Anthropic发布Fable 5.2：AA得分65，DeepSeek V4.1 Flash仅33分
国产大模型的下一代旗舰还在等，Claude 又更新了。11 月 10 日凌晨，Anthropic 发布顶模Fable 5.2。实际上，Opus 5.5和Fable 5.0已经是很强的存在，新发布的Fable 5.2又在AA 的性能评测得分上，冲到了65 分，大肥鱼最新版DeepSeek V4.1 Flash（1017
国产大模型的下一代旗舰还没亮相，
Claude这边先动了。
11 月 10 日凌晨，Anthropic 推出顶配模型 
Fable 5.2。Opus 5.5 和 Fable 5.0 本身已经够强，这次 Fable 5.2 在 AA 性能评测上拿到 65 分；大肥鱼最新版 DeepSeek V4.1 Flash（1017 Max) 只有 33 分，两者相差接近两倍。
国产阵营中成绩更好的是 Kimi K3.1 Pro，46 分，距榜首还差 19 分。
Artificial Analysis 智能指数
另一头，国产正代旗舰大底座已经两个多月没动静。阿里 Qwen 4.0、Kimi K4、GLM 5.5 这些传闻中的下一代产品迟迟不露面。放在以前，国内模型无论大版本还是小迭代，基本 20 几天到一个月就会有一次。
国产旗舰大基模眼下集体安静了两个多月，连一个能达到 GPT 6 Astra 级别的顶级模型都还没出现。
早前 Kimi 3.1 Pro 和 Qwen 3.8 Max 这批模型，把跟顶级闭源模型的差距压缩到 3-4 个月的水平，中文推理和部分编码榜单上甚至出现过反超。
可最近国模像断了电，新一代模型迟迟不官宣，这一代的研发周期明显拉长。原因到底是什么？
闭源模型还在往上走
Opus5.5 发布之后，X 上掀起过一阵代码动画热，不少网友觉得 Claude 系列在 Coding 和审美上独一档。
Fable 5.2 这次又在多个能力面上取得突破，尤其往超长周期的复杂科研与系统工程（Long-Horizon Tasks）这类深水区推，这是过去模型很少碰的领域。
拿 Anthropic 公布的 Remote Labor Index 来说，这项评测针对复杂的远程工作任务。高努力档下 Fable 5.2 拿到 41.3%，上一代 Fable 5.1 是 17.9%，Opus 5.5 是 21.3%。科研终端任务评测 Terminal-Bench-Science 上，它的成绩从 Opus 5.5 的 58.7% 升到 74.6%。
这些变化，官方用几个案例做了展示。
一个是 AI 生成操作系统实验。A 社工程师丢给 Fable 5.2 一个空文件夹，它调度超过 1000 个子智能体，写代码、测试、修错，连续忙了 8 天，最后交出一套能在笔记本上启动的操作系统原型。
另一个在科研方向：工程师动用 1000 个 Agent、30 小时内把费马大定理做了形式化，同样吸睛。
之前大家重点拼前端能力时，双方还互有胜负。
Kimi K3.1 Pro 在10月23日发布时，旧版 AA 榜单上到过 55 分，距当时的闭源头部只差 3 分左右（与当前 v5.0.1 榜分数不可直接比较），鹈鹕骑车、火箭发射这些 SVG 测试还一度更好。Fable 5.2 一出，这个窗口又被拉开，国模目前对部分前沿复杂案例仍难以复刻。
网传近期发布的下一代国产模型
曾经横空出世的明星选手 
DeepSeek，在模型斩杀线和能力天花板上也显出进展放慢。一直呼唤的 V4 Pro 被回炉重造，新的 V 4.1 Pro 不见踪影，反倒是在 V 4.1 Flash 上持续迭代，从0910更新到1017版本。
统计显示，截至 2026 年 11 月 10 日，国内四大核心基模家族的正代大底座——DeepSeek V4 Pro（4 月 24 日发布，已过去 200 天）、智谱 GLM-5.2（6 月 16 日发布，已过去 147 天）、月之暗面 Kimi K3（7 月 16 日发布，已过去 117 天）、阿里 Qwen3.8-Max（8 月 3 日发布，已过去 99 天）——平均静默期已达 140.8 天（约 4.6 个月）。
四大正代旗舰静默期统计：平均 140.8 天
近期流传的一篇专家纪要提到，以前模型在 Coding 领域有代码可验证、Agent 有 trajectory 可寻迹，往后要攻的领域都是硬仗。
前沿方向转向空间理解、Computer use、视频生成，甚至生物医药科研。模型差距正从 3-4 个月拉长到约12个月；如果海外明年实现 RSI，还可能进一步拉到 18-24 个月。
国模正暗自蓄力
不过，这些偏悲观的判断未必站得住脚。2024 年 DeepSeek 那次突然冒头，至今仍让不少人愿意相信，国产模型有能力拿出让人眼前一亮的东西。
可国产模型为什么迟迟等不来下一代，背后的原因同样需要多给些耐心，也需要更清楚的解释。
蒸馏是绕不过去的一环。Anthropic 在 10 月推出了新的防蒸馏手段（11 月还有更严的），具体包括限制新 API 账号修改模型推理上下文、识别那些提取推理内容的请求，以及封掉相关账号。按 Anthropic 自己的初步估算，这些做法让蒸馏者能采到的数据量少了约 90% 到 99%。
这条捷径确实管用。蒸馏代码评测能直接冲到 80.4%，而只拿精简答案去训，结果只有 71.8%。这十个点的差距，正是大模型最值钱的核心资产，也是拉开用户体验分数的关键。
Anthropic 在 IPO 招股阶段跟投资人交代过：靠“蒸馏”挣来的钱，占公司营收的 5% 到 7%。到了第三季度，这块收入已经被公司“大幅”砍掉。网上流传的算法拿二季度 115 亿美元营收做基数，算出来大约是 5.75 亿到 8 亿美元。
Anthropic 这家公司的价值观问题，恰好在这里露了出来。Tesla 和 SpaceX 创始人 Elon Musk 就曾吐槽它：「Anthropic 从人类程序员那里偷来的东西，他们怎么敢再偷一遍？？」
马斯克在 X 上的相关推文
还有已经向图书行业判赔 15 亿美元数据损失这件事。这类铁证常被它忽略，反过来它倒经常指责别人蒸馏自己的数据，甚至误封不少正常用户，也不退款。
其实，国模进展放慢更主要的原因，是这一代模型的研发跨度实在大。模型参数、MoE 架构、训练数据，几乎都是推倒重来。
Z.ai 首席科学家唐杰的一场讲座，正好说明了这点。按他的说法，这一代模型没走公共数据集，预训练数据是从六个各自独立的内部引擎里抽出来的。演讲课件上列出的数字是：1 万亿页网页、20 亿份文档、5000 万本图书、5 亿个代码仓库、100 亿个视频，外加 3 亿小时音频。
唐杰清华讲座课件（图源：讲座现场照片）
这些数据已经是百万亿的量级。智谱、DeepSeek、阿里、Kimi 这些国产第一梯队，眼下都在往底层这“100 万亿有效 Token”的重工业基建上集中投入。
这当然也意味着，头部模型大厂需要更多显卡。目前国内头部每家厂商的等效 B 卡数，也许在一万到几万张这个区间；海外明年单个 AI lab 的训练算力或达 4-6GW。
国产模型的算力缺口确实不能忽视。新一代模型参数基本在 5T 以上，要解决这一切，需要足够的时间。
实际落地差异化竞争
模型发布上短暂的迟滞，放到现在的实际应用环境里，影响其实没那么大。普通用户用 DeepSeek V4.1 Flash，已经能满足 90% 以上的场景需求。
尤其是在企业商业这类落地场景中，性价比的分量格外重，而这恰好是国产模型的强项。
按当前官方价格，DeepSeek V4.1 Flash 1017 在高峰时段、输入未命中缓存时，每百万输入 Token 是 0.3 美元，输出是 1.2 美元；Fable 5.2 标准模式对应是 8 美元和 40 美元。只比这两项牌价，输入相差约 27 倍，输出相差约 33 倍，DS 低谷时段计算口径近乎达到 60 倍。
权重开源之后，还能本地部署、私有化运行。对很多企业场景而言，智力上限的绝对高低并不是首要约束，更关键的是稳定、可控、中文适配、数据不出域、长上下文高缓存命中。
Flash 类模型只要单次输入超过 10 万 token、缓存命中率又高，单位成本上的优势就依然明显。国内像 Qwen3-8B 这样的本地部署模型，在私有化项目里用得很广，口碑也攒下了一些。
从 OpenRouter 最近一个完整统计周的数据看，国产模型的调用量还在涨。DeepSeek 一家就处理了约 4.72 亿次文本请求，以 30.8% 的份额居首；把智谱、通义千问和腾讯算进来，四家合计拿下平台近 47% 的文本请求。（图源：OpenRouter 官网）
Claude 眼下正把重心挪向 Sonnet、Haiku，GPT 也在主推 Terra 和 Sol 这类主打性价比的型号。可这块两家都没做好，Claude 的 Haiku、GPT 的 Terra 等模型没拿到足够的市场认可，也就没能做到每代都稳定推出。
新一代模型的打法已经变了：先让性价比型号打头阵，比如 Qwen 4 Flash 先上，用来验证下一代模型的架构和性能。过去那种由大模型蒸馏出小模型再商用的路子，不再是首选。
这背后是国产新一代模型快要落地，开源模式的主导权有望进一步拿回来，继续跟顶级闭源模型争 AGI 的位置。
