Anthropic发布Fable 5.2，评测得分达DeepSeek两倍

国产大模型的下一代旗舰还在等，Claude 又更新了。

11 月 10 日凌晨，Anthropic 发布顶模Fable 5.2。实际上，Opus 5.5和Fable 5.0已经是很强的存在，新发布的Fable 5.2又在AA 的性能评测得分上，冲到了65 分，大肥鱼最新版DeepSeek V4.1 Flash（1017 Max) 是 33 分，分数差距已经接近两倍。

国产模型里表现更好的 Kimi K3.1 Pro 是 46 分，和榜首差了 19 分。

Artificial Analysis 智能指数

另一方面，是国产正代旗舰大底座长达两个多月没有更新，阿里 Qwen 4.0、Kimi K4、GLM 5.5 等传说中的下一代迟迟不来。要知道以前基本 20 几天到一个月时间内，国内模型大小迭代就会出现。

国产旗舰大基模突然陷入长达两个多月的集体“静默期”，甚至一个达到GPT 6 Astra的顶级模型还没有。

此前以 Kimi 3.1 Pro和Qwen 3.8 Max为代表的模型，已经把与顶级闭源模型的差距，拉近到3-4 个月的期限内，甚至模型在中文推理与特定编码榜单上，打出过反超表现。

但最近开始，国模似乎进入了断电期，一直没宣布新一代模型，这一代模型的研发时间明显更长，背后的原因究竟是什么？

01.

闭源模型持续加强

在Opus5.5发布后，曾在 X 上引起一阵子代码动画的热潮，Claude系列模型的Coding和审美能力，就被很多网友认为是独一档的存在。

这次 Fable 5.2发布后，很多方面的能力又获得了突破，特别是向超长周期的复杂科研与系统工程（Long-Horizon Tasks）等深水区推进，这是此前模型不太触及的领域。

以 Anthropic 公布的 Remote Labor Index 为例，这项评测关注复杂的远程工作任务。Fable 5.2 在高努力档拿到 41.3%，上一代 Fable 5.1 是 17.9%，Opus 5.5 是 21.3%。在科研终端任务评测 Terminal-Bench-Science 上，它的成绩则从 Opus 5.5 的 58.7% 提高到 74.6%。

这些方面带来的变化，官方用了几个案例来展示。

一个是 AI 生成操作系统实验。A 社工程师给了 Fable 5.2 一个空文件夹，它调度超过 1000 个子智能体，写代码、测试、修错，连续忙了 8 天。最后交出来的是一套能在笔记本上启动的操作系统原型。

另一个是科研领域，工程师用 1000 个 Agent、30 小时内把费马大定理做成形式化的案例，也足够吸引眼球。

此前重点比拼前端能力时，大家还是一时瑜亮。

Kimi K3.1 Pro在10月23日发布时，在旧版 AA 榜单上到过 55 分，距离当时的闭源头部只有 3 分左右（与当前 v5.0.1 榜分数不可直接比较），鹈鹕骑车、火箭发射这些SVG测试一度更好。Fable 5.2一出，这个窗口又被重新拉大，国模现在对有些前沿复杂案例还难以复刻。

网传近期发布的下一代国产模型

曾经横空出世的明星选手DeepSeek，在模型斩杀线和能力天花板方面，也开始出现进展缓慢的现象。一直呼唤的V4 Pro被回炉重造，新的V 4.1 Pro则不见踪影，反倒是在V 4.1 Flash上一直迭代，从0910更新了1017版本。

根据统计，截至 2026 年 11 月 10 日，国内四大核心基模家族的正代大底座——DeepSeek V4 Pro（4 月 24 日发布，已过去 200 天）、智谱 GLM-5.2（6 月 16 日发布，已过去 147 天）、月之暗面 Kimi K3（7 月 16 日发布，已过去 117 天）、阿里 Qwen3.8-Max（8 月 3 日发布，已过去 99 天）——四大正代旗舰的平均静默期已经高达 140.8 天（约 4.6 个月）。

四大正代旗舰静默期统计：平均 140.8 天

最近流传的一篇专家纪要显示，此前模型在Coding 领域有代码可验证、Agent 有 trajectory可寻迹，接下来模型发展的领域都是硬仗。

前沿进步方向转向空间理解、Computer use、视频生成，甚至是生物医药科研领域。因此模型差距正从 3-4 个月拉长到约12个月；若海外明年实现RSI，可能进一步拉到 18-24 个月之久。

02.

国模正暗自蓄力

当然，这些悲观言论并不一定正确，DeepSeek 2024 年的闪现，依然让大家相信国模有能力创造惊艳时刻。

但国产模型为什么迟迟等不到下一代，原因也需要更多的耐心和解释。

这其中，蒸馏肯定是绕不开的话题。Anthropic 在 10 月公布了新的防蒸馏措施（11月还有更严措施），包括限制新 API 账号修改模型推理上下文、识别提取推理内容的请求，以及封禁相关账号。按它自己的初步估计，这些措施让蒸馏者采集到的数据量，减少了约 90% 到 99%。

蒸馏这条捷径确实有效果，蒸馏代码评测能直接冲到 80.4%，而只拿精简答案去训只有 71.8%的结果，而这十个点的差距就是大模型最值钱的核心资产，也是拉开用户体验分数的核心。

Anthropic 曾在 IPO 招股时向投资人通报，“蒸馏”带来的收入占公司营收的 5% 到 7%，第三季度公司已经把这部分“大幅”削减。网上流传的算法是按二季度营收 115 亿美元算，对应约 5.75 亿到 8 亿美元。

Anthropic这家公司价值观问题就在这里体现，Tesla 和 SpaceX 创始人 Elon Musk 曾吐槽它「Anthropic 从人类程序员那里偷来的东西，他们怎么敢再偷一遍？？」

马斯克在 X 上的相关推文

包括已经向图书行业判赔偿 15 亿美元数据损失，这种铁证经常被其忽略，反倒经常指责别人蒸馏其数据，甚至误封很多正常用户，也不退款。

实际上，国模进展放缓的更主要原因，是这一代模型研发跨度确实大，无论是模型参数、MoE架构还是训练数据几乎都是推倒重来。

这从Z.ai 首席科学家唐杰在清华大学的一场讲座中，针对即将推出的 GLM-5.5（32B、122B 和 256B）的训练流程解读，可以一窥究竟。

据说他们这一代模型没有依赖公共数据集，而是从六个独立的内部引擎中抽取数据进行预训练，演讲课件列出的规模包括 1 万亿页网页、20 亿份文档、5000 万本图书、5 亿个代码仓库、100 亿个视频和 3 亿小时音频。

唐杰清华讲座课件（图源：讲座现场照片）

这些数据是百万亿级别，说明以智谱、DeepSeek、阿里、Kimi 为代表的国产第一梯队，正在集体把精力砸向底层这“100 万亿有效 Token”的重工业基建中。

当然，这也意味着头部模型大厂需要更多的显卡。目前国内头部每家厂商的等效 B 卡数，也许是在一万到几万张区间，而海外明年单个 AI lab 训练算力或达 4-6GW。

国产模型的算力缺口确实不容忽视，新一代模型参数基本是5T以上，这就需要足够的时间来解决这一切。

03.

实际落地差异化竞争

模型短暂的发布时间迟滞，其实对现在的实际应用环境来说，并没有特别巨大的影响。

普通用户使用 DeepSeek V 4.1 Flash已经能满足 90%以上的场景需求。

尤其落地企业商业等场景中，性价比的因素就显得尤为重要，而这方面恰好是国产模型的强项。

按当前官方价格，DeepSeek V4.1 Flash 1017 在高峰时段、输入未命中缓存时，每百万输入 Token 是 0.3 美元，输出是 1.2 美元；Fable 5.2 标准模式对应是 8 美元和 40 美元。只比较这两项牌价，输入相差约 27 倍，输出相差约 33 倍，DS 低谷时段计算口径近乎达到 60 倍。

开源权重还能本地部署或私有化。对大量企业场景来说，绝对智力天花板不是第一约束，稳定、可控、中文适配、数据不出域、长上下文高缓存命中才更关键。

Flash类模型在单次输入超过10万token、高缓存命中的场景里，单位成本优势仍然明显。尤其国内还有 Qwen3-8B 这类本地部署模型，在国内私有化场景被广泛采用，拥有一定的口碑优势。

OpenRouter 最近一个完整统计周的数据也显示，国产模型的调用规模仍在扩大。其中，DeepSeek 一家就处理了约 4.72 亿次文本请求，以 30.8% 的份额排在第一。再加上智谱、通义千问和腾讯，四家合计占了平台近 47% 的文本请求。