Ngày 9/11, Anthropic công bố Claude Fable 5.2 và Claude Mythos 5.2. Hãng cho biết hai phiên bản này chạy trên cùng một mô hình nền: Fable 5.2 mở cho mọi người dùng và có bộ phân loại an ninh mạng và an toàn sinh học, còn Mythos 5.2 nới một số hạn chế và chỉ dành cho các tổ chức nghiên cứu an ninh mạng, y sinh đã qua thẩm định.
Giá API chuẩn của Fable 5.2 là 8 USD đầu vào và 40 USD đầu ra cho mỗi triệu token, thấp hơn 20% so với mức 10 USD và 50 USD của Fable 5.1. Chế độ nhanh có giá gấp đôi, 16 USD đầu vào và 80 USD đầu ra; Anthropic cho biết tốc độ sinh nội dung tăng tối đa 2,5 lần, còn ở chế độ chuẩn tốc độ đầu ra cũng nhanh hơn Fable 5.1 tới 30%. Mô hình đã có trên nền tảng riêng của Claude cũng như AWS, Google Cloud và Microsoft Azure, tên API là claude-fable-5-2.
Những hạng mục tăng điểm nhiều nhất
Trong bảng so sánh chính thức, mức tăng lớn nhất nằm ở các bài đánh giá có chuỗi tác vụ dài, gần với công việc thực tế. Chỉ số Lao động Từ xa (RLI) tăng từ 17,9% lên 41,3%, trong cùng bảng Opus 5.5 đạt 21,3% và GPT-6 Astra đạt 20,8%. Bài mô phỏng robot RoboDojo Sim tăng từ 27,6% lên 64,9%, còn bài quy trình nghiệp vụ AutomationBench tăng từ 31,4% lên 51,4%.
Ở hai bài về lập trình, khoảng cách nhỏ hơn: FrontierSWE v2 đạt 69,9% so với 65,5% của GPT-6 Astra; FrontierCode 2.0 ở mức Xhigh đạt 49,1%, Opus 5.5 đạt 45,5%. Cũng có những hạng mục Fable 5.2 không dẫn đầu. Trên AutomationBench, Gemini 4 Carbon đạt 53,9%, cao hơn Fable 5.2 là 2,5 điểm phần trăm; ở điểm Elo của AA-Briefcase, Fable 5.2 đạt 1785 còn Opus 5.5 đạt 1800.
Trang công bố còn kèm vài trường hợp minh họa. Một đội khoảng 1.000 tác tử Fable 5.2 đã mất 30 giờ để hoàn thành bản hình thức hóa chứng minh Định lý lớn Fermat, dùng lượng token hành động bằng một phần ba lần hình thức hóa đầu tiên và độ dài chứng minh rút xuống còn một phần bảy; cùng nhiệm vụ đó, Opus 5.5 chạy tới 18 giờ mới hoàn thành 26%. Ở một trường hợp khác, mô hình hợp tác với công ty phần cứng Diode Computers, đi từ thông số, sơ đồ nguyên lý, đi dây, vỏ máy đến firmware để làm ra ba nguyên mẫu hoạt động được: loa hội nghị, trung tâm trợ lý giọng nói và thú cưng điện tử cầm tay. Trong bài giải thích về phần cứng, Anthropic nêu rõ cả ba sản phẩm đều chưa qua kiểm tra điện, thử nhiệt và chứng nhận, cũng không được thiết kế để sản xuất hàng loạt.
Mythos 5.2 và bộ phân loại
Mythos 5.2 đạt 76,3% ở CyScenarioBench và 89,6% ở bài tái hiện CVE, hai bài về an ninh mạng; phiên bản trước là Mythos 5.1 lần lượt đạt 61,7% và 78,3%. Kênh đăng ký là Cyber Verification Program và Life Sciences Verification Program, khách hàng doanh nghiệp có thể dùng thông qua Claude Security.
Điều tác động trực tiếp hơn tới người dùng thông thường là bộ phân loại. Khi Fable 5.2 gặp các yêu cầu an ninh mạng rủi ro cao như kiểm thử xâm nhập hay tạo mã khai thác lỗ hổng, yêu cầu sẽ được chuyển cho Opus 4.8 trả lời; phần lớn tác vụ nghiên cứu sinh học được chuyển cho Opus 5. Anthropic cho biết số lần chặn nhầm ít hơn Fable 5.1 khoảng 55%, trong đó an ninh mạng giảm khoảng 60% và sinh học giảm khoảng 40%. Trong bài kiểm tra thoát khỏi sandbox, tỷ lệ thành công của Mythos 5.2 là 3,1%, còn Mythos 5 khi đó là 39%.
Nhìn ba phiên bản trong một mạch
Từ Fable 5 đến 5.2, mỗi phiên bản Anthropic chỉnh một chỗ khác nhau. Khi Fable 5 mới mở ra, giá bằng hai lần Opus; bản 5.1 giữ nguyên giá đầu vào và đầu ra, chỉ hạ giá đọc bộ nhớ đệm xuống 0,025 lần giá đầu vào cơ bản; đến 5.2 mới lần đầu hạ trực tiếp giá chuẩn. Về điểm số, bản 5.1 bù vào những mảng yếu như tác tử nghiên cứu khoa học, với Terminal-Bench-Science tăng từ 24,7% lên 52,6%; còn bản 5.2 tạo khoảng cách ở các tác vụ dài như RLI và robot, hạng mục này hiện đạt 74,6%.
Phía gói đăng ký cũng có điều chỉnh. Với ghế tiêu chuẩn của Pro và Team, lượng dùng Fable có thể chiếm tối đa 50% hạn mức hằng tuần, và một số gói trả phí được cấp 1 đến 3 lần đặt lại lượng dùng Fable bổ sung. Đồng thời Anthropic khuyến nghị dùng Opus 5.5 trước cho lập trình hằng ngày và các tác vụ tri thức, để Fable 5.2 cho những công việc kỹ thuật phức tạp, mở.
Toàn bộ điểm số nêu trên đều lấy từ trang công bố của chính Anthropic, nhiều bài đánh giá có ghi rõ mức suy luận và cách chấm điểm, chẳng hạn OSWorld 2.1 dùng thiết lập ngoại tuyến, tính điểm từng phần. Hiện chưa có kết quả kiểm chứng lại đầy đủ từ bên thứ ba.
Nguồn tham khảo: trang công bố chính thức của Anthropic, CocoLoop, tài liệu giải thích về nghiên cứu thiết kế phần cứng của Anthropic; giá API chuẩn và giá chế độ nhanh, điểm các bài đánh giá cùng tỷ lệ thoát sandbox đã được đối chiếu với trang công bố.