Anthropic 新推出的 Fable 5.2 模型在数学基准测试(用于比较模型的标准化测试)上刷新了纪录,但对一线研究者来说,更有参考价值的衡量方式是:在普通的使用额度下,它面对真实的未解问题能做到什么。在一次这样的测试中,Fable 5.2 在一个收录了 40 多个博士级开放问题的仓库上连续工作了数小时,产出了 542,941 行代码、笔记和审计数据,外加一份整洁的三页报告。有记录可查的结果是经过审计的审慎进展,而不是最难的开放情形得到了彻底解决;每周的算力额度也在大约三到四小时内耗尽。
Anthropic 公布的 Fable 5.2 成绩
Fable 5.2 在 Anthropic 上一代旗舰 Opus 5.5 发布后不久问世。最受关注的一项成果是费马大定理证明的形式化,也就是把证明改写成计算机可以逐步检验的形式。据 Anthropic 介绍,1,000 个 Fable 5.2 智能体(并行工作的独立模型副本)用大约 28 到 30 小时完成了这项工作。最终得到的证明,长度只有此前计算机验证版本的七分之一。
Anthropic 让 Opus 5.5 执行了同一任务。18 小时后,它的完成度为 26%。
FrontierMath 是 Epoch AI 推出的专家级数学基准,各模型得分如下。
| 模型 | FrontierMath | FrontierMath Tier 4 |
|---|---|---|
| Fable 5.2 | 95.1% | 100% |
| GPT-6 Astra | 93.7% | 97.6% |
| Opus 5.5 | 约 91% | 未提供 |
Anthropic 还表示,Fable 5.2 为理论物理中两个此前悬而未决的问题贡献了全新的解法。
1,000 个智能体的运行规模,订阅用户用不上
费马大定理的成果动用了 1,000 个智能体,连续运行一天以上。消费级 Claude 订阅默认最多并行 20 个智能体,最高一档消费级套餐每月 $200。想在个人账户上复现这种规模的运行并不现实,因为每周额度几小时内就会用光。
正因为有这道差距,在真实研究项目上做的测试才有参考价值:它展示的是模型在个人研究者实际拥有的资源下能做什么。
测试内容:四年积累的随机酉矩阵开放问题
测试材料是博士四年研究期间积累下来的一个研究目录,其中有 40 多个关于随机酉矩阵谱性质的开放问题。具体问题涉及特征多项式导数在三种情形下的渐近矩:
- 单位圆内部
- 边界上
- 边界附近的微观尺度缩放下
维数 N = 2 的情形已在一篇博士论文中解决。N = 3 及更高维数在测试开始时仍未解决。

▲ 并行起草、计算与审计的智能体
运行是如何设置的
- 由较早的模型 Fable 5.1 Max 梳理仓库结构,并起草带有约束条件的初始提示词。
- Fable 5.2 Max 在 Anthropic 的编程与智能体工具 Claude Code 中运行,指向该研究目录。
- 提示词中使用了关键词 ultracode,它会触发多智能体针对各个子问题并行执行。
- 智能体阅读笔记、起草证明、编写 Python 脚本对论断做数值检验,并用纯文本笔记格式 Markdown 记录结论。
最初几小时发生了什么
从一开始活动量就很大。35 分钟内,智能体对仓库文件做了 9,000 多次编辑。Fable 5.2 更新了主 README 文件,为引理验证建立了子跟踪文件,并运行 Python 脚本对代数恒等式做数值检验。
算力消耗同样很快:
| 已用时间 | 已消耗的每周 Fable 额度 |
|---|---|
| 约 1 小时 | 53% |
| 约 3 到 4 小时 | 92%,随后 100% |
Anthropic 目前提供两次免费的 Fable 每周额度重置,有效期至 2027 年 3 月 9 日。借助这两次重置,工作得以继续,前后用掉了相当于三周的 Fable 额度。
产出了什么
Git 是记录项目变更的版本控制系统,它记下了 30 次提交,涉及 852 个文件。新增行数构成如下:
| 文件类型 | 新增行数 |
|---|---|
| JSON 验证审计日志 | 445,139 |
| Python | 70,565 |
| Markdown 笔记 | 24,908 |
| 其他文件 | 2,329 |
| 合计 | 542,941 |
最后,Fable 5.2 用数学论文常用的排版系统 LaTeX 编写了一份状态报告,生成三页的 PDF。报告涵盖酉矩阵特征多项式矩方面的严格结论,记录了一项标为 KF-1 的目标(固定 N 下的平面表示)的进展,其中 N = 2 已完成验证。报告还记录了五轮独立审计,共 16 份报告。这些审计发现并修正了表示定理中有关非一致性的表述。

▲ 海量原始产出与三页报告的对比
推进到了哪里,又停在了哪里
对照起点来看,结果似乎好坏参半,而这种参差本身颇有启发。报告中已验证的里程碑停在 N = 2,也就是原本已有解答的维数。有记录的里程碑中,并不包括 N = 3 这一开放目标的完整证明。照此理解,Fable 5.2 围绕已知情形搭建了一套经过检验的基础和审计记录,并顺带修正了不够精确的表述。有记录的结果中,没有任何一项表明这个开放问题已被解决。
有两个限制尤为突出。
- 算力。多智能体工作一小时就消耗了超过一半的每周额度,三到四小时则全部耗尽。
- 审阅。几十万行内容远远超出一个人逐行检查的能力。研究者最终只能依赖智能体自己生成的自动化审计框架,这也使得该框架的设计成为工作的核心部分。
与 Opus 5.5 相比的变化
Opus 5.5 本身已经足够实用,被深度整合进了数学研究工作流。就 Fable 5.2 报告的差异集中在三个方面。
- 持续工作的规模。在费马大定理的形式化上,Opus 5.5 在 18 小时后完成 26%,而 1,000 个 Fable 5.2 智能体用大约 28 到 30 小时全部完成。
- 基准得分。Fable 5.2 在 FrontierMath 上得分 95.1%,Opus 5.5 约为 91%。
- 写作风格。Anthropic 早期的模型在处理深层抽象时,有时会滑向带有猜测色彩、近乎形而上学的语言。Fable 5.2 则始终使用直接、严谨、可供审计的数学表述。
综合来看,Fable 5.2 在自主数学推理和科学文献综合方面似乎迈出了一大步。不过这只是基于单个研究项目得出的判断,并非普遍性的测量结果。
要点与行动建议
Fable 5.2 能够在真实的研究仓库上连续工作数小时,自行编写验证代码,对自己的论断做多轮审计,并用一份简短易读的报告总结工作现状。这次测试有记录的结果中不包含最难开放情形的解答,算力限制和庞大的产出量仍是实实在在的约束。
想尝试类似工作流的研究者可以这样做:
- 把项目整理成若干独立的 Markdown 跟踪文件,写明审计标准和基准真值标准,让智能体能够验证自己的工作。
- 在启动自主会话之前,先用一个能力强的模型通览仓库,并写出一份详尽的初始提示词。
- 让智能体编写 Python 脚本,独立检验恒等式和误差界。
- 把顶级模型的额度留给核心数学推理,常规编码和其他辅助任务交给更小、更便宜的模型。
- 在开始大规模运行之前,到账户的用量设置中查看额度重置情况,并做好多智能体会话在几小时内用完每周额度的准备。
- 仔细阅读最终报告和审计摘要,因为逐行审阅原始产出并不现实。


