Claude Fable 5.2 对上 GPT-6 Astra、Gemini 4 Carbon：跑分到底谁领先新模型发布后，网上最容易看到的就是各种"登顶""碾压"的说法。真要拿来做选型参考，第一步不是看谁分数高，而是先搞清楚这些分数是谁出的题、在什么条件下跑的。这次对比有两组成绩，看结论之前必须先分清，不然很容易被单一榜单带偏。
官方内部评测：来自 Anthropic 自己发布的公告，题目和评分由厂商给出，表里同时列了对手模型的成绩。第三方综合指数：来自 Artificial Analysis 的标准化测试集，经 ModelSage 榜单聚合，更新于 2026 年 11 月 10 日。自家出题的评测，天然会偏向自己模型擅长的方向；第三方榜题目更标准化，但也分不同努力档位。另外同一个模型在 max、xhigh、high、medium 这些档位下，调用的算力和花的钱不一样，分数也会跟着变，横向比较时尽量挑同一档位看。下面两组分开说。

第三方综合智能指数：Fable 5.2 排在第一按 Artificial Analysis 综合智能指数（ModelSage 聚合的标准，分数越高越强），主要模型排名如下：
Claude Fable 5.2（max with fallback）：100.0，榜单第一。Claude Fable 5.2（xhigh with fallback）：96.3。Gemini 4 Carbon（high）：92.9。Claude Opus 5.5（max with fallback）：91.5。GPT-6 Astra（max）：88.1。GPT-6 Astra（xhigh）：85.6；high 档位 84.8。上一代 Claude Fable 5.1（xhigh with fallback）：77.4。从这组数字看，Fable 5.2 综合登顶，比上一代 5.1 跳升明显；但 Gemini 4 Carbon 和 Opus 5.5 跟它的分差并不算大，GPT-6 Astra 在不同档位之间分数波动也不小。综合榜只能说明大致梯队，具体到干活的场景，还得看分项。榜单里的 fallback 指模型在低档位答不动时回退到更强档位，这部分也要算进实际成本，不能只看裸分。
官方内部评测：逐项摆出来看下面分项按 Fable 5.2、Fable 5.1、Opus 5.5、GPT-6 Astra、Gemini 4 Carbon 的顺序列成绩，数据来自 Anthropic 官方公告。
智能体编码 FrontierCode 2.0：49.1%（Fable 5.2，X high effort）／32.4%／45.5%／42.8%／41.1%（Gemini 为 medium effort）。智能体编码 FrontierSWE v2：69.9%／56.3%／62.3%／65.5%／61.2%。业务流程 AutomationBench：51.4%／31.4%／42.5%／41.4%／53.9%。科研 Terminal-Bench-Science 0.1：74.6%（Mythos 5.2 为 75.3%）／52.6%／58.7%／68.1%／64.8%。网络安全 CyScenarioBench：Mythos 5.2 76.3%／Mythos 5.1 61.7%／Opus 5.5 67.6%（无护栏对照）／GPT-6 Cyber 61%。漏洞重发现 CVE Rediscovery：Mythos 5.2 89.6%／Mythos 5.1 78.3%／Opus 5.5 81.3%（无护栏对照）。蛋白设计 De novo binder（24 小时）：Mythos 5.2 85.1%／Mythos 5.1 79.1%／Opus 5.5 82.6%（无护栏对照）。智能体搜证 WANDR（relaxed）：82.1%／68.7%／72.3%。
分项怎么读：强项和短板都要看编码：两项编码题 Fable 5.2 都排第一。但在 FrontierSWE v2 上，GPT-6 Astra 拿到 65.5%，和 69.9% 的差距只有几个点，谈不上被甩开。业务自动化：这一项 Gemini 4 Carbon 拿到 53.9%，反超 Fable 5.2 的 51.4%。说明在通用办公流程上，新 Claude 并不是全线碾压。科研：Fable／Mythos 5.2 领先，74.6% 对 GPT-6 Astra 的 68.1%，差距在 6 个点上下；Gemini 4 Carbon 64.8%，排在后面。智能体搜证：WANDR 上 Fable 5.2 82.1%，高于 Opus 5.5 的 72.3% 和上一代 68.7%，这一项是它提升比较明显的地方。网安与蛋白设计：这几项成绩来自受限开放的 Mythos 5.2，而且 Opus 的对照是去掉护栏的条件，两边条件不完全对等，公平性要打个折扣，不能直接当成同条件对决。跑分之外，实际选型还要看什么榜单题目大多是一次性答题或固定任务，落到日常使用里，还有几项分数体现不出来的东西。
响应速度：同样一个任务，是几秒出结果还是等几十秒，高频使用时差别很明显。稳定性：同一个问题换个问法，答案会不会前后矛盾，长任务中途会不会跑偏。护栏误拦：专业用户常会遇到合理请求被安全机制挡住，开放版 Fable 比 Mythos 护栏更重，误拦概率也要算进去。成本随用量变化：强档位分数高，但每次调用的费用也更高；调用量一大，价格差会被放大。还有一点容易被忽略：模型能不能接进你现有的工具和工作流，比如 API 稳不稳定、和云厂商怎么绑定、团队成员用不用得顺手。分数再高，接不进现有流程，落地时照样会卡壳。另外要注意，Fable 5.2 对所有付费用户开放，Mythos 5.2 只给通过认证的机构，普通用户能直接用到的其实是前者。
价格和速度：官方公布的数字标准版 Fable／Mythos 5.2：每百万输入 token 8 美元、输出 token 40 美元；输出速度比 5.1 最高快 30%。fast mode：每百万输入 16 美元、输出 80 美元，生成速度最高 2.5 倍。竞品单价在第三方榜单里折算标准不一，本文不直接横向比价。真要算成本，建议按自己实际的调用量和输入输出比例实测，榜单价格只能做参考。
一个实在的看法跑分能说明 Fable 5.2 处在第一梯队，编码和科研是它的强项；但"登顶"不等于样样第一，业务自动化上 Gemini 领先，部分网安数据还有条件限制。榜单看的是标准化题目，你自己日常要处理的任务是什么类型、输入多长、调用多频繁，这些榜单替你答不了。真要选型，拿自己的真实任务跑一轮，看答案质量、响应速度和单条成本，比反复看排名靠谱。
留个话题：你选 AI 工具更看榜单排名，还是看自己常用场景的实测效果？编码和科研这两项能力，你会更愿意为哪一个付费？评论区聊聊。