Claude Fable 5.2 و Mythos 5.2

ما Claude Fable و Claude Mythos را ارتقاء داده‌ایم - مدل‌هایی که برای مقابله با چالش‌های فنی ترسناک طراحی شده‌اند.

Claude Fable 5.2 و Claude Mythos 5.2 پیشرفت هایی را در زمینه هایی مانند کدنویسی، استدلال و بینش نشان می دهند. در طول آزمایش پیش‌انتشار، آنها به مهندسان ما کمک کردند تا مهاجرت‌های نرم‌افزاری غیرممکن را تکمیل کنند، سه دستگاه الکترونیکی کارآمد را از ابتدا طراحی کردند، دو مشکل باز در فیزیک سیاه‌چاله‌ها را حل کردند، پیشرفت قابل‌توجهی در ارزیابی‌های رباتیک داشتند و اثبات آخرین قضیه فرما را در 30 ساعت رسمی‌سازی کردند - از جمله بسیاری از کاربردهای دیگر که در زیر به آن‌ها خواهیم پرداخت.

کلود فابل و کلود میتوس همان مدل زیربنایی هستند. Fable دارای امنیت سایبری و حفاظت های زیست شناسی قوی برای محافظت در برابر سوء استفاده است که به ما امکان می دهد آن را در دسترس همه کاربران قرار دهیم. سازمان‌هایی که به دنبال کاربردهای مفید در امنیت سایبری یا تحقیقات زیست پزشکی هستند، می‌توانند برای دسترسی به Mythos از طریق برنامه‌های علوم زندگی و تأیید سایبری که اخیرا توسعه یافته‌اند، درخواست دهند.

ایمنی و تراز. برای کمک به اطمینان از ایمنی و همسویی با قابلیت‌های رو به رشد مدل، آزمایش‌های ایمنی پیش از انتشار گسترده‌ای را روی مدلی انجام دادیم که زیربنای Fable 5.2 و Mythos 5.2 است. این شامل توسعه ارزیابی‌های جدید است که بینش عمیق‌تری را در مورد رفتارهای خاص مانند فرار از جعبه شنی ارائه می‌دهد. ما بر این باوریم که ریسک‌های پرمخاطره ناشی از عدم همسویی کم باقی می‌مانند و این مدل در اکثر معیارهای همسویی به همان خوبی یا بهتر از مدل‌های اخیر ما عمل کرد.

حفاظت‌های سایبری و زیست‌شناسی Fable 5.2 به اندازه موارد Fable 5.1 قوی هستند، اما بلوک‌های غیرضروری کمتری تولید می‌کنند، و ما قوی‌ترین محافظت‌های خود را در برابر حملات تقطیر اجرا کرده‌ایم.

در زیر بیشتر در مورد تست ایمنی خود توضیح می دهیم و جزئیات کامل را می توانید در کارت سیستم Claude Fable 5.2 و Mythos 5.2 پیدا کنید.

زمان استفاده از Claude Fable 5.2 و Mythos 5.2. Fable و Mythos برای جاه طلبانه ترین و بازترین کارهای فنی بهترین هستند. برای اکثر کارهای کدنویسی و دانش، توصیه می‌کنیم که کاربران با Claude Opus 5.5، قوی‌ترین درایور روزانه ما شروع کنند و سپس بسته به وسعت و پیچیدگی کارشان، به مدل‌های متفاوتی در صورت نیاز تغییر دهند - به سمت بالا به Fable یا Mythos، یا به پایین تا Claude Sonnet 5.5 یا Claude Haiku 5.5.

Fable 5.2 همچنین می‌تواند نقش مشاور (که در آن مدل‌های هایکو، سونت یا Opus برای کمک به حل مشکلات سخت‌تر با آن مشورت می‌کنند) یا ارکستراتور (که وظایف ساده‌تری را به مدل‌های کوچک‌تر واگذار می‌کند) را بازی کند.

عملکرد معیار. جدول بنچمارک های زیر نشان می دهد که Claude Fable 5.2 و Mythos 5.2 تقریبا در تمام قابلیت هایی که ما ارزیابی کردیم، یک پله بالاتر از Opus 5.5 هستند:

برای جزئیات بیشتر در مورد روش ارزیابی، به کارت سیستم Claude Fable 5.2 و Claude Mythos 5.2 مراجعه کنید. امتیازات برای Fable 5.2، Fable 5.1، و Opus 5.5 نتایجی را نشان می‌دهند که پادمان‌هایی روشن دارند، مگر اینکه خلاف آن ذکر شده باشد. همه امتیازها بالاترین تلاش هر مدل را نشان می‌دهند، مگر اینکه خلاف آن ذکر شده باشد. † در CyScenarioBench، امتیازات هر آزمایشگاه بر اساس وظایف منحصر به فرد است. ‡ RoboDojo Sim بالاترین تلاش موجود را نشان می‌دهد و به صورت داخلی اجرا می‌شود.

تلاش و کارایی. در تلاش متوسط ​​(پیش‌فرض در برنامه‌های کلود و کد کلود)، Fable 5.2 می‌تواند کارهای چالش برانگیز را با توکن‌های کمتری نسبت به Fable 5.1 انجام دهد. در آزمایش اولیه ارزیابی FrontierCode 2.0، Fable 5.2 at High تلاش تقریبا با Opus 5.5 در حداکثر تلاش، تقریبا نیمی از هزینه هر کار، امتیاز کسب کرد. در تلاش Xhigh، همچنین بالاترین امتیاز را در بین هر مدل عرضه شده آزمایش شده کسب کرد.

FrontierCode اندازه گیری می کند که آیا تغییرات کد یک مدل توسط نگهبانان مخازن منبع باز ادغام می شوند یا خیر. در تلاش High، Fable 5.2 تقریبا با بهترین امتیاز Opus 5.5 (45.3٪ در مقابل 45.5٪) تقریبا نیمی از هزینه هر کار، و با تقریبا همان هزینه از بهترین امتیاز GPT-6 Astra (42.8٪) بالاتر است. در تلاش Xhigh، Fable 5.2 به 49.1٪ می رسد، بالاترین امتیاز در بین هر مدل منتشر شده ای که ما آزمایش کرده ایم.

معیار WANDR Perplexity عوامل را در وظایف جمع آوری داده های بزرگ اندازه گیری می کند. در تلاش متوسط، Fable 5.2 با امتیاز برتر Opus 5.5 برای حدود 40٪ از هزینه هر کار مطابقت دارد.

BenchCAD 2.1 مهندسی سخت‌افزار را اندازه‌گیری می‌کند، به‌ویژه اینکه طرح‌های یک مدل چقدر با هندسه مرجع و مدار مطابقت دارند، و با اعتبار جزئی امتیاز 0-100 می‌گیرد. در مکس تلاش، Fable 5.2 امتیاز 83.5 را به دست آورده است، بالاتر از Opus 5.5 (65.3) و Fable 5.1 (44.4).

Humanity’s Last Exam (HLE) آزمونی برای دانش و استدلال علمی در سطح متخصص است. در تلاش کم، Fable 5.2 با امتیاز برتر Opus 5.5 برای کمتر از یک دهم هزینه هر کار مطابقت دارد.

چارتوگرافی آزمایش می کند که یک مدل با چه دقتی می تواند نمودارها و شکل ها را بخواند. در تلاش متوسط، Fable 5.2 با کمتر از یک دهم هزینه هر کار، امتیاز 66.4% را از Opus 5.5 در حداکثر تلاش (64.4%) کسب می کند.

بیش از 90 درصد از تغییرات ادغام شده در پایگاه کد اصلی Anthropic اکنون توسط کلود (با راهنمایی انسان) نوشته شده است. ما از Fable 5.2 برای رفع اشکالات سرسخت در عرض چند دقیقه، بهینه‌سازی عملکرد در تمامی سرویس‌هایمان و تکمیل پروژه‌های نرم‌افزاری با ارزشی که در غیر این صورت بسیار کند یا بسیار پرهزینه بودند، استفاده کرده‌ایم. تیمی از عوامل اجرای نسخه قبلی Fable 5.2 یک سرویس تولید حیاتی را از پایتون به Rust منتقل کردند - این سرویس اکنون کارآمدتر، قابل اعتمادتر است و حدود 26 برابر سریعتر شروع به کار می کند.

ما دریافتیم که Fable 5.2 از قضاوت مهندسی قوی استفاده می‌کند و می‌تواند نتایج باکیفیتی را حتی از درخواست‌های مبهم ایجاد کند.

به عنوان یک آزمایش، یکی از مهندسان Anthropic وظیفه طراحی یک سیستم عامل اولیه را به Fable 5.2 داد. این مدل با شروع از یک پوشه خالی، بیش از 1000 عامل فرعی را هماهنگ کرد، و به مدت هشت روز به صورت شبانه روزی مشغول نوشتن، آزمایش و بررسی کد بود. این سیستم عاملی تولید کرد که روی لپ‌تاپ بوت می‌شود، با هسته مخصوص به خود که دستگاه را اجرا می‌کند، درایورهای دیسک، صفحه کلید و شبکه، ذخیره‌سازی فایل‌های دائمی، ویندوز، صفحه ورود به سیستم، نصب‌کننده و عملکرد داخلی Claude (ویدیو زیر را ببینید).

آزمایش کنندگان اولیه تحت تأثیر موفقیت آمیز بودن مهارت های کدنویسی Fable 5.2 برای طیف گسترده ای از وظایف قرار گرفته اند:

"این مدل در ذهن من است. هدف پشت هر درخواستی را که به آن داده‌ام را درک می‌کند. من حتی یک بار هم مجبور نبودم بگویم "نه، منظورم این بود...". پروژه‌هایی که هفته‌ها همراه با مدل‌های دیگر در حال انجام بودیم، طی چند روز با Claude Fable 5.2 به پایان رسید و توسط هم تیمی‌هایمان تایید شد، و انسان‌هایی که کد آن را مرور می‌کردند کمتر بود.