Claude Fable 5.2 за 30 часов формализовал доказательство великой теоремы Ферма
Claude Fable 5.2 and Mythos 5.2
Anthropic выпустила Claude Fable 5.2 и Claude Mythos 5.2 — одну и ту же базовую модель с разными защитными механизмами: Fable доступна всем, Mythos — через программы верификации для кибербезопасности и биомедицины. Команда из 1000 агентов Fable 5.2 формализовала доказательство великой теоремы Ферма за 30 часов при минимальном участии человека, тогда как Opus 5.5 за 18 часов осилил лишь 26%. Модель также решила две открытые задачи физики чёрных дыр, спроектировала три работающих электронных устройства и написала прототип операционной системы, координируя более 1000 субагентов восемь дней подряд.
Команда из 1000 агентов Fable 5.2 полностью формализовала теорему всего за 30 часов при минимальном вмешательстве человека.
- postalcoder
У меня была возможность попользоваться fable 5.2. Некоторые наблюдения:
- Anthropic наконец-то хорошо сбалансировала модели. То есть: Opus 5.5 настолько хорош, что я не чувствую FOMO по Fable, как было, когда Fable 5/5.1 противостоял Opus 4.8/5. А Sonnet 5.5 иногда заставляет меня забыть об Opus.
- Fable хорош, но вам действительно нужно поднять планку амбициозности вашего промпта, чтобы увидеть должное отличие от Opus 5.5. Лично мне трудно отличить Fable 5.2 от Opus 5.5 в обычных задачах по кодингу.
- Он намного быстрее и надёжнее: одна из худших вещей в fable 5.1 была его медлительность, а вдобавок к этому — как часто он страдал от переполнения максимального количества выходных токенов. С 5.2 у меня не было ни одной из этих проблем.
- Fable исключителен в рисовании. Его способность отрисовывать изображение с помощью JavaScript заставляет меня сомневаться в ценности специализированных моделей для изображений. Мне больше нравятся изображения, которые я получал от fable/opus, чем от gpt-image, дико думать, что мы дошли до этого.
- breakwaterlabs
- Почему они ставят Fable xHigh против Carbon Med?
- Как они получили такую странную кривую усилие-интеллект для Carbon, которая противоречит всем доступным бенчмаркам?
- Почему они оставили Carbon — позиционируемый в первую очередь как кибер-модель — вне единственного сравнения по кибер-бенчмарку?
- Почему они переключаются на сравнение с Argon (а не с carbon) для robodojo?
- kimseungyong
Самое большое облегчение — это то, что цена упала на 20%. Всё ещё дорого, но с моим планом за $100 использование Fable мгновенно подскакивало бы в тот момент, когда я начинал им пользоваться, так что это всегда был источник страха.
Я всё ещё буду использовать opus для общего проектирования кодинга, но для крупных проектов.
- yewenjie
> Наша первая формализация Великой теоремы Ферма, выполненная невыпущенной исследовательской версией Claude, заняла 11 дней. Она опиралась на специально созданную обвязку вместе с руководством исследователя-человека. Для сравнения, команда из 1000 агентов Fable 5.2 полностью формализовала теорему всего за 30 часов, с минимальным вмешательством человека. Fable 5.2 стартовала с минимальных промптов, выстроила собственные способы координации и не использовала математических ссылок — только список промежуточных формулировок теорем для оценки прогресса. Ей потребовалась треть action-токенов по сравнению с нашей первой формализацией, и она выдала доказательство в семь раз короче. Как видно на рисунке ниже, Opus 5.5 (с той же схемой из 1000 агентов) завершил лишь 26% формализации за 18 часов и едва продвинулся дальше после 30.
У большинства людей на самом деле нет интуиции о том, что значит двигать фронтир сейчас (потому что ИИ превзошёл всё, в чём они хороши, например, кодинг). Мы действительно внутри сингулярности (по определению Курцвейла, слегка перефразированному — время, когда технологии развиваются так быстро, что никто не может за ними уследить).
- bhu8
Мнение Итана Моллика и раннее тестирование Fable 5.2: https://www.oneusefulthing.org/p/fable-52-and-jagged-agi
- mercnz
я пытался использовать sonnet и opus, чтобы сдерживать расход на низком плане max, но сегодня заметил, что каким-то образом я уже израсходовал 80% недельного лимита. так что я пока не решаюсь даже пробовать fable 5.2, но поиск правильной точки баланса между расходом и размером модели даётся мне с трудом; одна из моих главных проблем — пытаться отказаться от исчерпывающего тестирования или других подобных вещей, которые съедают контекст, и вместо этого иметь программы, которые просто измеряют, что всё работает, но я постоянно натыкаюсь на то, что claude хочет повторять вещи для себя в adhoc-манере. я пробовал, чтобы fable руководил субагентами opus или sonnet, и наоборот. и я обнаружил, что часть проблемы с меньшими моделями, пытающимися руководить субагентами, в том, что они чрезмерно уточняли, какой, по их мнению, была проблема, вместо самой проблемы. типа, у них появляется «идея» об этом, которая неверна, и затем они пытаются скормить её субагенту.
- advaith08
Мы проводили раннее тестирование Fable 5.2 и были удивлены его способностями к кодингу. Он смог работать с эзотерической кодовой базой на Fortran в 600 тысяч строк, чтобы ускорить для нас некоторые вычислительные работы по материаловедению в 36 раз (!). Учитывая, что это можно было сделать за 2 дня, мы решили открыть результаты https://github.com/discovered-materials/dm_qe
- pookieinc
«Тестировщики обнаружили, что Fable 5.2 и Mythos 5.2 общаются более ясно, чем прошлые модели Fable и Mythos. Они генерируют вывод до 30% быстрее, чем Claude Fable 5.1 и Claude Mythos 5.1, и доступны по более низкой цене: $8 за миллион входных токенов и $40 за миллион выходных токенов».
Честно говоря, невероятно, что им удалось побить все бенчмарки, сделав при этом дешевле. Всегда рад видеть улучшения по более низкой цене.
Будет интересно посмотреть, что сделает OpenAI в ответ
- minimaxir
Было более чем несколько «утечек», говорящих, что он будет называться Fable 5.5, так что мне любопытно: а) утечки были просто приманкой для вовлечения или б) Anthropic изменила название, несмотря на то, что Fable 5.2 лучше Opus 5.5 — это сбивает с толку.
Удивительно, но модель доступна сразу в моём Claude Code: обычно есть задержка, либо из-за развёртывания, либо из-за безопасности.
- spacephysics
В какой момент мы действительно перестаём читать сам код? Пусть Sonnet/Opus пишут код, работают с агентами на высоком уровне, затем Fable делает код-ревью, и готово.
Любые найденные баги прогоняются через агентов для исправления, и цикл повторяется. Зачем копаться в коде, если не для хобби? Так же, как люди больше не пишут на ассемблере, если не для хобби (или обучения).
Единственное исключение — возможно, высшие эшелоны оптимизации, вроде авторов языков или работы на уровне компилятора. Но даже тогда…