Claude Fable 5.2 تو KingBench 4 به ۷۰ درصد رسید
خلاصهٔ کاملتر
KingBench 4 یه بنچمارک کدنویسیه که به مدل برای هر پروژه فقط یه پرامپت مفصل میده و خروجی رو بدون هیچ اصلاح یا بازخوردی نمره میده. شش پروژهش اینان: یه شبیهساز Game Boy/DS/3DS با Rust، یه جایگزین Docker، یه طراح سهبعدی اتاق، یه اپ شبیه VIA برای کیبوردهای QMK، یه کلون Pokemon Red و یه اپ دسکتاپ Fitbit. Claude Fable 5.2 اینجا ۷۰ درصد گرفته، در حالی که Opus 5.5 با ۵۷.۸ درصد اول بود و پنج مدل بعدی فقط ۳.۶ امتیاز با هم فاصله داشتن.
تو بنچمارکهای رسمی هم Fable جلوئه: تو Frontier Code 2 امتیازش ۴۹.۱ درصده، در برابر ۴۵.۵ برای Opus 5.5 و ۴۲.۸ برای GPT-6 Astra. ولی این عدد با سطح effort «خیلی بالا» گرفته شده. با effort معمولی high، یعنی تنظیمی که بیشتر آدما استفاده میکنن، به ۴۵.۳ میرسه و تقریباً همسطح Opus میشه. Artificial Analysis و Vals هم Fable رو اول گذاشتن، ولی تو swebench multimodal هنوز Opus 5.5 برندهست.
قیمت Fable 5.2 هر میلیون توکن ورودی ۸ دلار و خروجی ۴۰ دلاره، یعنی ۲۰ درصد ارزونتر از Fable 5.1. ولی Opus 5.5 با ۴ و ۲۰ دلار هنوز نصف قیمتشه. یه fast mode هم اضافه شده که تا ۲.۵ برابر سریعتر خروجی میده و دو برابر گرونتره. Context window یک میلیون توکن و سقف خروجی ۱۲۸ هزار توکن مونده. یه نکتهی مهم: پیشفرض effort تو اپهای Claude و Claude Code حالا medium شده، ولی API هنوز رو high هست.
به گفتهی مقاله، چیزی که بیشتر از همه به چشم میاد اینه که مدل قبل از کد زدن تحقیق میکنه. برای اپ کیبورد سورس واقعی QMK و VIA رو دانلود کرده تا پروتکل رو چک کنه. برای اپ Fitbit فهمیده گوگل یه هفته قبل API قدیمی Fitbit رو بسته و خودش رفته سراغ Google Health API. برای تست جایگزین Docker روی مک هم یه کرنل لینوکس دانلود کرده، یه VM launcher ساده نوشته و ۱۵۹ تست end-to-end اجرا کرده، بدون اینکه کسی ازش خواسته باشه.
بزرگترین شکست مال همون جایگزین Docker با اسم Skiff بود. قبل از جریمه ۷.۷ میگرفت و کانتینرها رو حدود ۱۵۰ میلیثانیه بالا میاورد، در برابر ۱.۷ ثانیهی Docker. ولی تستکنندهها دیدن یه image مخرب میتونه یه device file به دیسک میزبان بفرسته و فایلهایی رو بخونه که دسترسی root لازم دارن. Docker واقعی جلوی این کار رو میگیره. طبق قوانین KingBench هر container escape (یعنی فرار کانتینر از ایزولهش) امتیاز رو به ۳ محدود میکنه.
بقیهی پروژهها بهتر بودن: طراح اتاق با ۹.۲ بالاترین نمرهی کل KingBench 4 رو گرفت، اپ Fitbit با ۸.۰ و اپ کیبورد با ۷.۶ اول شدن، و شبیهساز با ۵.۸ رکورد زد ولی هستهی 3DS صدا نداره. Fable حاضر نشد Pokemon Red رو عیناً کپی کنه و یه بازی اوریجینال به اسم Kithbound ساخت که ۸.۴ گرفت. تو شبیهساز هم جلسهی اصلی قبل از تموم شدن کار یه زیرعامل خودش رو بست و README با placeholderهای خالی منتشر شد.
نکات کلیدی:
- Fable 5.2 تو KingBench 4 امتیاز ۷۰ درصد گرفت، Opus 5.5 قبلاً با ۵۷.۸ درصد اول بود.
- قیمت Fable 5.2 هر میلیون توکن ۸ دلار ورودی و ۴۰ دلار خروجیه، دو برابر Opus 5.5.
- پیشفرض effort تو Claude Code و اپها medium هست ولی API هنوز high هست.
- Context window یک میلیون توکن و سقف خروجی ۱۲۸ هزار توکن، بدون تغییر نسبت به 5.1.
- جایگزین Docker به خاطر یه container escape از ۷.۷ به ۳.۰ سقوط کرد.
- طراح سهبعدی اتاق با ۹.۲ بالاترین نمرهی تکپروژهی KingBench 4 رو داره.




