先看证据
一个模型，两个入口
Anthropic 在 2026 年 11 月 9 日发布了 Claude Fable 5.2 和 Claude Mythos 5.2。按官方公告，这不是两个独立训练的模型，而是共享同一底层模型、差异集中在安全措施与准入方式上的两个配置：Fable 面向所有用户，Mythos 面向通过审核的网络安全和生命科学组织。这一点需要先说清楚，因为过去“旗舰模型加受限版本”通常意味着两次训练、两套权重。
Anthropic 对差异的描述落在分类器上。Fable 5.2 带有拦截高风险网络安全任务和大多数研究生物学任务的安全分类器，Mythos 5.2 去掉这些拦截，改由 Cyber Verification Program 和 Life Sciences Verification Program 做准入审核。被 Fable 拦下的请求不会就此终止，而是回退到 Opus 4.8（网络安全）或 Opus 5（生物学）继续回答。公告还提到训练阶段对可能直接加速 AI 研发的部分能力做了限制，但架构、参数规模和训练细节均未公开。
这就是这次发布真正的结构性变化：安全分级不再表现为产品目录里的不同型号，而是表现为同一个模型外挂的不同过滤器，加上一套人工审核的访问控制。模型能力的上限是同一个，但你能否触到它，取决于你的组织身份。
基准数字背后的 effort 条件
Anthropic 公布的对比表把 Fable 5.2 与 Fable 5.1、Opus 5.5、GPT-6 Astra、Gemini 4 Carbon 放在一起，所有分数都是自报。最常被引用的是 FrontierCode 2.0 的 49.1%，但官方表格标注这一结果对应 Xhigh effort，而 Anthropic 同时说明 FrontierCode 衡量的是代码改动是否会被开源仓库维护者合并，不能直接当成所有编程任务的成功率。去掉 effort 条件谈这个数字，就等于把一个特定设置下的结果说成模型总分。
其他几项同样需要带着条件读。FrontierSWE v2 为 69.9%，对比 GPT-6 Astra 的 65.5%；Remote Labor Index 为 41.3%，对比 Opus 5.5 的 21.3%；带工具的 Humanity's Last Exam 为 74.2%，对比 67.7%；OSWorld 2.1 为 89.3%，但只覆盖部分离线集。Mythos 5.2 在 CVE Rediscovery 上拿到 89.6%，对照组是无安全措施的 Opus 5.5 的 81.3%。Fable 也并非全面领先：Gemini 4 Carbon 在 AutomationBench 上以 53.9% 对 51.4% 胜出，Opus 5.5 的 AA-Briefcase Elo 为 1800，高于 1785。
真正的信息不在第一名，而在 effort 与成本的对应关系。Anthropic 自己的材料显示，Fable 5.2 在 High effort 下拿到 45.3%，与 Opus 5.5 的最好成绩 45.5% 基本持平，而每任务成本约为其一半；在 Humanity's Last Exam 上，Fable 用 Low effort 就追平了 Opus 5.5 的最高分，成本被描述为不到十分之一。Chartography 上 Medium effort 的 66.4% 也高于 Opus 5.5 在 Max 下的 64.4%。
便宜的不是 token，是任务
标准 API 价格是输入每百万 token 8 美元、输出每百万 token 40 美元，快速模式翻倍为 16/80 美元，并在公告中被描述为 token 生成速度最高可提升 2.5 倍。单看单价，这不构成一个便宜模型的故事。Anthropic 的论点是效率：在相同任务上以更低 effort 达成同等结果，摊到每个任务上的成本随之下降，官方估计可低至 Opus 5.5 的一半，部分场景更少。
这两个口径不能混用。单价是确定的账单乘数，每任务成本依赖 effort 设置、任务类型和重试次数，是厂商基于自身测试给出的估计。上下文窗口 1M tokens、最大输出 128K tokens 也容易被合并成一个数字，但它们是两个独立指标：能塞进多少输入，和一次能吐出多少，对长程 agent 任务的约束完全不同。输出速度被描述为最高比 5.1 系列快 30%，同样是厂商自报，公告在该处没有给统一的外部测试数据。
对技术负责人的实用结论是：不要用单价做选型对比，要用你自己的任务集在 High、Medium、Low 各跑一遍，记录达成同等质量所需的 effort 和重试次数。如果 Fable 在你的工作负载上确实能用低一档 effort 达到原有效果，节省来自调用结构，而不是来自价目表。
拦截率下降意味着什么
Anthropic 报告称 Fable 5.2 在早期测试中的拦截次数比 Fable 5.1 少约 55%，其中网络安全类别少约 60%，生物学类别少约 40%。这是一条容易被误读的数字：它衡量的是分类器触发频率，不是模型能力提升，也不等于安全风险下降。更少的拦截可能来自更精细的分类，也可能来自阈值调整，公开材料没有区分这两者。
回退机制值得单独看。被拦截的请求转由 Opus 4.8 或 Opus 5 回答，意味着用户体验上是“降级而非拒绝”。这对产品设计友好，但对评估提出了新要求：如果你的评测只看最终回答质量，回退会掩盖拦截发生的事实，你无法知道有多少请求其实没有用上 Fable。对于把模型嵌进自动化流水线的团队，回退意味着同一批请求可能由不同模型处理，输出风格、延迟和成本结构都会随之波动。
还有一个不该被“同一模型”这句话盖过的细节：Anthropic 提到训练阶段限制了可能直接加速 AI 研发的部分能力。也就是说，两个配置的差异未必只在推理时的分类器，可能还涉及训练层面的取舍。公开信息不足以还原全部技术差异，把“一模型两档防护”当成完整描述是有风险的。
预发布实验透露的使用方式
Anthropic 列出的几项预发布实验比基准表更能说明这个模型被设计来做什么。其一，1000 个 Fable 5.2 agent 在 30 小时内于 Lean 中形式化了费马大定理的证明，而同样设置下 Opus 5.5 在 18 小时内达到 26%。其二，一次运行协调了 1000 多个子 agent 持续 8 天，产出的操作系统能在一台笔记本上启动。其三，Claude 与合作伙伴 Diode 设计了 3 个可用设备，均无需电气修改。其四，Fable 5.2 解决了两个关于黑洞的开放问题并留下预印本。
这些实验是厂商挑选展示的案例，不是可复现的基准，读的时候要带上这个前提。但它们指向一个一致的方向：模型被期待在长时程、多 agent、跨工具的环境中工作，而 1M 上下文和 128K 输出正是为这种负载准备的。这也解释了为什么 effort 与成本的讨论比单点分数更重要：长时程任务里，每一次多余的尝试都直接乘在账单上。
对准备采用它的团队来说，这些案例的价值不在于“能做什么”，而在于提示了验收方式。如果你的任务可以在几小时内由单个 agent 完成，那么 Fable 相对 Opus 的优势主要落在成本而非能力；如果你的任务需要数天和大量并行子任务，那么协调开销、失败重试和中间状态管理才是需要先设计的东西。
采购与合规的核算方式要改
把安全分级从型号挪到准入，直接影响三件日常事务。第一是采购：过去团队可以通过“用受限版本做敏感工作、用公开版本做其余工作”来分割风险与成本，现在两者是同一个底层模型的两种配置，价格公开而准入要申请，预算表里需要单独列出审核周期和可能的拒绝风险。第二是评估：如果只测 Fable，你测不到 Mythos 在去掉防护后的行为，而官方也承认部分对齐测试是在 Mythos 上跑的。第三是合规：当同一模型以不同护栏对外提供时，你需要记录的不只是用了哪个型号，还包括请求是否触发了分类器、是否发生了回退。
这些都不是无法解决的工程问题，但它们意味着“换模型”不再是一个可以调节风险等级的旋钮。风险等级由准入决定，成本由任务和 effort 决定，二者被拆开了。对同时涉及安全研究和普通业务的团队，这可能是好事，因为不必为了敏感工作维护一条独立的产品线；对没有资格进入审核程序、但又确实需要相关能力的团队，这变得更麻烦，因为回退到 Opus 是唯一路径。
一个可执行的判断是：先用你自己的高价值任务集，在 Fable 的 High、Medium、Low 三档上测出质量与每任务成本的曲线，再决定是否需要申请 Mythos 准入。如果 Fable 在低 effort 已经覆盖大部分场景，申请准入的边际收益可能只集中在少数敏感任务上；如果回退率在你的流水线里高到影响稳定性，那么准入就不只是合规问题，而是工程问题。
边界在哪
这套安排的前提是分类器足够准，以及审核程序足够可信。公开材料没有给出分类器的误判率，也没有说明 Cyber Verification Program 和 Life Sciences Verification Program 的审核标准与周期。拦截次数下降 55% 是自报数字，独立第三方对这些具体数据的复测在公开资料中没有出现。把拦截率下降直接读成“护栏更宽松”或“更安全”，都超出了证据能支撑的范围。
同样需要保留的还有性能口径。所有基准分数来自 Anthropic 自己的表格，30% 提速和 2.5 倍快速模式也是厂商描述，OSWorld 2.1 只覆盖部分离线集，FrontierCode 衡量的是合并成功率而非全部编程任务。这些限制不否定模型的价值，但决定了你不能拿公告里的数字直接写进内部选型结论。
对技术负责人来说，这次发布最实际的提醒是：当安全边界从模型型号转移到访问身份，评估工作也必须从“哪个模型更强”转向“哪些请求走了哪条路径、代价是什么”。这件事没有捷径，只能靠自己的任务集和可观测的调用日志来回答。