我们升级了 Claude Fable 和 Claude Mythos——这两款模型旨在攻克最艰巨的技术挑战。
Claude Fable 5.2 和 Claude Mythos 5.2 在编码、推理和视觉等领域展现出改进。在预发布测试中，它们帮助我们的工程师完成了原本不可行的软件迁移，从零设计了三个可工作的电子设备，解决了黑洞物理学中的两个开放问题，在机器人评估方面取得了实质性进展，并在 30 小时内形式化证明了费马大定理——以及我们将在下文讨论的许多其他应用。
Claude Fable 和 Claude Mythos 是同一个底层模型。Fable 具有强大的网络安全和生物学防护措施以防止滥用，这使我们能够将其提供给所有用户。在网络安全或生物医学研究领域寻求有益应用的组织，可以通过我们最近扩展的生命科学和网络验证计划申请访问 Mythos。
测试人员发现，Fable 5.2 和 Mythos 5.2 的沟通比过去的 Fable 和 Mythos 模型更清晰。它们的输出生成速度比 Claude Fable 5.1 和 Claude Mythos 5.1 快最多 30%，并且价格更低：每百万输入 token 8 美元，每百万输出 token 40 美元。
Fable 5.2 和 Mythos 5.2 还附带可选的快速模式，可将 token 生成速度提升最多 2.5 倍。快速模式的价格为每百万输入 token 16 美元，每百万输出 token 80 美元。
安全与对齐。为了帮助确保安全与对齐跟上模型能力的发展，我们对 Fable 5.2 和 Mythos 5.2 背后的模型进行了广泛的预发布安全测试。这包括开发新颖的评估方法，以更深入地了解诸如沙箱逃逸等特定令人担忧的行为。我们认为，来自失准的高风险仍然很低，并且该模型在大多数对齐指标上的表现与我们的近期模型相当或更好。Fable 5.2 的网络和生物学防护措施与 Fable 5.1 一样强大，但产生的误拦截更少，并且我们实施了有史以来最强的针对蒸馏攻击的防护。
我们在下文进一步描述了安全测试，完整细节可在Claude Fable 5.2 和 Mythos 5.2 系统卡中找到。
何时使用 Claude Fable 5.2 和 Mythos 5.2。Fable 和 Mythos 最适合最雄心勃勃、开放式的技术工作。对于大多数编码和知识任务，我们建议用户从 Claude Opus 5.5 开始——这是我们最强的日常主力模型——然后根据工作的范围和复杂性，按需切换到不同的模型——向上切换到 Fable 或 Mythos，或向下切换到 Claude Sonnet 5.5 或 Claude Haiku 5.5。Fable 5.2 还可以扮演顾问的角色（Haiku、Sonnet 或 Opus 模型咨询它来帮助解决更难的问题）或编排器的角色（它将更简单的任务委托给更小的模型）。
评估 Claude Fable 5.2 和 Mythos 5.2
基准测试表现。下面的基准测试表显示，在我们评估的几乎所有能力上，Claude Fable 5.2 和 Mythos 5.2 都比 Opus 5.5 更胜一筹：
| Fable 5.2 | Fable 5.1 | Opus 5.5 | GPT-6 Astra | Gemini 4 Carbon | |
|---|---|---|---|---|---|
| 智能体编码FrontierCode 2.0 | 49.1%Xhigh 努力 | 32.4%Xhigh 努力 | 45.5% | 42.8% | 41.1%中等努力 |
| 智能体编码FrontierSWE v2 | 69.9% | 56.3% | 62.3% | 65.5% | 61.2% |
| 业务流程AutomationBench | 51.4% | 31.4% | 42.5% | 41.4% | 53.9% |
| 智能体科学研究Terminal-Bench-Science 0.1 | 74.6%75.3%（Mythos 5.2） | 52.6% | 58.7% | 68.1% | 64.8% |
| 网络安全CyScenarioBench† | 76.3%Mythos 5.2 | 61.7%Mythos 5.1 | 67.6%无防护措施 | 61%GPT-6 Cyber | — |
| 网络安全CVE 重新发现 | 89.6%Mythos 5.2 | 78.3%Mythos 5.1 | 81.3%无防护措施 | — | — |
| 蛋白质设计从头结合剂设计（24 小时） | 85.1%Mythos 5.2 | 79.1%Mythos 5.1 | 82.6%无防护措施 | — | — |
| 智能体搜索WANDR（宽松分数） | 82.1% | 68.7% | 72.3% | — | — |
| 计算机使用OSWorld 2.1（离线集，部分） | 89.3% | 83.5% | 87.2% | 79.5% | 81.5% |
| 机器人RoboDojo Sim‡ | 64.9% | 27.6% | 39.4% | 29.8% | — |
| 知识工作AA-Briefcase v1.1 | 66.1%评分标准 | 61.5%评分标准 | 61.2%评分标准 | 52.0%评分标准 | 61.8%评分标准 |
| 1785Elo | 1669Elo | 1800Elo | 1569Elo | 1611Elo | |
| 知识工作远程劳动指数（RLI） | 41.3%高努力 | 17.9% | 21.3% | 20.8% | — |
| 多学科推理Humanity’s Last Exam（带工具） | 74.2% | 65.6% | 67.7% | 57.2% | — |
| 视觉图表识别Chartography（无工具） | 73.4% | 44.8% | 64.4% | 71.0% | 72.5% |
努力与效率。在中等努力（Claude 应用和 Claude Code 中的默认值）下，Fable 5.2 可以用比 Fable 5.1 更少的 token 完成具有挑战性的任务。在 FrontierCode 2.0 评估的早期测试中，Fable 5.2 在高努力下得分与 Opus 5.5 在最大努力下大致相当，而每个任务的成本约为其一半。在 Xhigh 努力下，它也在所有测试过的已发布模型中得分最高。
FrontierCode 衡量模型的代码更改是否会被开源仓库的维护者合并。在高努力下，Fable 5.2 的得分与 Opus 5.5 的最佳得分大致相同（45.3% 对 45.5%），而每个任务的成本约为其一半，并且以大致相同的成本领先于 GPT-6 Astra 的最佳得分（42.8%）。在 Xhigh 努力下，Fable 5.2 达到 49.1%，是我们测试过的所有已发布模型中的最高分。
FrontierCode 2.0准确率与成本
编码
如今，合并进 Anthropic 核心代码库的更改中，超过 90% 由 Claude 编写（在人类指导下）。我们已使用 Fable 5.2 在几分钟内修复顽固的 bug、优化我们所有服务的性能，并完成那些原本因太慢或成本太高而无法尝试的高价值软件项目。一个运行早期版本 Fable 5.2 的智能体团队将一个关键生产服务从 Python 迁移到 Rust——该服务现在更高效、更可靠，启动速度约快 26 倍。我们发现 Fable 5.2 展现出强大的工程判断力，即使面对模糊的请求也能产出高质量的结果。
作为一项实验，一位 Anthropic 工程师给 Fable 5.2 布置了设计一个原型操作系统的任务。从一个空文件夹开始，该模型协调了 1,000 多个子智能体，连续八天昼夜不停地编写、测试和审查代码。它产出了一个可运行的操作系统，能在笔记本电脑上启动，拥有自己的运行机器的内核、磁盘、键盘和网络的驱动程序、永久文件存储、窗口、登录屏幕、安装程序，以及内置的 Claude 功能（见下方视频）。
▶ https://cdn.sanity.io/files/4zrzovbb/website/36cbf7ed8431034d95a61bc6757fa975b26f0daf.webm
早期测试者对 Fable 5.2 的编码技能能够成功应用于广泛任务感到印象深刻：
引述
“这个模型懂我的心思。它理解我给出的每一条提示背后的意图。我一次都不用说‘不，我的意思是……’。我们用其他模型推进了数周的项目，在 Claude Fable 5.2 的帮助下几天内就完成并得到了队友的批准，而审查其代码的人也没什么可说的。”
公司Vercel
作者Joe Haddad，技术员工
网络安全
Claude Mythos 5.2 是我们用于网络安全工程的最强模型。它比我们之前的模型发现更多漏洞，并且更擅长复现和修复这些漏洞（请注意，Claude Fable 5.2 的防护措施会阻止大多数与网络安全相关的任务）。一家安全公司发现，Claude Mythos 5.2 发现的确诊 bug 中有六分之一被他们所测试的所有其他前沿模型遗漏。在我们的内部评估 CVE Rediscovery¹ 中，Claude Mythos 5.2 发现的漏洞比 Claude Opus 5.5 多 10.2%，比 Claude Mythos 5.1 多 14.4%。Claude Mythos 5.2 还展现出更好的判断力和校准能力——一位测试者发现，之前的模型大约每 20 项发现中就有 1 项夸大了严重性，而 Claude Mythos 5.2 没有夸大任何一项。²
CVE Rediscovery 是一项内部网络安全评估，用于衡量模型在给定某个 CVE 修复前项目快照的情况下，能够独立发现多少已发布的 CVE（Common Vulnerabilities and Exposures，通用漏洞与暴露）。我们 2026 年 10 月针对 1,829 个 CVE 的运行显示，Claude Mythos 5.2 在每个努力级别上都优于 Claude Mythos 5.1 和 Claude Opus 5.5。
CVE Rediscovery准确率与成本
Claude Mythos 5.2 的网络能力可通过我们的网络验证计划获取，我们正在继续扩展和改进该计划。Claude Enterprise 客户（即使他们不是网络验证计划的成员）也可以访问 Claude Security，它使用我们最强的模型（现在包括 Claude Mythos 5.2）扫描代码库中的漏洞。Claude Security 最近的一次更新帮助它在代码更新时监视仓库、跟踪任何发现以确保其被修复、从额外上下文中学习，并通过 API 和 MCP 连接到用户的工具。
引述
“我们与 Anthropic 的新模型 Claude Mythos 5.2 密切合作，在我们自己的系统内进行了下一轮高保真威胁发现和消除，以查找我们未能用早期 Mythos 模型发现的潜在问题。输出更易读，使我们的团队能够更快、更轻松地进行抽查。我们用 Mythos 5.1 构建了 Code Guardian 测试框架，我们将切换到 Mythos 5.2，为客户提供更强大的网络能力。”
公司Rubrik
作者Arvind Nithrakashyap，联合创始人兼首席技术官
科学与工程
科学、工程和数学领域的重要任务越来越依赖编码：分析数据、建模分子、设计零件和控制仪器都通过软件完成。下面，我们讨论 Claude Fable 5.2 和 Claude Mythos 5.2 如何帮助研究人员在这些领域的难题上取得进展。
理论物理
Claude Fable 5.2 解决了理论物理中的两个开放问题。两者都涉及黑洞，以及统一现代物理学的两大支柱理论——相对论和量子力学——的努力。
Claude 的两项结果都依赖于全息对偶，即某些包含引力的宇宙可以由一个完全不含引力的量子理论精确描述。在第一个问题中，物理学家在 1983 年已经证明，随着这些宇宙升温，黑洞会像水沸腾一样突然形成；但他们的方法只适用于大到足以应用相对论的大宇宙。2003 年提出了一个计算，以确定在只能使用量子描述的极小宇宙中是否也是如此，但该计算过于繁琐而无法完成。Fable 5.2 在很大程度上自主完成了它，并发现那里的转变也是突然的。在第二个问题中，Fable 5.2 找到了物理学家 15 年多来在一个简化宇宙中排除候选量子引力理论所用的一种技术的精确极限。请分别在此处和此处的预印本中阅读更多关于这些结果的内容。
蛋白质折叠
腺相关病毒是一种小型、无害的病毒，其蛋白质外壳——衣壳——可用于递送基因疗法。衣壳的蛋白质结构很重要——例如，它会影响疗法是否会被患者的免疫系统阻断——但它也高度复杂。像 AlphaFold 这样的现有蛋白质折叠模型可以预测单个蛋白质，但一个衣壳由数十个蛋白质构成。基于两个开源蛋白质折叠模型，Claude Mythos 5.2 找到了一种准确预测整个衣壳结构的新方法。它编写代码，在重叠的蛋白质链组上运行这些模型，并利用关于衣壳已知对称性的信息将它们合并在一起。
▶ https://cdn.sanity.io/files/4zrzovbb/website/e35c7ec272d23ba30b360fa1130e5fc03d0f26cc.webm
Claude 的方法在多个天然和工程化衣壳上都有效（在我们的测试中，它准确建模了所尝试的 34 个中的 28 个）。³ 三位计算生物学家分享了以下关于 Claude 的技能如何用于加速其基因疗法研究的思考：
引述
“这种加速可以为我们的衣壳折叠流程节省有意义的时间和成本，使我们能够更高效地将计算资源部署到基因药物所需的众多衣壳特性上。我们很高兴能帮助 Anthropic 进一步推进推理能力，以降低整体设计衣壳的成本。”
公司Dyno Therapeutics
作者Sam Sinai，联合创始人兼 AI 负责人
数学
数学形式化。形式化是将数学证明翻译成计算机可以逐步检查的语言的过程。它可以帮助人类数学家对结果建立信心，而无需手工检查（当 AI 模型生成人类难以验证的结果时，这一点更为重要）。由于形式化是一个如此繁琐的过程，如果 AI 能够协助完成，数学家就可以花更多时间探索新颖的想法。
我们首次对费马大定理的形式化由一个未发布的研究版 Claude 完成，耗时 11 天。它依赖于一个专门构建的框架以及人类研究人员的指导。相比之下，一个由 1,000 个 Fable 5.2 智能体组成的团队在仅 30 小时内就完全形式化了该定理，且人工干预极少。Fable 5.2 从最少的提示开始，构建了自己的协调方式，并且没有使用任何数学参考资料，只使用了一份中间定理陈述列表来评估进展。它所需的动作 token 数量是我们首次形式化的三分之一，并生成了短七倍的证明。如下图所示，Opus 5.5（使用相同的 1,000 智能体设置）在 18 小时内仅完成了形式化的 26%，并且在 30 小时后几乎没有取得更多进展。
在此处阅读更多关于形式化的内容。
在数学编程语言 Lean 中形式化费马大定理的证明。每一行显示了 Fable 5.2（绿线）和 Opus 5.5（橙线）在约 1,000 个智能体、每个模型单次运行的情况下，30 小时内完成完整形式化的比例。在虚线处（18 小时），两个团队都从上次保存处继续，又运行了 12 小时。
费马大定理证明形式化随时间完成情况
硬件与机器人
AI 的许多潜在益处——例如加速实验室研究——取决于它能否在物理世界中行动。Claude Fable 5.2 延续了我们模型在现实世界中实用性不断提升的趋势，在设计硬件设备等任务上显示出有前景的结果，并在控制物理机器人方面取得了实质性进展。
硬件工程。我们测试了 Fable 5.2 在硬件工程方面的技能，用一段话的提示要求它设计并制作三个可工作的电子设备，这些设备拥有自己的电路板、3D 打印外壳和软件。如下所示，这些设备分别是一个家庭语音助手中枢、一个 USB 免提电话和一个手持虚拟宠物。我们与Diode合作开展了这个项目，该公司设计和制造电路板。
▶ https://cdn.sanity.io/files/4zrzovbb/website/f079d087caf0316cf32a0e3e1864311c16887395.webm
Claude 编写了自己的规格说明，从美国分销商处选择了可用的电子元件，为每个设备的四层电路板进行了布线，使用计算机辅助设计对外壳进行建模，并为设备的软件编程。每块电路板都在不到一天内准备好制造，人工输入极少。一旦 Diode 制造出电路板，Claude 就指导该公司的工程师完成设备的测试和组装。所有三个设备都无需任何电气修改即可工作。在此处阅读更多关于 Claude 硬件工程技能的内容。
机器人技术。与早期的 Claude 模型相比，Fable 5.2 在控制物理机器人方面显示出大幅提升的技能——即使是在它从未明确训练过的机器人任务上也是如此。下面的视频展示了由 Fable 5.2 控制的机器人完成各种任务，包括解开一个拼图立方体、拧开瓶盖和画一幅机器人图画。在公开的RoboDojo基准测试中，该测试检验 AI 如何从相机图像控制一个模拟双臂机器人，Fable 5.2 的表现优于在同一框架上运行的其他前沿模型，以及大多数专门为控制机器人而构建的 AI 系统。
▶ https://cdn.sanity.io/files/4zrzovbb/website/55746b9b0dd3e76d36a38998162cc852d5f92edc.webm
- Gemini 4 Argon
- GPT-6 Astra
- Fable 5.1
- Opus 5.5
- Fable 5.2
RoboDojo Sim 测试对模拟双臂机器人的控制。分数基于我们使用每个模型可用的最高努力水平进行的内部运行。在 Max 努力水平下，Fable 5.2 得分为 64.9%，是 GPT-6 Astra（29.8%）和 Fable 5.1（27.6%）的两倍多。
RoboDojo（平均）各模型最高分
研究与分析
早期使用 Claude Fable 5.2 进行研究与分析任务的测试者发现，相比之前的模型，它能处理更模糊、数据量更大的任务，并且在模糊任务上具有更好的判断力——尤其是那些需要抽象推理和设计的任务。自营交易公司 Jump Trading 在与其部分量化研究任务相似的代理评估中测试了 Fable 5.2，将其嵌入到一套与该机构自身研究所用类似的测试框架中。在一次运行中，Fable 5.2 有效地扮演了所有必要角色：代码编写者、协调者、规划者和任务提交者。之前的模型则需要投入大量时间手动重新平衡角色，以适应不同模型的优势与劣势。
来自研究与分析组织的其他测试者向我们发送了以下关于他们使用 Fable 5.2 体验的陈述：
引述
“Claude Fable 5.2 在研究系统中扮演每一个主要角色时都表现出色：定义问题、解读、协调，当然还有发现并实现关键想法。在我们见过的模型中，它在品味和判断力方面绝对是最强的之一。在一项内部研究自动化基准测试中，它比次优模型实现了整整低 10% 的错误率。”
公司Jump Trading
作者Lucas Baker，LLM 研发负责人
安全与对齐
没有任何单一测试能告诉我们一个能力极强的模型在部署后会如何表现，因此我们在发布前依赖许多不同的测试和许多不同类型的证据。对于 Claude Fable 5.2 和 Claude Mythos 5.2 背后的模型，我们的部署前安全工作包括对齐训练与测试、针对模型采取无益行为倾向的新设计评估、构建更强的防滥用保障措施，以及扩大我们的行为监控规模。该模型在发布前还由外部评估者进行了测试，包括 UK AI Security Institute、Frontier Design 和 METR。有关他们报告的摘要⁴以及我们自身安全与能力测试的完整描述，请参阅 Claude Fable 5.2 和 Mythos 5.2 系统卡。
对齐测试
我们运行了一套评估，以考察 Claude Fable 5.2 和 Claude Mythos 5.2 在行为层面的对齐程度，测试它们以非预期且可能不安全的方式行事的频率。综合我们在各项评估中看到的所有情况，我们评估这些模型在高风险情境下以不安全方式行事的风险为低（与我们其他近期模型一样）。
我们在自动化行为审计中测试了 Claude Mythos 5.2（与 Fable 5.2 相同的底层模型，但不含某些网络安全或生物学保障措施），该审计测试模型在约 1,900 个场景中的行为表现。在大多数指标上，Claude Mythos 5.2 的表现与 Opus 5.5、Sonnet 5.5 和 Claude Mythos 5.1 相当或更好。例如，在大多数涉及误导用户的指标上，它的得分优于这三者。在 Claude Mythos 5.2 中，幻觉输入、虚假声称已完成任务、遗漏重要信息以及未披露糟糕或敷衍的工作等情况均更低。⁵
- Mythos 5.1
- Opus 5.5
- Sonnet 5.5
- Mythos 5.2
来自我们自动化行为审计的总分，该分数是许多不良行为的综合指标，包括配合人类滥用以及在一系列场景中的自主行动。分数越低越好。完整详情请参阅 Claude Fable 5.2 和 Claude Mythos 5.2 系统卡 第 6.4.1 节。
自动化行为审计总体失准行为得分
在测试过程中，我们特别关注了导致近期值得关注的网络安全和对齐事件的行为。例如，我们发现 Claude Mythos 5.2 比 Opus 5.5、Sonnet 5.5 和 Mythos 5.1 更不容易进行有偏见或有动机的推理（这种推理可能意味着它“解释掉”自己不在模拟中的证据，从而在没有对后果有现实理解的情况下采取行动）。
我们运行了多项不同的评估，以测试模型尝试逃离其沙盒的倾向。在我们之前使用过的两项评估中，Claude Mythos 5.2 尝试逃离沙盒的次数显著少于我们测试过的任何其他模型。在一项专门评估中——一项包含 1,800 多个场景的对抗性实验，其中大多数场景在不逃离沙盒的情况下无法解决，且沙盒存在故意弱点——Claude Mythos 5.2 在 3.1% 的场景中使用了我们放置在其沙盒之外的凭据或文件，与 Opus 5.5（3.3%）大致相当，低于 Sonnet 5.5（5.1%），并远低于之前版本的 Claude Mythos（5 和 5.1，分别为 39% 和 21%）。我们发现，其他技术，例如描述沙盒并添加用于报告弱点的工具，进一步减少了 Claude Mythos 5.2 的逃离尝试。在其他指标上——例如一项涉及在错误地断定自己处于模拟中后采取有害行动的指标——Claude Mythos 5.2 的得分略差于 Opus 5.5，与 Claude Mythos 5.1 大致持平。
在模型部署前构建能够可靠捕捉每一次失败行为的评估，这一问题仍未解决。评估高能力模型的复杂性常常使情况变得模糊——例如，Claude Mythos 5.2 和 Fable 5.2 都比我们近期的任何模型更频繁地表达出怀疑自己正在被评估，这挑战了我们评估它们在真实世界环境中将如何行动的能力。随着这些环境不断扩展、未来模型的能力不断提升，我们预计这一挑战将会加剧。这就是为什么我们不单靠这些评估来提供安全的整体图景：我们借助训练期间的监控、对内部使用记录的审查、外部评估者的测试，以及用于检查模型内部情况的可解释性技术。我们也在努力使评估更加贴近现实，并更好地理解它们遗漏了什么。
安全保障措施
网络安全与生物学保障措施。与之前的 Claude Fable 模型一致，Fable 5.2 配备了安全分类器，可拦截高风险的网络活动，包括渗透测试、漏洞利用生成和基于二进制的漏洞，以及研究生物学中的大多数任务。当查询被拦截时，用户将改为收到来自 Opus 4.8（针对网络安全）和 Opus 5（针对生物学）的回复。自 Claude Fable 5.1 发布以来，我们持续降低安全分类器的误报率。基于在 claude.ai、Claude Code 和 Cowork 上的早期测试，我们观察到 Fable 5.2 的拦截次数比 Fable 5.1 减少了约 55%——网络安全方面减少约 60%，生物学方面减少约 40%。Claude Mythos 5.2 可供在这些两用领域开展工作的经过审查的组织使用。
AI 研究与开发。Claude Fable 5.2 和 Claude Mythos 5.2 所基于的模型在通用能力上向前迈进了一步。然而，在该模型的训练过程中，我们采取了措施，限制那些最可能直接加速 AI 开发的特定研究能力的提升。因此，在相关领域，包括加速器内核优化和改进大语言模型架构，Fable 5.2 和 Claude Mythos 5.2 的表现大约处于 Opus 5.5 的水平。重要的是，我们确保训练改动没有影响相关能力，如智能体编程、硬件开发以及传统 AI 或机器学习研究（包括可解释性研究）。在模型向用户提供服务时（即在推理时），我们不会改变这些能力。如系统卡第 1.5 节所述，且与之前的模型类似，Fable 5.2 和 Claude Mythos 5.2 还针对该领域的一小部分主题（包括在某些非标准加速器上的内核开发）包含向 Opus 5 的透明回退。
反蒸馏。蒸馏是指用更先进模型的输出训练一个模型，以提取先进模型的能力，这种行为正以工业规模非法进行，往往涉及数千个虚假的 Claude 账户。由于蒸馏使得先进能力可以在没有我们为 Claude 内置的保障措施的情况下被发布，它带来了安全和国家安全风险（有关我们迄今已检测并阻止的非法蒸馏活动的详情，请参阅我们的2026 年 9 月威胁情报报告）。Fable 5.2 拥有我们已发布模型中针对蒸馏的最强防护；它采用了我们在近期报告中描述的技术，这些技术已将蒸馏者获取的数据减少了 90% 至 99%。
我们还在扩大一项有助于防范非法蒸馏的 API 功能的推出范围：保留思考现已适用于所有账户。保留思考可防止蒸馏者编辑 Claude 先前的上下文以试图提取其推理过程（开发者可参阅我们的保留思考文档，了解如何利用新的 API 功能更新集成）。
数据隐私与企业前沿保障措施
某些更复杂的 AI 模型滥用形式只有在观察多个请求的模式时才能被检测到。因此，像 Claude Fable 5.2 和 Claude Mythos 5.2 这样强大的模型依赖对一段使用数据窗口（而非单个响应）进行监控的保障措施。借助企业前沿保障措施，自动安全监控针对存储在客户基础设施中的提示和响应运行，从而与零数据保留（ZDR）兼容。企业前沿保障措施目前正与 Bridgewater、Salesforce 和 Stripe 等客户进行私密测试。
企业客户可通过联系其客户团队或填写此表单来申请使用企业前沿保障措施。符合条件的客户可在通过 EFS 实施安全监控之前，继续以零数据保留方式使用 Claude Fable 5.2 和 Claude Mythos 5.2。对于其他客户，我们保留 30 天的数据用于安全监控。
可用性
Claude Fable 5.2 今日已在所有平台上线，包括 Amazon Web Services、Google Cloud 和 Microsoft Azure。开发者可以在 Claude Platform 上通过 claude-fable-5-2 开始使用。
本周，我们为符合条件的付费计划的订阅者提供额外的 Fable 使用额度。包含 Fable 模型的计划和席位将根据订阅时长获得一到三次 Fable 重置，并且对于 Pro 计划以及 Team 计划的标准席位，Fable 最多可占每周使用限额的 50%。了解有关 Fable 5.2 发布促销的更多信息，请点击此处。
网络安全专业人士可通过网络验证计划申请使用 Claude Mythos 5.2。Claude Enterprise 客户还可以使用由我们全系列模型（包括 Claude Mythos 5.2）驱动的Claude Security。生命科学研究人员也可以通过生命科学验证计划申请使用权限。
Claude Fable 5.2 和 Claude Mythos 5.2 的快速模式可在 Claude Code、Claude Platform、Google Cloud 上的 Claude Models（Anthropic 托管和 Google 托管）以及 Microsoft Foundry（Anthropic 托管）上使用。请注意，Claude Mythos 快速模式仅向参与我们验证计划的组织开放。
脚注
1 CVE 指通用漏洞与暴露，这是一个枚举软件漏洞的系统。
2 这些计数来自一位测试者审计的原始发现，不过测试者一致发现 Claude Mythos 5.2 识别出的漏洞比早期模型更多。在我们自己的评估中，漏洞识别能力与 Opus 5.5 大致相当（见系统卡）。
3 此前对 AAV 衣壳及其他大型对称蛋白质系统建模的工作包括 FoldaVirus、EvoDOCK 及其对称扩展、SymProFold、CapBuild、MoLPC、CombFold、Uni-Fold Symmetry、Apodex Discovery 以及“大爆炸”初始化（最后一项在我们给 Claude Mythos 5.2 的提示中被引用）。这些方法通常从分别预测的链或小链组组装出完整结构。Claude 被允许使用已知对称性，但被指示不得依赖组装。请注意，准确性通过将 Cα RMSD 与实验结构进行比较来衡量：在 AAV2（PDB:1LP3）上，OpenFold3-preview2 为 1.2 Å，ESMFold2 为 1.4 Å。如果任一模型的误差在 3 Å 以内，则该衣壳被视为准确建模。对于 AAV2，Claude 的方法在单块 NVIDIA H200 GPU 上对 OpenFold3-preview2 需要约 58 分钟推理，对 ESMFold2 需要约七分钟。
4 没有任何外部组织审阅过本博文的内容或系统卡的内容。这些组织不一定同意这两份出版物中的任何主张。
5 我们在 Claude Mythos 5.2 上运行了这些测试，因为在降低保障措施的情况下测试该模型能最全面地了解模型行为。我们预计 Fable 5.2 的表现类似；在某些情况下，鉴于其更强的保障措施，更多潜在的滥用途径应被阻止。