49.1% 对 42.8%。在 Anthropic 自己的发布表里，Claude Fable 5.2 在 FrontierCode 2.0 上比 GPT-6 Astra 高 6.3 个百分点，这是发布会最容易被截成海报的一行。新浪科技Anthropic
同一份材料里还有一句不好做标题的话：对大多数编程和知识任务，官方建议用户先从 Opus 5.5 开始，遇到复杂、开放的问题再往上切到 Fable。 厂商自己把“日常写代码”留给了上一代。Anthropic
所以“编程超 GPT-6 Astra”是真的，但它超的不是所有场景。把发布材料、第三方评测和上手记录放在一起看，真正能用的地方集中在三种活。
先说这 6.3 个百分点在量什么。FrontierCode 2.0 考的不是补全一段函数，而是模型对开源仓库做的修改能不能达到维护者愿意合并的标准。它更接近“把活干完”，不是“把代码写出来”。领先成立，但 6.3 个百分点谈不上碾压。
真正拉开差距的是任务变长之后。科研终端、机器人仿真、远程职业任务都涨了二十个百分点以上。 反过来，一轮就能答完的电脑操作 OSWorld 2.1，只从 83.5% 涨到 89.3%；知识工作 AA-Briefcase 从 61.5% 到 66.1%。规律是：任务越长、工具越多，涨幅越大。36氪
第一种能用的活，是仓库级改造。官方案例里，一支智能体团队把一项服务从 Python 迁到 Rust，启动速度快了约 26 倍。 Vercel 的 Joe Haddad 说，他们推了几周的项目，Fable 5.2 几天做完，人类审查时意见少了很多。这类活的前提明确：目标清楚、有测试兜底、有代码审查。它替的是排期，不是判断。Anthropic
第二种，是多智能体长跑。Anthropic 让 Fable 5.2 从空文件夹开始，协调 1000 多个子智能体，连续八天写出一个能在笔记本上启动的操作系统原型；另一个实验是 1000 个智能体形式化费马大定理。官方博客写的是 28.7 小时，写出的证明只有原来的七分之一长。Claude 官方博客
这里要泼一点冷水。官方把费马实验称为“玩具实验”，智能体一开始就拿到了 60 条待证命题、定义和 47 条已证引理。 研究员还发现，智能体容易低估难度、过早放弃，人类的鼓励仍然有用。它能跑通，但前提是沙箱、数据库、权限和审查都先到位。不是开箱即用。Claude 官方博客
第三种，是创意原型。小红书上有人让它写像素游戏，它没有上来就堆代码，而是先把任务拆成“写 HTML、在浏览器里实测”，再自己跑。 发帖时它还在生成，能不能跑通还不知道；但至少，实测进了计划，不是只交一段代码。手感和关卡节奏，估计还是得人来调。小红书
创作者 Riley Brown 用 Fable 5.2 生成 56 秒 3D 动画，租 10 张 GPU、渲 52 分钟，总共花了 5.75 美元。 成片什么都有，他自己看到第 7 秒却说“想死”。原型阶段很值，直接交付不行。小红书
日常、量大、单轮完成的编程，不该用它。Artificial Analysis 测下来，Fable 5.2 在 Max 档平均每个任务要 26.5 美元，是 Opus 5.5 同档 10 美元的 2.6 倍。 评测里生成了约 2.75 亿 token，同类中位数 7280 万。单价虽比上一代降了 20%，按任务算的总账反而更贵。36氪
effort 也不是越高越好。FrontierCode 上，Xhigh 档 49.1 分、单任务 14.19 美元；拧到 Max 反而降到 45.6 分，单任务 44.70 美元。 常规补丁任务，想得越久，越容易把两行修复做成一场重构。36氪
这道题很直白：这次活的产出，值不值单任务十几到四十多美元的推理成本？值，而且它足够长、足够难、有测试和审查接得住，就用 Fable 5.2；不值，或者只是日常改代码，Opus 5.5 仍是官方和成本表都指向的选项。
榜单第一，不等于今天就该换。Fable 5.2 的超车发生在长任务的最后几公里，不在每一次回车。
