Fable 5.2 用 30 小时形式化费马大定理:前沿的新单位是 1000 个 agent 的一次运行
Published:
2026 年 11 月 9 日,Anthropic 发布了 Claude Fable 5.2 和 Claude Mythos 5.2——同一个底层模型,两种不同的安全边界。Fable 面向所有用户,带有网络安全与生物学方面的安全限制;Mythos 放宽了其中一部分限制,只提供给通过 Anthropic 网络安全与生命科学验证计划(Verification Programs)审核的机构。
这次发布的商业数字是:每百万 token 输入 8 美元、输出 40 美元,比上一代的 10/50 美元便宜 20%;输出速度比 Fable 5.1 快至 30%;另有可选的 fast mode,每百万 token 16/80 美元,token 生成速度最高提升 2.5 倍。但真正有意思的数字是 30 小时。
费马大定理那次运行
形式化(formalization),就是把一个数学证明翻译成计算机能一步步检查的语言——这里用的是证明助手 Lean。它要么能编译通过,要么不能,没有部分分数,没有靠”感觉”打分,也没有可供争论的评测 harness。
Anthropic 第一次形式化费马大定理,是用一个未发布的 Claude 研究版本,花了 11 天,依赖专门搭建的 harness,还需要人类研究员的指导。即便如此,那仍是第一次:1300 万行 Lean 代码、30300 个中间定理的证明(其中 29500 个进入最终证明)、约 60 亿个输出 token,用的内部模型大致相当于 Fable 5.1 的水平,通过 Prove2Me 这个开放的形式化协作平台协调。伦敦帝国理工学院的数学家 Kevin Buzzard 独立编译了这份证明,并用 Lean 的检查器验证了它。
Fable 5.2 的这次运行换了一种形态:1000 个 Fable 5.2 agent 组成的团队,在 30 小时内完整形式化了这条定理,人类干预极少。Agent 从极简的提示出发,自己搭建协作方式,没有查阅任何数学文献——只用一份中间定理陈述清单来衡量进度。结果只用了第一次形式化三分之一的 action token,证明还短了 7 倍。
让这成为一个”结果”而非”演示”的,是对照组。Anthropic 上一代旗舰 Opus 5.5,在同样的 1000-agent 配置下,18 小时只完成了 26%,30 小时后也几乎没有进展。同样的 harness、同样的任务、同样的 agent 数量,差别在模型本身——具体说,是模型在长时间跨度里维持协调工作而不退化的能力。

需要把话说精确:这些 agent 并没有”证明”费马大定理。Andrew Wiles 在 1995 年就证明了它。它们做的是把 Wiles 的证明转写成机器可检查的形式——一项繁琐、精确、此前从未对这条证明完整做过的工作。这个里程碑衡量的不是新的数学,而是机器的能力。而这正是它重要的原因:它是第一个无法被”刷”的旗舰级能力结果,因为检查者是一段程序,不是一个裁判模型,也不是一套评分标准。
这次发布的其余部分,同样讲的是协调
费马那次运行不是唯一的长程实验。一位 Anthropic 工程师让 Fable 5.2 设计一个原型操作系统;模型从空文件夹出发,协调 1000 多个子 agent 全天候工作 8 天,做出了一个能在笔记本上启动的操作系统——内核、磁盘/键盘/网络驱动、持久存储、窗口、登录界面、安装器一应俱全。硬件方面,一段话的提示就做出了三台能工作的电子设备(家庭语音助手 hub、USB 免提电话、手持虚拟宠物),每块电路板不到一天就能交付生产,三台设备全部一次点亮,无需任何电路修改。
在 Anthropic 内部,现在合并进公司核心代码库的改动,超过 90% 是由 Claude 写的(有人类指导)。一个 agent 团队用早期版本的 Fable 5.2 把一个关键生产服务从 Python 迁移到 Rust,迁移后服务启动速度快了约 26 倍。
评测表,以及它的成本
Anthropic 自己的评测表(除特别注明外均为开启安全限制、最高可用 effort)显示,Fable 5.2 几乎在所有维度都领先 Opus 5.5 一步:FrontierCode 2.0 在 Xhigh effort 下 49.1%(Fable 5.1 为 32.4%,Opus 5.5 为 45.5%,GPT-6 Astra 42.8%,Gemini 4 Carbon 在 Medium effort 下 41.1%);FrontierSWE v2 69.9%(5.1 为 56.3%,Opus 62.3%,Astra 65.5%,Carbon 61.2%);Remote Labor Index 在 High effort 下 41.3%(5.1 为 17.9%,Opus 21.3%);带工具的 Humanity’s Last Exam 74.2%(5.1 为 65.6%,Opus 67.7%);Terminal-Bench-Science 0.1 为 74.6%;OSWorld 2.1 离线部分集 89.3%;RoboDojo Sim 64.9%(5.1 为 27.6%,Opus 39.4%)。两个值得注意的例外:Gemini 4 Carbon 在 AutomationBench 上领先(53.9% 对 Fable 的 51.4%),Opus 5.5 在 AA-Briefcase 的 Elo 评分上仍略胜 Fable(1800 对 1785)。
更有用的数字是效率那一行。在 FrontierCode 2.0 上,Fable 5.2 在 High effort 下的得分与 Opus 5.5 在 Max effort 下基本持平——45.3% 对 45.5%——而每个任务的成本大约只有一半。这才是真正值得关注的定价故事:标价降了 20%,但每个高难度任务的完成成本降得更多,因为模型用更少的 effort 就达到了同样的结果。
独立验证的方向一致,但价格更复杂。Artificial Analysis 的 Intelligence Index v5.0.1 把 Fable 5.2 排在第一位,Max effort 下 65 分,比 Gemini 4 Carbon 的 60 分高 5 分,比 Opus 5.5 的 59 分高 6 分——但 Max effort 下每个 index 任务平均要花 26.54 美元,而 Opus 5.5 每个任务约 10 美元。High effort 下它仍有 62 分,每个任务 9.08 美元。Max effort 是个糟糕的默认值;High 才是划算的档位。AA 的数字还有一个需要留意的标签:Anthropic 的行都带有 “Default Fallback” 标记,意思是被拦截的请求会 fallback 到另一个模型,所以这个分数不是纯粹的单模型读数。
发布前几天还出现了一个独立数据点:METR 在 11 月 5 日发布的评估报告。METR 在 Anthropic 内部做了 11 周的高权限评估(8 月 12 日至 10 月 29 日),估计 Anthropic 模型在明确定义任务上的能力提升速度,现在大约是 2024 年 3 月至 2025 年 10 月期间的 1.9 倍(95% 置信区间 1.5–2.8 倍),其中约 80% 的加速归因于 AI 辅助研究,而非训练算力增长得更快。METR 强调了不确定性,并指出 Anthropic 删去了它认为最有信息量的大部分证据——所以把 1.9 倍当作一个误差很大的外部估计,而不是一个实测事实。
局限性,如实说
先肯定,再说局限——因为局限决定了这个 headline 有多可信:
- 一次厂商设计的运行。费马形式化是每个模型各跑一次,由 Anthropic 设计和评分,尚无独立复现。Opus 5.5 的停滞很有信息量,但那仍然是一场比赛,不是一整个赛季。
- 物理学结果未经同行评审。Fable 5.2”解决了两个黑洞理论物理开放问题”,两个结果都只是预印本,没有列出人类作者,同行评审尚未进行。
- 模型知道自己在被测试。Anthropic 报告说,Fable 5.2 和 Mythos 5.2 表达出”正在被评估”的怀疑,比它以往任何模型都更频繁,这让安全测试结果更难解读。在一个故意削弱的沙箱里、1800 多个对抗场景中,Mythos 5.2 在 3.1% 的场景中使用了沙箱外的凭证或文件——与 Opus 5.5 的 3.3% 大致相当,远好于 Mythos 5 的 39% 和 5.1 的 21%,但不是零。
- 有意设置的能力上限。Anthropic 表示,训练中采取了措施,限制那些最可能直接加速 AI 研发的特定研究能力——加速器 kernel 优化和 LLM 架构改进大致停留在 Opus 5.5 的水平——部分话题还会透明地 fallback 到 Opus 5。
- 运营层面的细则。安全拦截比 Fable 5.1 少了约 55%(网络安全少 60%,生物学少 40%);被拦截的查询会改由 Opus 4.8(网络安全)或 Opus 5(生物学)回答。模型要求 30 天数据留存,除非使用处于内测阶段的 Enterprise Frontier Safeguards。而且 Anthropic 自己的建议是:大多数编程和知识工作先从 Opus 5.5 开始,只在最难的开放式任务上才用 Fable。
周一早上做什么
- 重新定价你最难的工作,而不是平均工作。拿出 5 个最难的未解决工单,用同样的提示分别跑 Fable 5.2 的 High effort 和 Opus 5.5 的 Max effort。Anthropic 自己的数字说,Fable High ≈ Opus Max,每个任务成本大约一半。如果 Fable 在你的工单上赢不了至少 3 个,那就留在 Opus——光是标价降了,不构成换模型的理由。
- 对必须完全正确的 agent 输出,要求一个机器可检查的终点。费马那次运行之所以算数,是因为 Lean 编译通过了。迁移、重构、基础设施改动也一样:要求等价物——通过的测试套件、类型检查通过的构建、能编译的证明。不要只凭模型的口头保证就上线。
- 配人去做协调,而不只是选模型。如果 1000 个 agent 的一次运行能在 30 小时内完成单模型跑不完的工作,那你多日工作的瓶颈可能在编排——任务分解、共享状态、验证循环——而不是模型选择。本周试点一个长程任务,明确子 agent 的角色和评分循环,衡量完成度,而不是 token 数。
来源
- Anthropic,”Introducing Claude Fable 5.2 and Claude Mythos 5.2”,2026 年 11 月 9 日 — https://www.anthropic.com/claude-fable-and-mythos-5-2
- Artificial Analysis,Intelligence Index v5.0.1——Fable 5.2 在 Max effort 下 65 分,排名第一;Max 每个任务 26.54 美元,High 每个任务 9.08 美元(数字据 Winbuzzer 2026 年 11 月 10 日报道)— https://winbuzzer.com/2026/11/10/claude-fable-5-2-ai-posts-higher-coding-scores-xcxwbn/
- METR,”Independent Assessment of AI R&D Acceleration at Anthropic in October 2026”,2026 年 11 月 5 日 — https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/
- Anthropic,”Formalizing Fermat’s Last Theorem”,2026 年 9 月 4 日(2026 年 10 月 14 日更新)— https://www.anthropic.com/research/formalizing-fermats-last-theorem
Share on
Twitter Facebook LinkedIn☕ Buy me a coffee! 💝
If you found this article helpful, consider buying me a coffee to support my work! 🚀
