Claude Fable 5 领跑新行业 AI 基准

关键信息

Artificial Analysis 表示，这些新指数基于美国 O*NET 的职业任务分类，并按各行业中技能出现频率进行重新组装和加权，且所有基准都独立运行。在开源权重模型中，GLM-5.2（max）在六个新行业指数里的五项中领先，而 DeepSeek V4 Pro（max）在战略与运营类别中领先开源权重模型。

资讯摘要

Benchmarking 平台 Artificial Analysis 新推出了六个面向行业的 Capability Indices，用来衡量 AI 模型在特定行业任务中的表现。新增类别包括金融与会计、法律、医疗健康、战略与运营、工程和经济学，并在平台原有的 Agentic 和 Coding 指标之外进一步扩展。该公司表示，这套方法基于美国 O*NET 职业分类体系，从真实工作任务中提炼行业技能，例如财务建模、法律检索与合同分析，以及临床决策支持。每个领域的基准集都会按该行业中某项技能出现的频率重新组装并加权，且所有基准都独立运行。结果显示，Anthropic 的 Claude Fable 5（带 Opus 4.8 回退）在全部八项指标中都拿到第一。Claude Opus 4.8（max）在八项中的六项位列第二，而 OpenAI 的 GPT-5.5（xhigh）则在剩余两项中排名第二。文章提到，计划次日发布的 GPT-5.6 可能会缩小与 Anthropic 现有模型之间的差距。更靠后的排名则按领域变化很大，Google 的 Gemini 3.5 Flash、Gemini 3.1 Pro Preview、GPT-5.5（xhigh）、Claude Sonnet 5（max）和中国的 GLM-5.2（max）会根据具体任务互换位置。

在开源权重模型中，GLM-5.2（max）在六个新行业指数中的五项领先，并在工程基准中以 53 分排到总榜第五，仅比 Claude Sonnet 5（max）和 GPT-5.5（xhigh）的 55 分低 2 分。战略与运营类别里，DeepSeek V4 Pro（max）是开源权重模型中的领先者，得分为 38 分。文章还指出，这些结果与 LMArena 7 月 7 日的榜单快照相吻合：Claude Fable 5 同时位居 Text Arena、Code Arena 和 Agent Arena 第一，使 Anthropic 成为唯一在三大主类中都领跑的实验室。尽管如此，文章强调顶级性能伴随着非常高的价格。DeepSeek V4 Flash（max）在六项指数上都能完成任务，每项成本低于 0.04 美元，但表现处于中游；GLM-5.2（max）的开源权重表现最好，每项任务成本约 0.26 到 0.58 美元。相比之下，Claude Fable 5 在战略与运营指数中的单任务成本为 3.48 美元，比 DeepSeek V4 Pro（max）每任务 0.03 美元贵出 100 多倍，而性能优势只有 12 分。文章最后说，企业界已经在讨论这种溢价是否值得，并提出一种折中方案：把强大的编排模型与更便宜的工作型模型组合使用，让昂贵模型先判断任务可否完成，再寻找最便宜且足够好用的模型。

资讯正文

Anthropic 的 Claude Fable 5 以高昂溢价在新的行业基准测试中占据主导地位

基准测试平台 Artificial Analysis 发布了 6 项新的面向 AI 模型的行业特定性能指标。Anthropic 的 Claude Fable 5 在每个类别中都位居第一，但更便宜的替代方案只需极小一部分成本就能完成任务。

当前 AI 模型在金融、法律或医疗等领域的行业特定任务上表现如何？Artificial Analysis 推出了 6 项新的 Capability Indices，用于比较 AI 模型在 Finance & Accounting、Legal、Healthcare & Medical、Strategy & Ops、Engineering 和 Economics 这六个领域中的表现。新的指标在该平台现有的 Agentic 和 Coding 指标基础上进一步扩展。

根据 Artificial Analysis 的说法，这套方法论基于美国 O*NET 系统中的职业分类。领域特定技能从其中定义的工作任务中提取，涵盖金融建模、法律研究与合同分析，或临床决策支持等内容。对于每个领域，基准测试套件都会重新构建，并按照某项技能在该行业中出现的频率加权。Artificial Analysis 表示，所有基准测试都独立运行。

Claude Fable 5 领跑全部 8 项指标

Anthropic 的 Claude Fable 5（在 Opus 4.8 作为回退模型的情况下）在全部 8 项指标中都拿到第一名。根据 Artificial Analysis，Claude Opus 4.8（max）在 8 个类别中的 6 个里排名第二，而 OpenAI 的 GPT-5.5（xhigh）则在剩下的 2 个类别中位列第二。定于明天发布的 GPT-5.6 可能会缩小 Anthropic 现有模型与 GPT-5.5 之间的差距。

在顶级阵营之下，各领域的排名差异明显。Google 的 Gemini 3.5 Flash、Gemini 3.1 Pro Preview、OpenAI 的 GPT-5.5（xhigh）、Anthropic 的 Claude Sonnet 5（max）以及中国的 GLM-5.2（max）会根据任务不同而互有领先。

在开源权重模型中，GLM-5.2（max）在 6 项行业指标中的 5 项里领先。以 53 分的成绩，GLM-5.2（max）在 Engineering 基准中总排名第 5，仅比 Claude Sonnet 5（max）和 GPT-5.5（xhigh）低 2 分，而这两者都拿到 55 分。在 Strategy & Ops 指标中，Deepseek V4 Pro（max）以 38 分拿下开源权重模型的领先位置。

Artificial Analysis 的结果与 LMArena 的最新数据一致。LMArena 是一个独立平台，数百万真实用户通过盲测对模型进行排名。根据 7 月 7 日的排行榜快照，Claude Fable 5 在 Text Arena、Code Arena 和 Agent Arena 中都排名第一。Anthropic 是唯一在这三个主要类别中全部领跑的实验室。

微弱的质量优势伴随着大得多的价格标签

顶级性能伴随着高溢价，而 Anthropic 的前沿模型尤其如此。根据成本分析，DeepSeek V4 Flash（max）在 6 项指标上的任务处理成本不到每项任务 0.04 美元，且得分处于中游。GLM-5.2（max）以每项任务 0.26 美元到 0.58 美元的成本，提供了最佳的开源权重模型表现。

相比之下，Claude Fable 5 在 Strategy & Ops 指标中的单项任务成本为 3.48 美元。这比 DeepSeek V4 Pro（max）的 0.03 美元高出 100 多倍，而领先幅度只有 12 分。此前的一项基准测试已经显示，与其有限的性能提升相比，Fable 5 的溢价相当高。

企业界已经在热议，这种性能差距是否足以证明价格的合理性。一种方案是把多个模型组合起来使用，由一个能力更强的编排器把任务交给更便宜的工作模型，以获得更高的单位成本价值。前沿模型也可以作为第一道检验，用来判断某个语言模型是否真的能够解决某项任务。一旦确认这一点，下一步就是找到在仍能完成工作的前提下最便宜的模型。

也有一些声音，比如美国经济学家、LLM 爱好者 Ethan Mollick，认为像 Fable 5 这样的模型所带来的性能跃升，当前基准测试根本还无法捕捉。不过截至目前，并没有证据能够支持这一说法。

所有指数，包括完整权重和基准测试组成部分，都可在 Artificial Analysis 网站上查看，同时也附有相关方法说明。

来源与参考

1. 原始链接
2. Anthropic's Claude Fable 5 dominates new industry benchmarks at a steep premium