Anthropic推Fable 5.2与Mythos 5.2：30小时形式化费马大定理

Anthropic 抢在新一轮旗舰模型竞赛中先出手了。

今天凌晨，它一次性推出 Fable 5.2 和 Mythos 5.2 两款顶级模型。按官方说法，「两款模型瞄准高难度技术挑战，能够参与多个领域的大型复杂项目，并在编程、推理和视觉等方面实现进一步提升。」

Anthropic 也学起了 OpenAI Tibo 那套「Reset」福利。Claude Code 之父表示：「我们希望为那些陪伴我们最久的用户提供更多福利。因此，在 Fable 5.2 中，订阅时间越长，用户获得的 Fable resets（重置次数）就越多。」

发布前的测试里，Claude Fable 5.2 和 Claude Mythos 5.2 帮 Anthropic 工程师做成了此前难以实现的软件迁移项目，从零设计出三款能正常运行的电子设备，解决了两个黑洞物理学领域尚未解决的问题，在机器人评测中取得重大进展，还只花 30 小时就完成了费马大定理的形式化证明。除此之外，它们还有不少其他用法。

Claude Fable 和 Claude Mythos 共用同一个底层模型。Fable 配有严格的网络安全和生物安全防护机制，能有效防止滥用，所以向所有用户开放。想把模型用在网络安全或生物医学研究等有益领域的机构，可以通过 Anthropic 近期扩大的生命科学计划和网络安全验证计划申请 Mythos 使用权限。

两款模型的生成速度最高比 Claude Fable 5.1 和 Claude Mythos 5.1 快 30%，价格也降了：每百万输入 Token 收 8 美元，每百万输出 Token 收 40 美元。

Fable 5.2 和 Mythos 5.2 还可选快速模式（Fast Mode），Token 生成速度最高能提到原来的 2.5 倍。该模式每百万输入 Token 16 美元，每百万输出 Token 80 美元。

Claude Fable 5.2 和 Mythos 5.2 的评测表现

基准测试成绩

从下方基准测试结果看，Anthropic 评估的几乎每一项能力上，Claude Fable 5.2 和 Mythos 5.2 都压过 Opus 5.5。

横向比下来，Fable 5.2 在多个复杂任务上领先。编程上，它于 FrontierCode 2.0 和 FrontierSWE v2 分别拿到 49.1% 和 69.9%，高于 GPT-6 Astra 的 42.8% 和 65.5%，也领先 Opus 5.5。机器人操作评测 RoboDojo Sim 中，Fable 5.2 达到 64.9%，比上一代 Fable 5.1 的 27.6% 提升 37.3 个百分点，明显高于 Opus 5.5 的 39.4% 和 GPT-6 Astra 的 29.8%。

电脑操作评测 OSWorld 2.1 里它拿到 89.3%，多学科推理评测 Humanity's Last Exam（带工具）中达到 74.2%，都排在图中参评模型首位。不过知识工作评测 AA-Briefcase 的 Elo 评分上，Opus 5.5 以 1800 分略微领先，Fable 5.2 为 1785 分。科学研究和网络安全方面的部分高分，则来自同期发布的 Mythos 5.2。

推理强度与效率

在 Medium（中等）推理强度下——这也是 Claude 应用和 Claude Code 的默认设置——Fable 5.2 完成高难度任务所需的 Token 数量比 Fable 5.1 更少。

FrontierCode 2.0 评测的早期测试中，Fable 5.2 用 High（高）推理强度拿到的成绩，和 Opus 5.5 用 Max（最高）推理强度时大致相当，而单项任务成本只有后者的一半左右。换到 Xhigh 推理强度，Fable 5.2 的成绩又超过了参与测试的所有其他已发布模型。

编程

眼下 Anthropic 核心代码库里，超过 90% 已合并的代码变更都由 Claude 在人工指导下完成。

Anthropic 已用 Fable 5.2 在几分钟内修好长期难解的 Bug，提升了各项服务的运行性能，还推进了一些原本因耗时太长或成本太高而难以启动的重要软件项目。

更早时候，一支由早期版本 Fable 5.2 驱动的智能体团队，把一项关键生产服务从 Python 迁到了 Rust。迁移后这项服务的运行效率和可靠性都有提升，启动速度更是提高到原来的约 26 倍。

测试还显示，Fable 5.2 的工程判断力很强。需求比较模糊时，它照样能给出高质量结果。

一项实验里，Anthropic 一位工程师让 Fable 5.2 从头设计原型操作系统。模型从空文件夹起步，协调 1000 多个子智能体，连续 8 天不间断地编写、测试和审查代码。最终它做出了一个能在笔记本电脑上启动并运行的操作系统。

这套系统有自己的内核，可以驱动整台机器；带磁盘、键盘和网络驱动程序，还有持久化文件存储、窗口系统、登录界面和安装程序，并内置了 Claude 功能。

早期参与测试的人，对 Fable 5.2 把编程能力用到各类任务上的表现，同样记忆深刻。

网络安全

在 Anthropic 自家产品线里，网络安全工程能力最强的是 Claude Mythos 5.2。它比先前几代模型能挖出更多安全漏洞，复现和修复漏洞的水平也更高。不过，Claude Fable 5.2 自带的安全防护，会把大多数网络安全相关的任务挡在外面。

一家安全企业统计后发现：Claude Mythos 5.2 找到并确认的漏洞里，有六分之一是他们在测试中试过的其他所有前沿模型都没能发现的。

Anthropic 的内部评测 CVE Rediscovery 给出了这样的数字：Claude Mythos 5.2 发现的漏洞数量，比 Claude Opus 5.5 多出 10.2%，比 Claude Mythos 5.1 多出 14.4%。

判断准不准、置信度标得准不准，Claude Mythos 5.2 也有明显进步。一名测试者说，以前的模型大约每 20 项漏洞发现里就有 1 项被夸大了严重程度，而 Claude Mythos 5.2 一次都没出现这种情况。

想用 Claude Mythos 5.2 的网络安全能力，用户得走网络安全验证计划。Anthropic 正在把这套计划继续做大、做细。

没进网络安全验证计划也没关系，Claude Enterprise 的企业客户还能用 Claude Security。这项服务调用 Anthropic 能力最强的模型扫描代码库、找潜在漏洞，目前已经接入了 Claude Mythos 5.2。

最近一次更新让 Claude Security 更能干了。它如今可以持续盯着代码仓库，跟进代码的改动，确认发现的漏洞真的被修好；分析时能结合更多上下文，还能通过 API 和 MCP 接进用户正在用的其他工具。

科学与工程

科学、工程、数学领域里不少重要工作，越来越离不开编程。分析数据、搭建分子模型、设计零部件、控制实验仪器，这些活儿都能交给软件去干。

接下来，Anthropic 讲了 Claude Fable 5.2 和 Claude Mythos 5.2 怎么帮研究人员啃下这些领域的硬骨头，把相关研究往前推。

理论物理学

Claude Fable 5.2 拿下了理论物理里两个悬而未决的问题。两个问题都跟黑洞有关，也牵扯到现代物理学两大基础理论——相对论与量子力学如何统一。

Claude 的这两项成果，都架在全息对偶（Holographic Duality）理论之上。这套理论的核心意思是：某些含有引力的宇宙，可以被一个完全不含引力的量子理论精确地描述出来。

第一个问题要追溯到 1983 年。那时候物理学家已经证明，这些宇宙越升越热，黑洞就会突然冒出来，跟水烧到一定程度突然沸腾一个道理。

地址：https://hexagonmath.org/2611.00175v1

可当年的办法只对足够大的宇宙管用，因为只有在这个尺度上相对论才成立。2003 年，研究人员提出了一个计算任务，想搞清楚在极小的宇宙里会不会出现同样的现象。这种宇宙只能用量子理论来描述，偏偏这项计算太复杂、太费时间，一直没人算完。

Fable 5.2 基本靠自己把这项计算做完了，还发现即便在极小的宇宙里，这种转变照样是突然发生的。

第二个问题涉及一项物理学家已经用了 15 年多的技术，用来在简化宇宙模型里排除可能的量子引力理论。Fable 5.2 找出了这项技术精确的适用边界。

地址：https://hexagonmath.org/2611.00174v1

蛋白质折叠

腺相关病毒（Adeno-associated Virus，AAV）个头很小，对人体无害。它那层蛋白质外壳，也就是衣壳（Capsid），能用来递送基因疗法。衣壳的蛋白质结构很要紧，比如它会影响基因疗法会不会被患者免疫系统认出来并拦住。可这结构也相当复杂。

AlphaFold 这类现成的蛋白质折叠模型，能预测单个蛋白质的结构。但一个病毒衣壳由数十个蛋白质拼成，整体结构要复杂得多。

Claude Mythos 5.2 在两个开源蛋白质折叠模型的基础上，找出了一条新路子，能准确预测整个衣壳的结构。做法是：它写代码，让这两个模型分别处理带重叠区域的蛋白质链组，再借衣壳已知的对称性信息，把各部分的预测结果拼起来，最终还原出完整的衣壳结构。

这套办法在多个天然衣壳和人工设计衣壳上都表现不错。测试中，Claude 尝试建模的 34 个衣壳里，有 28 个拿到了准确的结构预测。

数学

数学形式化，就是把数学证明转成计算机能一步一步检查的语言。干这件事能帮数学家核验研究结果，让人对证明是否正确更有底，不必全靠人工一步步看。当 AI 模型给出人类难以直接验证的结果时，这一步就更重要了。

问题是，数学形式化往往特别费时间。要是 AI 能搭把手，数学家就能把更多时间花在琢磨新的数学思想上。

之前，Anthropic 用过一个还没发布的 Claude 研究版本去形式化费马大定理，前后花了 11 天。这项工作靠的是专门设计的执行框架（Harness），还得有研究人员在旁边指导。

对比之下，一支由 1000 个 Fable 5.2 智能体组成的团队，整个定理的形式化只用了 30 小时，期间几乎不用人来插手。

Fable 5.2 起步时的提示相当有限，智能体之间的协作机制是它自己搭起来的。全程没有翻阅任何数学参考资料，判断任务推进到哪一步，靠的只是一份中间定理陈述清单。

跟第一次做形式化那回比，这次烧掉的动作 Token 只有三分之一，最终证明的长度也压到了原来的七分之一。

下图对比了几款模型：同样配 1000 个智能体，Opus 5.5 跑了 18 小时，形式化只推进了 26%；再跑到 30 小时，数字也几乎没往上走。

硬件与机器人

AI 的不少潜在价值都压在它能不能在物理世界里动手上，加快实验室研究就是一例。Claude 系列在现实场景中的实用性一直在往上走，Fable 5.2 延续了这条线。硬件设备设计这类任务上它已经表现不错，实体机器人控制方面的进步也很明显。

Anthropic 对 Fable 5.2 的硬件工程能力做了专门测试：给一段简短提示，让它设计并做出三款能正常运转的电子设备。每款都得有独立的电路板、3D 打印外壳和配套软件。最后交出的三款是家庭语音助手中枢、USB 扬声电话，以及一款能拿在手里的虚拟宠物设备。

产品规格是 Claude 自己写的，元器件挑的是美国经销商能供的货，四层电路板布线由它为每款设备设计并完成，外壳模型用计算机辅助设计（CAD）建起来，设备要用的软件也一并写好。人几乎没怎么插手，每块电路板不到一天就设计完，达到了可投产的状态。

电路板由 Diode 制造，做完之后 Claude 还指导这家公司的工程师完成测试和组装。结果三款设备都正常工作，电路一处都不用改。

机器人

实体机器人控制这块，Fable 5.2 比之前的 Claude 模型明显强了一截。碰上从未专门训练过的机器人任务，它照样能拿出较强的操作表现。

下方视频里，Fable 5.2 控制的机器人做了几件事：解魔方、拧开瓶盖，还画了一幅机器人图画。

公开的 RoboDojo 基准测试中，研究人员用摄像头图像让 AI 操控一个模拟双臂机器人完成任务。Fable 5.2 的成绩压过了使用同一测试框架的其他前沿模型，也压过了大多数专为机器人控制开发的 AI 系统。

RoboDojo 评测结果

研究与分析

早期测试者拿 Claude Fable 5.2 做研究和分析工作时发现，它接得住更模糊、数据量更大的任务，遇到复杂又不明确的问题判断力更好，抽象推理和方案设计这类活尤其拿手。

自营交易公司 Jump Trading 用几项模拟自家量化研究任务的代理评测测了 Fable 5.2，测试时把模型接进了一个跟公司内部研究工作框架相似的系统。

其中一次测试里，代码编写者、任务协调者、规划者和任务提交者这些角色，Fable 5.2 几乎全包了。换作以前用其他模型，团队往往要花大量时间手动调整角色分工，去迁就各模型能力上的长短。

安全与对齐

没有哪一项测试能完全预判一款高能力模型部署后会怎么表现。所以在正式发布前，我们会把多种测试方法并用，收集不同类型的证据。

作为 Claude Fable 5.2 和 Claude Mythos 5.2 底层基础的那个模型，Anthropic 在部署前做的安全工作包括：对齐训练与测试、设计新评测来检验模型采取无益行动的倾向、搭建更强的防滥用机制，以及扩大行为监测的范围。

发布前，该模型还交给外部评估机构测过，包括英国人工智能安全研究所、Frontier Design 和 METR。

对齐测试

Anthropic 做了一系列评测，从行为层面看 Claude Fable 5.2 和 Claude Mythos 5.2 的对齐程度，重点盯的是它们出现非预期行为的概率，以及可能带安全风险的行为有多少。

多项评测结果合起来看，这两款模型在高风险场景里出现不安全行为的风险较低，跟近期发布的其他模型大致在同一水平。

Anthropic 还用自动化行为审计测了 Claude Mythos 5.2。要说明的是，Mythos 5.2 与 Fable 5.2 共用同一个底层模型，只是没配后者的部分网络安全和生物安全防护机制。这项审计覆盖约 1900 种不同场景，用来检验模型在各种情况下的行为表现。

大多数评测指标上，Claude Mythos 5.2 跟 Opus 5.5、Sonnet 5.5 和 Claude Mythos 5.1 打平或者更好。涉及误导用户的多数评测里，它的表现都优于这三款。具体说，编造输入信息、谎称任务已经完成、漏掉重要信息、不如实说明工作质量不佳或敷衍了事，这几种情况 Claude Mythos 5.2 的发生率都更低。

测试时，Anthropic 特别留意了近期一些受关注的网络安全和对齐事件里出现过的行为模式。比如跟 Opus 5.5、Sonnet 5.5 和 Mythos 5.1 比，Claude Mythos 5.2 更少出现带偏见或特定动机驱动的推理。这类推理会让模型把表明自己并不处于模拟环境中的证据一条条解释掉，然后在没充分认识现实后果的情况下采取行动。

Anthropic 还用了多种评测查模型试图逃离沙箱的倾向。此前用过的两项评测中，Claude Mythos 5.2 尝试沙箱逃逸的次数明显少于我们测试过的其他所有模型。

Anthropic 另建了一套对抗性测试，覆盖场景超过 1800 个。这些场景多数在沙箱不破的情况下根本做不完，测试环境本身还刻意埋了若干安全漏洞。结果显示，Claude Mythos 5.2 在 3.1% 的场景里动用了被放在沙箱之外的凭据或文件。

和 Opus 5.5 的 3.3% 相比，这个数字基本持平，低于 Sonnet 5.5 的 5.1%；对比自家前两代 Claude Mythos 更是差距明显——Mythos 5 为 39%，Mythos 5.1 为 21%。Anthropic 同时提到，换别的办法也能压住这类越界行为，比如把沙箱的具体环境向模型讲清楚，再给它提供上报安全漏洞的工具，Claude Mythos 5.2 尝试逃逸的次数还能继续往下走。

评测方法本身也在改。Anthropic 正让测试环境更贴近真实场景，并查清现有评测还有哪些问题没被覆盖。

模型卡共 264 页，更多细节可查阅：

模型卡地址：https://assets.claude.com/27d60918d218125e7504bc7354c4b4626ec56b11.pdf

博客地址：https://www.anthropic.com/claude-fable-and-mythos-5-2