Claude Fable 5.2 發佈，high or max？ 上數據，看看質量和成本

Claude Fable 5.2 於 2026 年 11 月 9 日發佈，標準 API 單價比 5.1 低 20%。

很多團隊隨即會問：既然變便宜了，能不能直接開到 max？

本文把 Fable 5.2 high 和 Fable 5.2 max 放在同一個框架下比較，同時看質量和每任務成本。

核心價值：讀完本文，你會知道 Fable 5.2 的 high 和 max 分別在什麼條件下適用，也能拿到一份可以直接用來做升級驗收的記錄清單。

目錄

• to know：Fable 5.2 檔位選擇相關術語
• 1 Fable 5.2 的 high 和 max 改變的不是同一個單價
• 2 在同一張表內看 Fable 5.2 質量與成本
• 3 用獨立機構數據檢查 Fable 5.2 檔位趨勢
• 4 按任務用途選擇 Fable 5.2 檔位
• 5 用自己的驗收決定 Fable 5.2 是否升級到 max
• 常見問題 FAQ / Key Takeaways / 總結

to know

1 Fable 5.2 的 high 和 max 改變的不是同一個單價

不少人以爲檔位越高，單價越貴。實際上，在 Anthropic 官方標準費率下，Fable 5.2 的輸入是每百萬 token 8 美元，輸出是每百萬 token 40 美元，這個單價不隨檔位變化。

effort 改變的是模型在一個任務上投入多少思考，以及走多少步、耗多長時間、消耗多少 token。所以單價相同，任務賬單可以差好幾倍。

Fable 5.2 檔位如何影響賬單

在 Fable 5.2 中，自適應思考始終開啓，effort 決定的是思考投入的上限和傾向。檔位提高後，模型通常會做更多推理和工具調用，計費 token 隨之增加。

同樣是 10 萬輸入 token，如果輸出從 2 萬 token 增加到 4 萬 token，5.2 標準模式的費用會從 1.60 美元升到 2.40 美元，反而比 5.1 在原用量下的 2 美元還高。

另外要分清兩種”默認值”。官方模型文檔寫明 API 默認 effort 爲 high。Cursor 這類產品有自己的配置層，例如它的默認上下文是 300K，與 API 文檔中的 1M 規格不在同一層面。

還有一點：官方提示指南提醒，同名檔位在不同版本里的思考量可能不同，5.1 時期的檔位經驗不能原樣沿用到 5.2。

2 在同一張表內看 Fable 5.2 質量與成本

CursorBench 4.0 是 Cursor 在自有任務和工具環境中做的評測，不屬於通用獨立複測，但它把五個檔位放在同一個 Harness 下比較，適合觀察各檔位之間的相對變化。以下數據讀取於 2026 年 11 月 10 日。

注：tokens 列是基準頁面的聚合字段，不能理解爲只包含輸出量。來源：CursorBench 4.0。

Fable 5.2 high 到 max：3.1 個百分點與約 3.38 倍成本

在這張表裏，High 到 Max 的得分從 56.9% 升到 60.0%，提高了 3.1 個百分點。每任務成本從 9.70 美元升到 32.79 美元，約爲 3.38 倍，即增加了約 238%。

按本文計算，tokens 字段增加到約 3.55 倍，步數從 69 步增加到 218 步，約 3.16 倍。成本上漲主要來自思考和執行步驟的增加，與單價無關。

這組數據只能說明，在這個環境裏更高得分伴隨着明顯更高的花費。

Extra High 的反常結果怎麼讀

表中還有一個值得注意的現象：Extra High 比 High 貴約六成，得分卻低 0.6 個百分點。

💡 選擇建議：同一張表裏，檔位之間的差距纔可以比較；不同評測之間的數字不能拼在一起。如果你想在自己的任務上覆現類似對照，可以通過 API易 apiyi.com 的統一接口和調用日誌做對賬，前提是先確認平臺當日的模型 ID 與檔位支持情況。

3 用獨立機構數據檢查 Fable 5.2 檔位趨勢

只看一個評測環境，結論容易受環境本身影響。AA 是獨立評測機構，它的榜單可以用來檢查 Cursor 中觀察到的趨勢是否也出現在另一個環境裏。以下爲 2026 年 11 月 10 日的動態快照，方法版本爲 Intelligence Index v5.0.1。

65 不是 65% 正確率

AA 方法頁說明，v5.0.1 版指數由 9 項評測組成，四類能力各佔 25%。所以 65 是綜合指數分數，不是 65% 的正確率。在 AA 環境中，high 到 max 指數增加 3，每任務成本約爲 2.92 倍。high 和 xhigh 都是 62，只代表綜合分相同，不代表兩者逐任務的行爲完全一致。

兩個環境只能各自內部比較

兩個環境都呈現”max 分數更高、成本約爲 high 的 3 倍左右”的方向，這可以作爲趨勢上的相互印證。但 AA 和 Cursor 的任務、評分方式和成本算法都不同，不能把 AA 的 65 和 Cursor 的 60.0% 合併成一個正確率。

4 按任務用途選擇 Fable 5.2 檔位

官方提示指南給出了一套起步邏輯：API 從默認的 high 開始，根據自己的評估結果上調或下調；medium 偏向交互場景；xhigh 留給已經證明有額外收益的困難長任務；max 用於能力上限評估，或時間與 token 都不重要的少數任務。低檔位還要注意任務提前結束的風險。

Fable 5.2 場景推薦表

下面三種情景是假設情景，用來說明選擇思路。

選擇 Fable 5.2 high 的場景

• 大多數需要較強推理的 API 任務，並且已有明確的驗收標準；
• 團隊尚未建立檔位評估體系，需要一個官方推薦的起點；
• 請求量大、對單任務成本敏感的生產鏈路。

選擇 Fable 5.2 max 的場景

• 評估模型在某類問題上的能力上限；
• 少數失敗代價遠高於模型費用的開放問題；
• 已經用自己的樣本證明 max 能把通過率提到門檻以上，而 high 做不到。

🎯 技術建議：檔位選擇以任務分層爲單位，不需要爲每個請求單獨決定。官方推薦的最佳實踐是先用 high 跑通一批代表性任務。如果打算通過 API易 apiyi.com 統一接入，正式開跑前應先在平臺確認當日的模型 ID、分組、端點以及 effort 支持情況。

5 用自己的驗收決定 Fable 5.2 是否升級到 max

公開評測只能告訴你趨勢，是否值得升級要由你自己的驗收結果決定。下面的記錄清單可以直接使用，核心原則是每次只改變檔位這一個變量。

Fable 5.2 快速上手：先記錄 usage

下面的極簡示例只演示如何發起調用並記錄 usage。本文不提供 effort 參數的透傳寫法：Fable 5.2 是否已在平臺上線、effort 是否支持透傳，都需要以平臺當日文檔爲準。

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)

resp = client.chat.completions.create(
    model="YOUR_MODEL_ID",  # 填寫平臺當日確認可用的模型 ID
    messages=[{"role": "user", "content": "按驗收標準修復以下函數……"}]
)
print(resp.usage)  # 記錄 usage，用於後續對賬

import time
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# Anthropic 官方標準費率(美元/百萬 token)，僅用於估算，不代表實扣
RATE_IN, RATE_OUT = 8.0, 40.0

def run_task(task_id: str, prompt: str, model: str, effort_label: str, passed_fn):
    """跑一個任務並返回一條驗收記錄。effort_label 只是記錄用的標籤。"""
    start = time.time()
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}]
    )
    text = resp.choices[0].message.content
    u = resp.usage
    est_usd = u.prompt_tokens / 1e6 * RATE_IN + u.completion_tokens / 1e6 * RATE_OUT
    return {
        "task_id": task_id,
        "model": model,
        "effort": effort_label,
        "passed": passed_fn(text),          # 事先寫好的驗收函數
        "prompt_tokens": u.prompt_tokens,
        "completion_tokens": u.completion_tokens,
        "est_usd": round(est_usd, 4),       # 估算值
        "seconds": round(time.time() - start, 1),
        "output": text,                     # 保留失敗案例原文
    }

def quota_to_usd(quota: int) -> float:
    """平臺日誌中 quota ÷ 500000 即美元實扣。"""
    return quota / 500000

API易 的日誌文檔列出了 model_name、prompt_tokens、completion_tokens、quota、duration_for_view、request_id 等字段，其中 quota÷500000 就是美元實扣，other 字段包含分組倍率等補充信息。用 request_id 把驗收記錄和日誌關聯起來，就能按”通過的任務”計算實際花費，而不是隻看單次請求的費用。

🚀 快速開始：如果想先用小樣本驗證流程，可以在 API易 apiyi.com 註冊後使用新用戶免費測試額度，跑通”同任務、單變量、記實扣”這套記錄方法，再決定是否擴大樣本。

最終判斷原則是：先看 high 是否滿足質量門檻。滿足的話，就不需要爲高出的那幾個百分點支付約 3 倍的費用。只有 high 達不到門檻、max 能達到時，纔去比較 max 多出的成本是否低於失敗或返工的代價。不建議把 max 設爲所有請求的默認值。

常見問題 FAQ

Fable 5.2 high 和 max 核心要點 Key Takeaways

• 單價不變，賬單會變：effort 改變思考量和步驟數，同價位下任務成本可能相差數倍
• API 默認 high：官方建議從 high 起步，再按自己的評估結果上調或下調
• Cursor 對照：high 到 max 提高 3.1 個百分點，成本約爲 3.38 倍
• AA 對照：指數從 62 升到 65，成本約爲 2.92 倍；65 不是正確率
• 環境不能合併：兩組評測只能各自在內部比較，不能拼成統一的性價比分
• max 留給少數任務：適用於能力上限評估和高價值開放問題
• 用實扣驗收：同任務、單變量、記錄 usage，可藉助 API易 apiyi.com 日誌對賬

總結

Fable 5.2 high 和 max 的選擇可以歸納爲三點：

1. 區分單價與任務賬單：檔位不改變單價，改變的是投入量。
2. 在同一環境內讀數據：Cursor 與 AA 都顯示 max 分數略高、成本約爲 high 的 3 倍左右，但兩者不能合併比較。
3. 以驗收門檻爲準：high 能過門檻就保持 high；只有 high 不達標而 max 能達標時，才比較增量成本與返工代價。

對大多數團隊來說，比較穩妥的做法是先在 high 上建立任務分層和驗收記錄，再挑出少數高價值任務單獨評估 max。推薦通過 API易 apiyi.com 用統一接口和調用日誌在自己的樣本上快速驗證，確認模型與檔位支持後再擴大規模。

📚 參考資料

1. Anthropic 發佈公告：Fable 與 Mythos 5.2 的發佈範圍與廠商自評
2. 鏈接： anthropic.com/claude-fable-and-mythos-5-2

3. 說明：發佈日期爲 2026-11-09，包含速度口徑與評測表

4. Claude API 定價：官方標準費率

5. 鏈接： platform.claude.com/docs/en/about-claude/pricing

6. 說明：Fable 5.2 輸入/輸出爲 8 / 40 美元每百萬 token

7. Fable 5.2 模型規格：上下文、輸出上限與默認 effort

8. 鏈接： platform.claude.com/docs/en/models/fable-5-2/overview

9. 說明：自適應思考始終開啓，API 默認 high

10. Fable 5.2 提示指南：官方的檔位選擇建議

11. 鏈接： platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-2

12. 說明：medium、high、xhigh、max 各自的適用場景

13. CursorBench 4.0：Cursor 自有環境中的五檔評測

14. 鏈接： prod.cursor.com/evals

15. 說明：工具提供商自有評測，不屬於通用獨立複測

16. Artificial Analysis 模型榜單：獨立機構動態榜單

17. 鏈接： artificialanalysis.ai/leaderboards/models

18. 說明：Intelligence Index 與每任務成本

19. Artificial Analysis 評測方法：Intelligence Index v5.0.1 的構成

20. 鏈接： artificialanalysis.ai/methodology/intelligence-benchmarking

21. 說明：9 項評測，四類能力各佔 25%

22. Cursor 如何比較模型質量：舊版基準的方法博客

23. 鏈接： prod.cursor.com/blog/cursorbench

24. 說明：僅用於理解設計思想，不適用於 4.0 的統計結論

25. API易 日誌查詢 API：日誌字段與實扣換算

26. 鏈接： docs.apiyi.com/api-capabilities/log-query
27. 說明：quota÷500000 爲美元實扣

作者：APIYI 技術團隊
技術交流：歡迎在 API易 apiyi.com 網站首頁聯繫我們，更多資料可訪問 docs.apiyi.com 文檔中心

延伸閱讀

• Fable 5.5 vs GPT-6.2 Astra：誰更強，怎麼選？6 個 demo 與 3 個不公平點:Fable 5.5 與 GPT-6.2 Astra 都有公開 demo，但沒有同題對比。本文梳理 6 個 demo 的證據等級、現役旗艦 Fable 5.1 與 GPT-6 Astra 的官方規格價格，並給出一套可重跑的選型評測方法。
• GPT-6.1 Terra 和 GPT-6 Luna 誰更適合批量自動化？用 4 組真實測試比較成本和準確率:Terra 的 Token 單價是 Luna 的 10 倍，準確率差距卻從 4.7 到 18.7 個百分點不等。本文用 Plotly、DualEntry、OSWorld 等真實測試數據，算清批量自動化中“每個正確結果”的真實成本。
• 別隻看 token 單價：估算一次任務完整成本的 7 個步驟:從輸入、輸出、推理、緩存、重試到校驗升級，用 7 個步驟把“每百萬 token 多少錢”換算成“每完成一次任務多少錢”
• 新模型長程任務驗證指南：5 步判斷新模型值不值得換:新模型發佈後，如何用自己的長程任務做對照驗證？本文給出 5 步流程、6 項評分指標和成本覈算方法，幫你判斷“值不值得換”。
• MiniMax M3.1 Flash 開源權重 10/23 放出：本地部署配置與 API 成本的 4 維對比:MiniMax M3.1 Flash 權重計劃 10 月 23 日放出，本文說明本地部署需要什麼配置，並從合規、調用量、運維能力、改模型需求 4 個維度對比自部署和直接調 API 的成本。