Benchmark Claude Fable 5.2: so với GPT-6.2 và Gemini 4
So sánh Fable 5.2 theo Artificial Analysis, Agent Arena, chi phí và cách đọc benchmark lập trình; ghi rõ cấu hình và giới hạn.
Claude Fable 5.2 đang đứng cao trong hai bảng tổng hợp được đối chiếu ngày 20/11/2026, nhưng kết quả đó không chứng minh model thắng mọi tác vụ. Artificial Analysis ghi Fable 5.2 Max với Default Fallback ở mức 65; Agent Arena Index ghi Fable 5.2 Max đạt 1448. Hai điểm này thuộc hai bộ đo khác nhau, không thể quy đổi trực tiếp.
Bài viết thay dữ liệu tháng 7 của Fable 5 bằng các cấu hình hiện tại: Fable 5.2, GPT-6.2 Astra/Sol, Claude Opus 5.5 và Gemini 4. Phần lịch sử vẫn giúp hiểu sự thay đổi, còn lựa chọn triển khai nên dựa trên dữ liệu hiện hành và bộ thử riêng. Xem đặc điểm Fable 5.2 và cách đọc benchmark nhiều hãng.
Fable 5.2 là model gì?
Anthropic công bố Fable 5.2 ngày 09/11/2026, tiếp nối Fable 5.1 và bản Fable 5 ra ngày 09/06. Đây là dòng phục vụ tác vụ khó, dài và nhiều bước, với cơ chế bảo vệ và fallback ở một số yêu cầu. Vì vậy một kết quả mang nhãn Default Fallback phải giữ nguyên nhãn ấy khi đem so.
Model hiện tại có context một triệu token và đầu ra tối đa 128.000 token theo danh mục Claude. Giá Standard vào/ra là 8/40 USD trên một triệu token; Fast có giá 16/80. Trang Fable mô tả quyền truy cập và điều kiện dùng.
Vì sao không dùng lại bảng tháng 7/2026?
Bảng gốc so Fable 5 với GPT-5.6 Sol, GPT-5.5, Opus 4.8 và Gemini 3.1 Pro Preview, dẫn từ một công bố của OpenAI. Đó là bối cảnh lịch sử và một nhà cung cấp tự chạy, không phải bảng xếp hạng toàn ngành hiện nay.
Hơn nữa, cả model, harness, mức reasoning và bộ đề đã thay đổi. Chênh lệch 59,9 với 58,9 trên một phiên bản index cũ không thể nối với 65 và 62 trên bảng mới thành biểu đồ tăng trưởng có ý nghĩa. Những ảnh điểm cũ được bỏ để tránh bị hiểu là kết quả của Fable 5.2.
Artificial Analysis Intelligence Index
Snapshot sau lấy trực tiếp từ Artificial Analysis ngày 20/11/2026. Điểm cao hơn là tốt hơn trong bộ tổng hợp của họ; cột chi phí và thời gian là kết quả trên workload đo, không phải giá thuê bao hoặc giá mỗi triệu token.
| Cấu hình chính xác | Index | USD/tác vụ | Phút/tác vụ |
|---|---|---|---|
| Fable 5.2 Max, Default Fallback | 65 | 26,54 | 41,5 |
| GPT-6.2 Astra Max | 62 | 4,00 | 14,3 |
| Gemini 4 Neon Xhigh | 61 | 6,44 | 21,5 |
| Gemini 4 Carbon High | 60 | 7,76 | 39,8 |
| Opus 5.5 Max, Default Fallback | 59 | 10,04 | 25,7 |
| GPT-6.2 Sol Max | 57 | 1,01 | 9,4 |
| Gemini 4 Hydrogen Xhigh | 54 | 3,16 | 15,7 |
Fable 5.2 Max có điểm tổng hợp cao nhất trong các cấu hình được liệt kê, đồng thời dùng chi phí và thời gian lớn hơn. Astra Max đạt 62 với chi phí/tác vụ khoảng 4 USD và thời gian 14,3 phút; Sol Max thấp điểm hơn nhưng chi phí khoảng 1,01 USD và thời gian 9,4 phút. Không nên biến quan sát này thành cam kết tốc độ cho mọi ứng dụng.
Neon Xhigh và Carbon High là hai cấu hình riêng của Gemini 4. Chênh lệch một điểm tổng hợp chưa nói được chất lượng tiếng Việt, ảnh chụp sản phẩm hay độ tin cậy trên tài liệu nội bộ. Khi bảng trực tiếp đổi, lưu ngày, tên đầy đủ và phương pháp để đọc lại.
Agent Arena Index
Agent Arena Index mới được công bố ngày 18/11/2026. Theo bài phương pháp của chủ bảng, chỉ số gộp hoàn thành tác vụ, phản hồi khen/chê, khả năng được điều hướng và độ tin cậy khi dùng Bash. Đây không phải điểm Elo Text Arena.
| Cấu hình | Agent Arena Index 20/11 |
|---|---|
| Fable 5.2 Max | 1448 |
| Opus 5.5 Max | 1336 |
| Gemini 4 Neon High | 1333 |
| Gemini 4 Carbon High | 1303 |
| GPT-6.2 Astra Max | 1291 |
| Gemini 4 Hydrogen High | 1271 |
| GPT-6.2 Sol Max | 1241 |
Các cột chi phí và thời gian của Arena phản ánh phép tổng hợp riêng, có cửa sổ dữ liệu gần đây; không so trực tiếp với cột USD/tác vụ của Artificial Analysis. Bảng còn tách Work, Coding, Chat, Task Outcome, Steering và Tool Use. Người cần agent terminal nên đọc đúng lát cắt, không chỉ một điểm tổng.
Alignment Index đánh giá một nhóm hành vi khác như hành động trái phép, gán nguồn sai hoặc báo hoàn thành sai. Model được ưa thích hoặc hoàn thành tốt vẫn cần đánh giá quyền hạn và độ trung thực trước khi giao công việc thực tế.
Lập trình: SWE-bench cần đọc đúng split
SWE-bench kiểm tra giải quyết issue trên repository. Trang SWE-bench chính thức phân biệt Verified gồm 500 issue đã lọc thủ công, bộ Full, Lite, Multilingual và các cách chạy. Một kết quả Bash Only với mini-SWE-agent không cùng điều kiện với agent thương mại có nhiều công cụ.
SWE-bench Pro là bộ đo khác với SWE-bench Verified. Không gắn lại số khoảng 80% của Fable 5 trong bảng lịch sử thành điểm Fable 5.2 Verified hoặc Pro hiện nay. Snapshot này chưa có cặp điểm mới từ chủ bộ đo với cùng split/harness cho tất cả model đang so, nên không điền số suy đoán.
Với dự án thực, hãy thử sửa bug, thêm tính năng và tái cấu trúc trên repo của bạn. Đo test pass, lỗi hồi quy, khả năng tuân thủ yêu cầu, số lần người phải can thiệp và tổng chi phí hoàn thành.
Coding Agent Index, terminal và tác vụ dài
Coding Agent Index chú ý cả lập kế hoạch, điều phối công cụ và hoàn thành thay đổi; nó không chỉ đo khả năng viết một hàm. Terminal-Bench đánh giá giải quyết công việc trong môi trường dòng lệnh. Kết quả phụ thuộc sandbox, agent harness, token budget, thời gian và công cụ.
Agents’ Last Exam hướng tới quy trình chuyên môn nhiều bước; GDPval-AA đánh giá chất lượng công việc theo thiết kế và thang điểm riêng. Không dùng điểm Elo lịch sử của GDPval-AA để giải thích Agent Arena Index mới, dù cả hai cùng liên quan công việc.
Bài gốc cho thấy một model có thể mạnh ở sửa repo nhưng kém hơn ở terminal hay tác vụ dài. Nguyên tắc ấy vẫn có ích. Tuy nhiên các số Terminal-Bench 2.1, ALE hoặc Coding Agent Index tháng 7 không đủ để khẳng định Astra/Sol 6.2 hay Fable 5.2 dẫn nhau ngày 20/11.
So chi phí đúng cách
Giá sau là Standard, USD trên một triệu token vào/ra, đối chiếu tài liệu model và bảng giá. Đây không phải chi phí hoàn thành một công việc.
| Model | Đầu vào | Đầu ra |
|---|---|---|
| Fable 5.2 Standard | 8 | 40 |
| GPT-6.2 Astra Standard, ngữ cảnh ngắn | 8 | 40 |
| GPT-6.2 Sol Standard, ngữ cảnh ngắn | 2 | 10 |
| Claude Opus 5.5 | 4 | 20 |
| Claude Sonnet 5.5 | 2 | 10 |
| Gemini 4 Neon | 3 | 15 |
| Gemini 4 Hydrogen | 1,50 | 7,50 |
Haiku 5.5 còn có bậc context ngắn/dài; Astra/Sol có điều kiện tính phí context dài và các chế độ xử lý khác. Cache, reasoning token, công cụ, batch và số vòng thử lại đều có thể đổi hóa đơn. Nguồn: Claude Pricing, OpenAI Models, Gemini Models.
Fable 5.2 và Astra 6.2 có cùng đơn giá Standard ngắn ở bảng này, nhưng chi phí/tác vụ của hai workload chủ benchmark khác nhau đáng kể. Vì vậy không kết luận ngang giá từ hai con số 8/40; cũng không kết luận mọi tác vụ sẽ có tỷ lệ chi phí giống bảng AA.
Fable 5.2 hay GPT-6.2?
Fable 5.2 là ứng viên nên thử khi chất lượng trên công việc khó đáng để trả thêm thời gian và chi phí. Astra 6.2 là ứng viên cho dự án phức tạp trong hệ sinh thái OpenAI; Sol 6.2 phù hợp để kiểm tra phương án tiết kiệm hơn cho workflow thường ngày. So sánh cần cùng dữ liệu, quyền công cụ và tiêu chí chấp nhận.
Không còn hợp lý khi dùng GPT-5.6 làm đối thủ hiện tại duy nhất. Bài GPT-6.2 giải thích Astra/Sol và giới hạn triển khai; lịch sử GPT-5.x vẫn hữu ích khi chuyển hệ thống cũ.
Fable so với Opus, Sonnet và Gemini
Opus 5.5 là điểm bắt đầu Anthropic khuyên thử cho công việc phức tạp; Sonnet 5.5 cân bằng hơn về đơn giá và lưu lượng. Fable cao hơn trong hai snapshot tổng hợp không có nghĩa phải dùng Fable cho phân loại ngắn, email hoặc mọi chatbot.
Gemini 4 Neon, Carbon và Hydrogen đem lại các điểm cân bằng khác. Với ảnh, âm thanh, video hoặc PDF, kiểm tra modality và endpoint thực sự được hỗ trợ, rồi thử dữ liệu thực. Không lấy bảng chỉ số văn bản làm kết luận chất lượng video.
Xem model Claude, model OpenAI và model Gemini để chọn ứng viên đúng vòng đời.
Sự cố tháng 6/2026 thuộc lịch sử Fable 5
Fable 5 từng bị tạm dừng ngày 12/06/2026 trong bối cảnh kiểm soát xuất khẩu theo thông báo của Anthropic, rồi được triển khai lại từ 01/07. Sự kiện đó không phải ngày phát hành hoặc trạng thái ngừng hiện tại của Fable 5.2.
Quyền truy cập model mạnh vẫn phụ thuộc quốc gia, tài khoản, nhà cung cấp và các điều kiện an toàn. Khi vận hành, chuẩn bị fallback và xử lý lỗi rõ ràng thay vì coi mọi request sẽ luôn đến đúng model nền.
Quy trình chọn cho doanh nghiệp
- Chọn 20–50 nhiệm vụ đại diện, gồm cả trường hợp thiếu dữ liệu, yêu cầu mơ hồ và thông tin xung đột.
- Ghi model ID, mức reasoning, fallback, prompt, tools, thời gian và ngân sách; giữ các điều kiện như nhau khi so.
- Chấm kết quả đúng, trích dẫn đúng, lỗi nguy hiểm, thời gian hoàn thành, số lần sửa và tổng phí.
- Chạy lại sau khi đổi phiên bản hoặc agent harness; giữ log đủ để điều tra nhưng tránh lưu bí mật.
- Dùng model rẻ cho bước dễ, chuyển sang model mạnh khi cần; kiểm tra chính sách chuyển model có làm thay đổi yêu cầu dữ liệu không.
Câu hỏi thường gặp
Fable 5.2 đứng đầu mọi benchmark không? Không. Snapshot hai bảng tổng hợp chỉ hỗ trợ kết luận trong cấu hình và bộ đo đã nêu.
Model nào tốt hơn cho code? Cần tách sửa repo, terminal, sinh mã và quy trình dài; chưa có bảng cùng điều kiện thì hãy chạy bộ thử riêng.
Có thể dùng lại điểm của Fable 5 không? Chỉ như dữ liệu lịch sử có ngày và nguồn; không gán sang 5.2.
Fable có luôn đắt hơn GPT không? Phụ thuộc model, processing tier và workload. Đơn giá token và chi phí hoàn thành là hai phép đo khác nhau.
Có nên dùng Fable cho mọi việc? Chỉ khi kết quả thử cho thấy lợi ích đủ bù tổng chi phí. Sonnet, Haiku hoặc model nhỏ của hãng khác có thể phù hợp hơn cho bước đơn giản.