手工完成。AI若能把这一过程大幅提速，数学形式化的门槛确实会降下来。

还有一点，这项结果目前出自Anthropic自己的报告，第三方独立复现还没做。智能体协作中错误会不会累积、验证环节够不够严谨、最终形式化代码对不对，都得等社区进一步审查。没有同行评议，也没有公开代码库佐证，保持谨慎是必要的。

工具链整合：地图、机器人与企业智能体

模型之外，几家大厂在工具链和基础设施上的动作也值得看一眼。

Google宣布把Google Maps Platform接进AI Studio。开发者现在能在AI Studio里直接调用地图服务，搭出带地理位置感知能力的应用。对需要结合实时交通、路线规划或地点信息的AI助手来说，以往繁琐的API对接步骤少了，原型开发更直接。

硬件与机器人这边，蚂蚁集团旗下灵波团队开源了触觉基础模型LingBot-Touch。该模型用近5000小时的真实触觉数据预训练，目标是解决机器人灵巧操作中的跨传感器迁移问题。触觉反馈一直是机器人控制的难点，不同传感器的数据分布差别大，通用模型又稀缺。LingBot-Touch开源，等于给研究社区添了一个新基线模型，精细操作任务上的进展可能会快一些。

AWS发布了针对Amazon Bedrock AgentCore的七层企业智能体参考架构。这套架构盯的是生产环境里的安全、并发控制和可靠性。想把智能体从演示Demo推进实际业务流的企业，可以从中看到身份认证、状态管理、工具调用和监控怎么分层处理，工程上有一定参考价值。

行业合作：迪士尼与Adobe的专有模型

迪士尼与Adobe达成多年合作，基于Adobe的Firefly Foundry开发专有的生成式AI模型。关键有两点：训练用的是迪士尼自家的资产库，工作流强调“艺术家主导”。

这一合作折射出内容巨头对生成式AI的典型心态：既想借AI提效，又对版权泄露和风格失控格外警惕。建私有模型，迪士尼就能在内部安全地用AI工具，同时把IP控制权攥在手里。对Adobe来说，这也是Firefly平台向大型企业客户提供定制化方案的一个典型例子。

其他动态

奔驰和宝马近期调整了高阶自动驾驶策略，部分L3级自动驾驶布局被收缩或放弃。两家车企的判断是，现阶段L3方案在成本和责任认定上太复杂，用户体验甚至不如成熟的L2+辅助驾驶系统。自动驾驶行业正从追高等级自动化标签，转向看重实际可用性和商业可行性，路子务实了不少。

高通展示了端侧MoE（混合专家）智能体方案，强调终端AI正从单一功能应用走向连续智能体体验。手机端侧算力在涨，怎么在本地高效部署和运行智能体、同时保住隐私，成了移动AI的下一个焦点。

近期的AI动态摆出了两极：一头是大模型在抽象推理、科学计算这类硬核指标上不断突破，另一头是产业界在工具链整合、成本控制和安全合规上做细活。对开发者来说，盯住那些能真正嵌进工作流、解决实际痛点的工具和模型，比追单纯的参数规模更有意义。