Claude最强模型,把能力交给了1000个智能体

Claude最强模型,把能力交给了1000个智能体

11月10日,Anthropic放出Claude Fable 5.2和Claude Mythos 5.2。跑分榜上它们压过Fable 5.1、Opus 5.5和GPT-6 Astra,Artificial Analysis Intelligence Index v5给出65分,比上一代高16分。这些数字过两天就会被忘掉,值得记下来的是另外两个数字:一套能在笔记本上开机的操作系统,是1000多个子智能体连续跑了8天写出来的;费马大定理的完整形式化,由1000个Fable 5.2在30小时内完成。

一、成绩单先摊开,输的那两项也别漏

这次放的是双模型。Fable 5.2和Mythos 5.2底层共用同一个模型,差异只在安全策略:Fable带网络安全与生物领域的强化防护,对所有用户开放;Mythos走生命科学与网络安全核验通道,研究机构申请才给。距上一版发布过了61天。

价格同步下调20%,每百万输入token 8美元、输出40美元,输出速度最高提升30%。快速模式拉到2.5倍速,单价翻倍。Anthropic给的选型建议很清楚:绝大多数编程和知识工作交给Opus 5.5,难度上去了再切Fable或Mythos,轻量需求用Sonnet 5.5、Haiku 5.5。Fable还能当顾问替团队攻坚,或者做调度器,把简单任务分给便宜模型。

基准里有两处失手。办公流程自动化略输Gemini 4 Carbon,复杂知识工作的两两对战Elo略逊于自家的Opus 5.5。没有全面碾压,这个前提后面会用到。

二、30小时和11天,同一件事的两种做法

费马大定理的形式化,Anthropic做了两次。第一次用未公开的研究版本,配专门搭的调度框架,加一名研究员引导,耗时11天。第二次用1000个Fable 5.2组成的团队,30小时完成,人工介入极少。消耗的动作token是上一次的1/3,产出的证明代码长度压到1/7。

对照组更能说明问题。同样1000个智能体,Opus 5.5在18小时内只推进了26%,30小时之后基本停住。

差距不完全在单个模型身上。Opus 5.5并不弱,它扛不住的是协作方式:1000个实例并行推进时,谁能保持对进度的判断,谁能把中间结论收敛成可核验的代码,任务才往前走。Fable 5.2收到很短的提示词,自己搭出协同方案,全程没查数学参考文献,只靠一组中间定理陈述来对齐进度。

三、8天不间断,一套能开机的系统

另一个实验的规模更大。一名工程师让Fable 5.2从空白文件夹起步设计一套原型操作系统。模型调度了1000多个子智能体,不间断运行8天,代码编写、测试、评审全流程自己走完,最后交出一套能在笔记本电脑上启动的系统:带硬件调度内核,配磁盘、键盘、网络驱动,支持持久化存储、窗口界面、安装程序,还内置Claude能力。

工程侧的迁移案例更接近日常。一支基于早期版本的智能体团队把一项核心线上服务从Python迁到Rust,改造后启动速度提升约26倍。Anthropic自己的核心代码库里,已合入的变更超过90%是人工引导下由Claude写成的。

硬件也进来了。一段简短提示词,要求独立交付三套能正常工作的电子设备:家用语音助手中枢、USB会议免提音箱、手持电子宠物。模型自己写规格书、选器件、做四层板布线、用CAD建模外壳、写控制软件,一天内做到可投产状态。贴片厂做出板子后三台设备全部一次通电可用,没改电路。

四、能力为什么会被编排放大

并行不是新东西。变化落在三个地方。

上下文被切开。1000个实例各自处理一块可验证的子任务,单个实例的上下文不会被塞满,判断质量不会随着任务变长而塌掉。

失败可以廉价重复。一次试错只毁掉一个子任务,不影响全局;评审角色把关,坏结果进不了主干。

单价降下来了。同样的编排规模,价格比上一代低两成。1000个实例跑30小时,账能算平,这个账在一年前算不平。

三件事叠起来看,模型本身的提升是线性的那一小步,编排方式的变化才是数量级的那一步。榜单上那16分会被反复讨论,8天和30小时这两个数字才决定下一个项目怎么排。

五、给企业的一笔账

按这套逻辑重排工作,有三件事马上能动。

第一,主力模型和攻坚模型分开。日常编程、文档、知识问答留在Opus 5.5,把Fable 5.2留给开放式难题和跨系统改造。Anthropic自己就是这么建议的。

第二,把任务拆到可验证。编排的价值取决于颗粒度。子任务带明确验收标准,编译能过、测试能过、数字对得上,评审角色才有活干;颗粒度糊成一团,1000个实例只是在同一个坑里挖得更深。

第三,评审环节要留人。费马大定理那次能30小时收工,前提是有一组中间定理陈述用来对齐;服务迁到Rust能上线,前提是有人先定义了什么算跑通。判断标准写不清楚,规模只会放大噪音。

六、边界还在

宾大沃顿商学院的Ethan Mollick拿到体验资格后给出的说法是“几乎达到AGI”,他用的是锯齿形这个限定:某些方向到了人类专家水平,另一些方向还在原地。他做了三个测试,一部短片、把一个迷你USB键盘改成游戏机、一篇创业研究论文,后者被他评到远超二年级博士生的水平。这些都是单项深水区的表现,离全面覆盖还有距离。

安全策略的分叉也值得看清。同一个底座,对外卖带强化防护的Fable,把漏洞挖掘更强的Mythos放到核验通道后面。一家安全厂商的测试里,Mythos 5.2检出的已确认漏洞有1/6是其他前沿模型全部漏掉的,CVE复现基准比Opus 5.5高10.2%,比上一代Mythos高14.4%。上一代大约每20条结论里有1条夸大了危害等级,这一代没有出现夸大。能力向攻击面倾斜的那部分,被单独关进了门后。

Anthropic的IPO路演最快明天启动,发布踩在路演前一天,节奏不难读。对使用者来说判断标准简单一点:与其看它在榜上高多少分,不如看它能不能把一件说不清的事,拆成1000件说得清的事。

© 版权声明

相关文章

暂无笔记

您必须登录才能记录笔记!
立即登录
none
暂无笔记...