Anthropic 的 Claude Fable 5 以高昂价格领跑新行业基准

Artificial Analysis发布了六项新的行业性能指数，涵盖金融与会计、法律、医疗保健、战略与运营、工程和经济领域。这些指数基于美国O*NET职业分类中的任务定义，通过加权组合领域特定技能来评估模型。Anthropic的Claude Fable 5（启用Opus 4.8降级备用）在所有六个指数中排名第一，Claude Opus 4.8（max）在六项中五项位居第二，OpenAI的GPT-5.5（xhigh）在其余两项中居第二。

在Arena独立平台上，根据7月7日的排行榜，Claude Fable 5在文本竞技场、代码竞技场和代理竞技场中均列第一，是唯一在所有三个主要类别中领先的实验室。在代理竞技场中，Fable 5的得分比模型平均水平高16.58%，远超GPT-5.5的8.66%和GLM 5.2的6.62%。

在开源模型中，智谱AI的GLM-5.2（max）在五个行业指数中领先，工程指数中以53分排名第五，仅比Claude Sonnet 5和GPT-5.5低2分。DeepSeek V4 Pro（max）在战略与运营指数中以38分领先开源模型。

不同领域排名变化显著。Google的Gemini 3.5 Flash、Gemini 3.1 Pro Preview、OpenAI的GPT-5.5、Anthropic的Claude Sonnet 5以及GLM-5.2在第二梯队中交替位置。

顶级性能伴随高昂成本。DeepSeek V4 Flash（max）处理所有六项指数任务的总成本低于每任务0.04美元，得分处于中游。GLM-5.2在开源模型中性能最优，成本为每任务0.26至0.58美元。相比之下，Claude Fable 5在战略与运营指数中每任务成本高达3.48美元，比DeepSeek V4 Pro（max）的0.03美元高100倍以上，而性能领先仅12点。

这引发企业关于性价比的讨论。一种策略是使用强大的编排模型将任务分发给更便宜的工人模型，或先用前沿模型验证任务的可解性，再寻找最便宜且能完成任务的模型。

美国经济学家兼LLM爱好者Ethan Mollick认为，Fable 5的性能飞跃可能无法被当前基准完全捕捉，但这一观点尚无证据支持。此外，GPT-5.6计划于报道次日发布，可能改变竞争格局。

基准方法本身存在局限：它们基于职业分类的静态任务定义，可能无法完全反映动态行业需求。Artificial Analysis声称所有基准独立运行，方法已公开，但第三方的验证仍需关注。