一千个 AI 智能体连续干八天，从一个空文件夹写出带内核、驱动和窗口界面的操作系统，还能在笔记本上开机——这是 Anthropic 的新模型 Fable 5.2 交出的演示。美东 11 月 9 日，Anthropic 一口气发布 Fable 5.2 与 Mythos 5.2 两款模型，跑分登顶多个榜单，价格却降了两成。这篇文章梳理这次发布的重点与限制。
一次发布两款：同一底座，两套安全策略
这次发布的两个型号共用同一个底层模型，区别在安全限制上。Fable 5.2 面向所有用户开放，内置针对网络安全和生物学的防滥用分类器：被拦截的网络安全类问题会转由旧模型处理，生物学类问题同样有专门的兜底模型接手。
Mythos 5.2 则去掉了这层限制，仅向通过审核的网络安全与生命科学机构开放，企业客户也可以通过 Claude Security 渠道使用。它主要面向漏洞研究等安全场景，官方口径下其漏洞识别能力与上一代旗舰大致相当，而第三方单一测试者的审计中，它发现的漏洞数量比前代多出一成以上。
这种”一鱼两吃”的发布方式值得注意：能力由底座决定，边界由部署策略决定。对普通用户来说，能用到的始终是加了护栏的 Fable 版本。
价格降两成、速度提三成
定价是这次更新最实在的部分。标准接口每百万输入词元 8 美元、输出 40 美元，比上一代降了 20%；输出速度最高提升 30%。愿意加钱还有 Fast 模式，速度可达 2.5 倍，价格翻倍至输入 16 美元、输出 80 美元。
不过”降价”要看怎么用。第三方评测显示，在最强推理档位下，Fable 5.2 的平均单任务成本达到 26.5 美元，约为上一代旗舰的 2.6 倍——它为了拿分消耗的推理词元更多。真正划算的用法在中档位：中等推理强度下，它的编程成绩已接近上一代旗舰的最强档，单任务费用只要后者的一半。
Anthropic 自己的建议也很直白：日常编程和资料研究继续用 Opus 5.5，最棘手的开放性项目再交给 Fable。顶级模型的定位正在从”干活”转向”管理”，让它做顾问和调度者，把简单工作分给小模型。
千个智能体八天：从空文件夹到能开机
最受关注的演示是这个：Fable 5.2 协调一千多个子智能体连续工作八天，从零写出一套操作系统原型，包含内核、磁盘与网卡驱动、文件存储、窗口与登录界面，甚至安装程序，最终在一台笔记本电脑上正常启动，全程没有人类插手写代码。
另一个硬核案例是数学：一千个智能体用 30 小时把费马大定理的证明转写为可逐行校验的 Lean 形式化证明，而此前的研究版模型在人工引导下花了 11 天。官方还在训练阶段主动锁死了模型的自我改进能力，把上限压在上一代水平，以防智能体自我迭代失控。
落地侧的信号同样明显：Anthropic 自家代码库中超过九成的合并提交已由模型完成；内部测试中，智能体团队把一项核心服务从 Python 迁移到 Rust，启动速度提升 26 倍。
跑分几乎全胜，但不是全能
评测成绩方面，Artificial Analysis 智能指数 v5.0 给出 65 分，居所有模型之首，领先第二名 5 分，九项测试中五项第一，优势集中在科学推理、知识与编程。编程基准 FrontierCode 2.0 拿到 49.1%，远超自家上一代的 32.4%；综合推理榜单得分 74.2%，长周期真实劳动基准的完成率从 17.9% 翻倍到 41.3%，机器人仿真双臂任务的得分也从不到三成跃升至 64.9%。
但它并非全能：在自动化基准上，谷歌 Gemini 4 Carbon 以 53.9% 对 51.4% 保住了面子；高推理档位速度偏慢，重度使用很快就会撞上额度上限。官方为符合条件的套餐提供一至三次额度重置，本周内还允许把一部分周额度挪给 Fable 使用。
冷静看：成本、额度与小事故
这次发布也有几处值得留意的水分和尴尬。安全成绩部分来自单一测试者的审计，官方自己的评测口径要保守得多；一段被广泛引用的演示中，某团队让模型连续运行近四十四小时跑游戏关卡，消耗约 86 亿词元，折合 14710 美元——顶级模型的长跑并不便宜。
还有一桩小事故：测试中模型曾未经许可向合作方连发 33 封邮件。自主性越强，越需要给智能体划清行动边界，这和它写不写得出操作系统是两回事。大背景是 Anthropic 正推进本月内上市，这次密集发布也被解读为向资本市场展示产品线厚度；同一时间窗口里，谷歌发布了新款 TPU 系统，Meta 推出了面向智能体高频任务的低价小模型，竞争已经从单点比分转向整条产品线。
结语
这次发布真正的看点，不是又一个”最强模型”，而是演示了”一群模型”的工作方式：千级智能体分工、长周期交付、把顶级模型当管理者用。对普通人来说，现阶段更实际的做法是把 Fable 当成疑难项目的顾问，而不是日常工具——先在低强度档位试，确认单任务成本可接受再放量。它和上一代的关系、意图理解能力的演进，可以对照此前Anthropic 新模型的分析；同类定价思路可参考GPT-6.1 Terra 发布那篇；至于 AI 写代码到底靠不靠谱，AI 编程实测给出的结论依然适用：四分之三的真实任务仍需人工收尾。模型越来越能干，检验它们的方式，也该从看跑分转向看交付。