Fable 5.2 ve 12 testech: kde vede a kde ho konkurence předčí

Spolu s modelem Claude Fable 5.2 zveřejnil Anthropic 9. listopadu 2026 výsledky dvanácti testů. Porovnává v nich nový model s předchozím Fable 5.1, s vlastním Opus 5.5 a s konkurenčními GPT-6 Astra od OpenAI a Gemini 4 Carbon od Googlu. Testy pokrývají programování, ovládání počítače, vědecké úlohy, kancelářskou práci i řízení robota v simulaci. U některých testů konkurenční výsledek chybí a u části z nich se liší nastavené úsilí modelů. Anthropic, 9. listopadu 2026

Kde vede a o kolik

Graf ukazuje, o kolik procentních bodů je Fable 5.2 před nejlepším ze tří konkurentů v každém z jedenácti procentních testů. Předchozí Fable 5.1 do tohoto srovnání nezahrnujeme, porovnáváme jen s jinými produkty.

Náskok Fable 5.2 proti nejlepšímu konkurentovi

Rozdíl v procentních bodech proti nejlepšímu z Opus 5.5, GPT-6 Astra a Gemini 4 Carbon · měření Anthropicu

Fable 5.2 vedeFable 5.2 zaostává

1. RoboDojo Simproti Opus 5.564,9 vs. 39,4 %+25,5 p. b.
2. Remote Labor Indexproti Opus 5.541,3 vs. 21,3 %+20,0 p. b.
3. WANDRproti Opus 5.5ostatní neuvedeni+9,8 p. b.
4. Terminal-Bench-Science 0.1proti GPT-6 Astra74,6 vs. 68,1 %+6,5 p. b.
5. Humanity's Last Exam s nástrojiproti Opus 5.574,2 vs. 67,7 %+6,5 p. b.
6. FrontierSWE v2proti GPT-6 Astra69,9 vs. 65,5 %+4,4 p. b.
7. AA-Briefcase v1.1proti Gemini 4 Carbon66,1 vs. 61,8 %+4,3 p. b.
8. FrontierCode 2.0proti Opus 5.549,1 vs. 45,5 %+3,6 p. b.
9. OSWorld 2.1proti Opus 5.589,3 vs. 87,2 %+2,1 p. b.
10. Chartographyproti Gemini 4 Carbon73,4 vs. 72,5 %+0,9 p. b.
11. AutomationBenchproti Gemini 4 Carbon51,4 vs. 53,9 %−2,5 p. b.

Největší náskok má Fable 5.2 v úlohách, kde model pracuje dlouho a samostatně. V simulovaném řízení robota RoboDojo Sim získal 64,9 % proti 39,4 % u Opus 5.5. V Remote Labor Index, který měří reálné zakázky na dálku, splnil 41,3 % úloh, zatímco Opus 5.5 21,3 % a GPT-6 Astra 20,8 %.

V běžnějších disciplínách je rozdíl menší. V ovládání počítače OSWorld 2.1 vede o 2,1 bodu před Opus 5.5 a v práci s grafy Chartography o 0,9 bodu před Gemini 4 Carbon. Takový rozdíl může zmizet při jiném nastavení nebo jiné sadě úloh.

Ve dvou testech první není. V AutomationBench, který měří automatizaci pracovních postupů, má Gemini 4 Carbon 53,9 % proti 51,4 %. V kancelářském hodnocení AA-Briefcase podle bodů Elo vede Opus 5.5 s 1800 body proti 1785.

Co se zlepšilo proti Fable 5.1

Proti předchůdci si Fable 5.2 polepšil ve všech jedenácti procentních testech. Rozdíly jsou ale velmi nerovnoměrné.

Kde se Fable 5.2 zlepšil nejvíc

Rozdíl proti Fable 5.1 v procentních bodech · měření Anthropicu

1. RoboDojo Sim27,6 → 64,9 %+37,3 p. b.
2. Chartography44,8 → 73,4 %+28,6 p. b.
3. Remote Labor Index17,9 → 41,3 %+23,4 p. b.
4. Terminal-Bench-Science 0.152,6 → 74,6 %+22,0 p. b.
5. AutomationBench31,4 → 51,4 %+20,0 p. b.
6. FrontierCode 2.032,4 → 49,1 %+16,7 p. b.
7. FrontierSWE v256,3 → 69,9 %+13,6 p. b.
8. WANDR68,7 → 82,1 %+13,4 p. b.
9. Humanity's Last Exam s nástroji65,6 → 74,2 %+8,6 p. b.
10. OSWorld 2.183,5 → 89,3 %+5,8 p. b.
11. AA-Briefcase v1.161,5 → 66,1 %+4,6 p. b.

Nejvíc se zlepšil v řízení robota o 37,3 bodu, v práci s grafy o 28,6 bodu a v zakázkách na dálku o 23,4 bodu. V ovládání počítače a v kancelářském hodnocení AA-Briefcase, kde už Fable 5.1 dosahoval vysokých hodnot, přidal 5,8 a 4,6 bodu.

Celá tabulka

Test	Fable 5.2	Fable 5.1	Opus 5.5	GPT-6 Astra	Gemini 4 Carbon
FrontierCode 2.0 programování	49,1 % xhigh	32,4 % xhigh	45,5 %	42,8 %	41,1 % medium
FrontierSWE v2 softwarové inženýrství	69,9 %	56,3 %	62,3 %	65,5 %	61,2 %
AutomationBench automatizace postupů	51,4 %	31,4 %	42,5 %	41,4 %	53,9 %
Terminal-Bench-Science 0.1 věda v terminálu	74,6 %	52,6 %	58,7 %	68,1 %	64,8 %
WANDR agentní vyhledávání	82,1 %	68,7 %	72,3 %	neuv.	neuv.
OSWorld 2.1 ovládání počítače	89,3 %	83,5 %	87,2 %	79,5 %	81,5 %
RoboDojo Sim řízení robota	64,9 %	27,6 %	39,4 %	29,8 %	neuv.
AA-Briefcase v1.1 hodnocení rubrikou	66,1 %	61,5 %	61,2 %	52,0 %	61,8 %
AA-Briefcase v1.1 body Elo	1785	1669	1800	1569	1611
Remote Labor Index zakázky na dálku	41,3 % high	17,9 %	21,3 %	20,8 %	neuv.
Humanity’s Last Exam s nástroji	74,2 %	65,6 %	67,7 %	57,2 %	neuv.
Chartography práce s grafy	73,4 %	44,8 %	64,4 %	71,0 %	72,5 %

Zkratka neuv. znamená, že Anthropic výsledek neuvedl. V testu Terminal-Bench-Science dosáhl Claude Mythos 5.2 75,3 %. Úsilí je uvedeno jen tam, kde ho Anthropic v tabulce vyznačil.

Mythos 5.2 a kybernetická bezpečnost

Tři testy zveřejnil Anthropic jen pro Mythos 5.2, tedy pro podobu téhož modelu, kterou dostanou prověřené organizace v ověřovacích programech pro kybernetickou obranu a vědy o živé přírodě. Ve scénářích kybernetických útoků CyScenarioBench dosáhl 76,3 %, předchozí Mythos 5.1 61,7 %, Opus 5.5 bez ochranných opatření 67,6 % a GPT-6 Cyber 61 %. Při opětovném nalezení známých zranitelností CVE Rediscovery dosáhl 89,6 % proti 78,3 % u Mythos 5.1.

Pro bezpečnostní týmy z toho plyne praktický rozdíl. Běžně dostupný Fable 5.2 dotazy, které vyhodnotí jako rizikové v oblasti kybernetické bezpečnosti, předává méně schopnému modelu. Plné schopnosti v obraně dostane jen organizace zařazená do ověřovacího programu Anthropicu. Cyber Verification Program

Jak tato čísla číst

Všechny výsledky v tomto článku naměřil a zveřejnil výrobce. Nezávislý index Artificial Analysis potvrzuje, že Fable 5.2 je dnes nejvýkonnější měřený model, rozdíl je v něm ale skromnější: 65 bodů proti 60 u Gemini 4 Carbon a vede v pěti z devíti dílčích hodnocení. Podrobnosti uvádí náš článek k vydání Fable 5.2 a cenu za vyřešenou úlohu rozebírá srovnání nákladů.

Dva z konkurentů navíc běžná organizace nekoupí. Gemini 4 Carbon zpřístupňuje Google jen vybraným obráncům a partnerům a Mythos 5.2 jen prověřeným organizacím. Pro rozhodnutí o nasazení je proto rozumné vzít tabulku jako vodítko, které testy vyzkoušet na vlastních úlohách, nikoli jako hotový verdikt.

Anthropic: Fable a Mythos 5.2 · Systémová karta Fable 5.2 a Mythos 5.2 · Cyber Verification Program · Artificial Analysis: žebříček · Google: Gemini 4 Carbon