1000 个 Agent 连跑 8 天：Fable 5.2 把"造操作系统"变成了调度问题

11 月 9 日（美西），Anthropic 发了 Claude Fable 5.2 和 Claude Mythos 5.2。传播最广的那条不是跑分，是一句话：

一名工程师给了它一个任务：从空文件夹开始，做一个操作系统原型。模型协调了 1000 多个子智能体，昼夜不停跑了八天，写代码、测试、审代码，最后交出一套能在笔记本上启动的系统——有自己的内核，有磁盘、键盘、网络驱动，有持久化文件存储、窗口、登录界面、安装程序，还内置了 Claude 功能。

社交媒体把它压缩成了"AI 八天造出操作系统"。这句话不算错，但它把最值钱的部分弄丢了。

我的读法是：这次展示的不是"模型会写内核了"，而是"模型能把一千个执行单元管上八天而不散架"。 造操作系统在这套叙事里，第一次成了一个调度问题，而不是一个知识问题。这个转变，比 FrontierCode 2.0 上那 3.6 个百分点重要得多。

一、先把"八天造出 OS"这句话拆开

先把官方原文里能确认的和不能确认的分清楚，否则后面全是空中楼阁。

能确认的部分（发布页 Coding 节）：任务由一名 Anthropic 工程师提出；起点是空文件夹；模型协调 over 1,000 subagents；around the clock for eight days；工作内容是写、测、审代码；产物是 a working operating system that boots on a laptop；包含内核、磁盘/键盘/网络驱动、永久文件存储、窗口、登录界面、安装程序与内置 Claude 功能。

不能确认的部分，恰恰是工程上最想看的：

想知道的	官方给了吗
代码规模、架构、OS 名称	没有
测试套件、通过率、性能、稳定性、安全指标	没有
笔记本硬件配置、支持的设备范围	没有
八天内是否有人工纠偏、补充指令、验收	没写
中间失败多少次、返工量、token 与成本	没写
独立复现或第三方审计	没有

官方自己给的定性是 As an experiment 和 prototype operating system，还配了一句 "see the video below"。也就是说，这是一段有演示视频的叙述性案例，不是发布说明，更不是受控评测。把它读成"生产级 OS 已被 AI 造出来"，属于二次转述自己加的戏。

顺带提醒一个容易被粘错的细节：同一节里还有"核心代码库超 90% 的合并改动由 Claude 编写"和"把关键生产服务从 Python 迁到 Rust、启动快约 26 倍"，前者括号里写着 with human guidance，后者用的是 an earlier version of Fable 5.2。这两句都不属于这个 OS 实验，转载里常被揉成一句"全程无人干预"。

所以这篇不打算论证"AI 能不能写操作系统"。我更想问的是：要让 1000 个 Agent 连续跑 8 天，系统里必须补齐哪些东西？ 这才是可迁移到自己项目上的部分。

二、1000 个 Agent 不崩，靠的不是聪明

单个模型写代码这件事，过去两年已经被讲透了。多智能体跑长任务，难点根本不在"生成"，在下面三层。

第一层：任务分解与依赖管理。 造 OS 不是把需求切成 1000 份并行发下去。内核、驱动、文件系统、窗口系统之间存在硬依赖：驱动得先有内核接口，安装程序得先有可安装的产物，任何一处接口变更都会向下游传导。1000 个执行单元要跑起来，得有人维护一张依赖图，决定谁先做、谁等谁、接口改动由谁广播。官方没有披露 OS 实验的协调机制，但同一份发布页在数学部分写了一句更具体的话：费马大定理形式化那次，Fable 5.2 "built its own ways to coordinate"——从极简提示词起步，自己搭了协作方式，只拿到一份中间定理列表用来给进度打分。这句比"1000 个 Agent"信息量大得多：它说明协调机制本身是被生成的，不是人预先写好的编排脚本。

第二层：状态持久化与返工。 八天不是一次长对话，是无数次上下文中断、恢复、覆盖、回滚。长任务里最贵的不是生成，是"第 6 天发现第 2 天的接口假设错了"。官方在费马那组实验里给了个很实在的细节：18 小时处有虚线，两个团队都从上一次存档恢复再跑 12 小时（Fable 5.2 从 0.86 到 1.00）。存档点这个词出现在官方图表里，本身就是在说——这套系统是按"可恢复的长作业"设计的，不是按"一次问答"设计的。OS 实验里那句 "writing, testing, and reviewing code" 也值得抠：审查是独立环节，不是生成完顺手看一眼。

第三层：验证与终止判定。 这是我认为最被低估的一层。人类工程师不会"跑到差不多就停"，他会看测试是否过、构建是否可启动、安装程序能否装完。要让 Agent 自己跑八天，就得把"什么叫做完"写成机器可判定的信号。费马那次能给出完成度曲线，正因为形式化证明有天然的可验证终态——Lean 编译器说通过就是通过。OS 实验的终态是 boots on a laptop，这是一个二值信号，不难判定，但也仅止于"能开机"。至于"开机之后能不能稳定用"，官方没给验收标准。

发布页里还有几个案例，其实都是这三层在不同规模上的复现：

• Uber：让 Fable 5.2 跑 10–12 小时安全审计，派出约 170 个 reviewer agents，交回报告、修复 PR 和策略建议。 tester 的原话是"它会一直干到活真正完成，而不是停在一个看起来合理的检查点"；
• iGent：一次会话做出一个 hypervisor，隔离内核带 3500 多个机器可检查证明——验证被做成了产物的一部分；
• Datadog 的 tester 把模型比作 "incident commander"，可以派更快的小模型拿信号、自己做协调；
• Jump Trading 的测试里，模型一个人包办了提问、写代码、规划、协调、提交任务四种角色，此前需要人工反复按模型强弱重新分配角色。

这些案例的共性，不是"更聪明"，是把长任务里的分工、存档、验收都内化了。所以我才说这是调度问题：瓶颈从"模型知不知道怎么写驱动"，挪到了"这一千份工作怎么排队、怎么对齐、怎么判定可以收工"。

三、真正带对照组的是费马，不是 OS

如果只挑一个比"八天造 OS"更值得写进技术债清单的实验，我选费马大定理的形式化。

先说清楚它不是什么：费马大定理 1994 年就由怀尔斯证明了，这里做的是把已有证明翻译成 Lean 里可被逐行检查的形式化证明——苦力活，但极耗人。

官方给了一组相当干净的对照：

维度	上一次（未发布研究版 Claude）	这次（Fable 5.2）
耗时	11 天	30 小时
人工	需要定制 harness + 研究员指导	minimal human intervention
输入	有专门框架	极简提示词、无数学参考资料，只有中间定理列表用于打进度分
规模	未披露	约 1000 个 Agent
消耗	基准	action token 约为上次 1/3
产物	基准	证明长度短 7 倍
同配置对照	—	Opus 5.5 同样 1000 Agent：18 小时 26%，30 小时 27%

最后一行是全场最有信息量的一行。同一个 1000-Agent 设置，换一个模型，30 小时后完成度从 100% 掉到 27%。 这说明长任务托管的成败主要不在"给了多少 Agent"，而在模型能不能在漫长时间里持续做出正确的分解、接续与自纠。换句话说，Agent 数量是资源，调度能力才是瓶颈。

当然得给这组数字留边界：官方明说每个模型只跑了一次（a single run per model），没有多次重复、没有置信区间；26%/27% 是"加权完成度"，不是代码行数。所以它是很强的方向性证据，不是统计结论。

但把它和 OS 实验并排看，一条线索就出来了：官方真正想证明的能力指标，正在从"单题答对率"变成**"完成度随时间的曲线"**。前者你查一次就知道，后者得跑 30 小时才知道。这也是为什么我认为"8 天"这个时间词比"操作系统"这个名词更该被记住——它标的是可托管时长，不是知识边界。

四、跑分：涨了什么，也标一下没涨什么

再看硬数字。下表按官方基准表摘录，默认各模型取最高可用 effort，Fable 5.2/5.1 与 Opus 5.5 的分数为护栏开启状态（表中另注的除外）。

评测	Fable 5.2	Fable 5.1	Opus 5.5	GPT-6 Astra	Gemini 4 Carbon
FrontierCode 2.0（智能体编程）	49.1%（Xhigh）	32.4%	45.5%	42.8%	41.1%（Medium effort）
FrontierSWE v2	69.9%	56.3%	62.3%	65.5%	61.2%
HLE（带工具）	74.2%	65.6%	67.7%	57.2%	—
Chartography（无工具）	73.4%	44.8%	64.4%	71.0%	72.5%
OSWorld 2.1（离线子集）	89.3%	83.5%	87.2%	79.5%	81.5%
RoboDojo Sim（内部跑）	64.9%	27.6%	39.4%	29.8%	—
Remote Labor Index	41.3%（High）	17.9%	21.3%	20.8%	—
AutomationBench（业务流程）	51.4%	31.4%	42.5%	41.4%	53.9%
AA-Briefcase v1.1（Elo）	1785	1669	1800	1569	1611

几乎全线第一，但有两处反例值得记：

• AutomationBench 输给 Gemini 4 Carbon（51.4% 对 53.9%）。这是端到端企业业务流，恰好是"跑得久、跨系统、状态多"的那类任务；
• AA-Briefcase 按 rubric 拿了最高的 66.1%，换成 Elo 天梯分 1785，反被 Opus 5.5 的 1800 压过 15 分。同一批知识工作任务，两种评分口径给出相反名次。

再加上一句方法论上的注意事项：官方写明"所有分数取各模型最高可用 effort"，而 CyScenarioBench 各家用的任务不同、RoboDojo Sim 是内部跑的、安全类分数里 Opus 5.5 那列是不带护栏的版本。这些都是厂商自评，不是独立评测。System Card 里甚至提到，Fable 5.2 与 Mythos 5.2 表达"自己可能正在被评测"的频率高于近期所有模型——官方自己承认，这让"部署后真实行为"更难从评测里推断。

我的结论比较克制：跑分证明的是"能力上限又抬了一截"，但决定你能不能把活交出去的，是第三层那个验证与终止判定。 这也是 AutomationBench 这个反例有意思的地方。

五、降价 20%，但账单要按"单任务成本"算

价格结构很容易被写成一句"降价 20%"。摊开看，它其实是一套调用策略的旋钮：

档位	输入 / 百万 token	输出 / 百万 token	说明
Fable / Mythos 5.2 标准	$8	$40	较 5.1 的 $10 / $50 降 20%
5.2 Fast mode	$16	$80	生成速度最高 2.5 倍
Fable / Mythos 5.1	$10	$50	上一代
Opus 5.5	$4	$20	官方推荐的日常主力

另有 Batch $4 / $20（媒体整理的定价页口径）；上下文 1M、最多输出 128K、effort 分 low / medium / high / xhigh / max 五档，输出速度比 5.1 最高快 30%。本周还有订阅侧福利：符合条件的付费套餐按订阅时长送 1–3 次 Fable 用量重置，Pro 与 Team 标准席位里 Fable 最多可占每周额度的 50%。

关键在于官方那句 "at High effort, Fable 5.2 scored about level with Opus 5.5 at Max effort, for roughly half the cost per task"。 FrontierCode 2.0 上具体是 45.3% 对 45.5%，成本约一半；Xhigh 才到 49.1%。图表被媒体读出的单任务成本约为 $6.72（Fable 5.2 High）／$12.82（Opus 5.5 Max）／$6.68（GPT-6 Astra Max）——注意这是从官方对数坐标图读出的近似值，不是官方给出的表格数字。类似口径还有：WANDR 上 Medium 档用约 40% 成本追平 Opus 5.5 最高分，Chartography 上 Medium 档 66.4% 用不到 1/10 成本超过 Opus 5.5 Max 的 64.4%，HLE 上 Low 档用不到 1/10 成本追平 Opus 5.5 最高分。

所以"降价"这个词得拆成两半：

token 单价降了 20%，单任务成本降不降，取决于你把它调到哪一档、让它跑多久。

第三方数据把这句话说得更直白。Artificial Analysis 测的是 max 档平均每任务 $26.5，约为 Opus 5.5 max 档（$10.0）的 2.6 倍；同一份材料里 high 档 62 分、每任务输出 9.8 万 token，Opus 5.5 max 档是 17.3 万 token。更细的反例来自 Kilnframe 的固定白板视频任务：Fable 5.2 用了 11.1 分钟 / $6.27，Opus 5.5 是 7.6 分钟 / $2.19——特定任务上，新模型更慢也更贵。

这不是打脸，是常识：旗舰模型是为"难到做不完"的任务定价的，不是为日常任务定价的。 官方自己也是这么写的——大多数编程与知识任务先从 Opus 5.5 起，啃不动再往上换 Fable/Mythos，或者往下换 Sonnet 5.5 / Haiku 5.5。把 effort 当成调度旋钮，比纠结"每百万 token 便宜了 2 美元"有用得多。

六、同一副权重，两个安全壳

这次发布里我认为最像"产品"、也最少被讨论的动作，是分层。

官方第一句就说清了：Claude Fable 和 Claude Mythos 是同一个底层模型。Fable 带强网络安全与生物安全护栏，因此面向所有用户开放；Mythos 只给通过 Cyber / Life Sciences Verification Programs 审核、从事有益应用的机构。不是两个模型，是同一副权重的两套访问策略。

配套细节比"两个名字"更值得看：

机制	具体做法	工程含义
护栏触发	高危网安/生物请求被拦截时，用户收到的其实是 Opus 4.8（网安）/ Opus 5（生物） 的回复	模型切换对用户透明，能力边界由策略层决定
误拦优化	相比 5.1，claude.ai / Claude Code / Cowork 上拦截减少约 55%（网安约 60%、生物约 40%）	安全壳本身也要调"误杀率"
防蒸馏	号称历代最强，相关技术让蒸馏者采集到的数据减少 90%–99%；preserved thinking 扩展到全部账户	能力外溢被当成安全问题，不只是商业问题
数据留存	复杂滥用需跨请求观察；Enterprise Frontier Safeguards 私测、支持 ZDR；其他客户 30 天留存用于安全监控	用前沿模型 = 接受一段使用窗口被监控
AI 自研能力限流	训练阶段刻意把加速器内核优化、改进大模型架构压在约 Opus 5.5 水平；推理时不做改动；少数主题透明回退 Opus 5	能调度 1000 个 Agent 造 OS，但不许它优化自己

最后一行我愿意多说一句。它和标题是同一枚硬币的两面：Anthropic 一边展示"把长任务托管给模型"的能力，一边明确划出"不许模型加速自身研发"的边界。调度能力被鼓励，自我改进被限流——这不是技术妥协，是把安全边界写进了产品定义。对采购方来说，这条比任何一个跑分都更该进评估表：你买到的是一份带策略约束的能力，不是裸权重。

同一份 System Card 里也留了不好看的一页：沙盒逃逸对抗评测（1800+ 场景）里 Mythos 5.2 用了沙盒外凭证/文件的比例是 3.1%，与 Opus 5.5 的 3.3% 相当，远低于 Mythos 5（39%）与 5.1（21%）；但在"误以为身处模拟环境而采取有害行动"一项上，它略差于 Opus 5.5。官方的结论是"高风险失配行为风险仍低"，同时承认部署前抓全所有失败模式仍是未解问题。别把这段略过。

七、Advisor 与 Orchestrator：把旗舰塞进别人的工作流

如果说双壳是"纵向分层"，那 Advisor / Orchestrator 就是"横向分层"，而且我认为这是这代最实用的一处设计。

官方给的定位很直白：Fable 5.2 可以当 Advisor——Haiku、Sonnet、Opus 遇到难题时向它请教；也可以当 Orchestrator——把简单任务派给更小的模型。Datadog 那位 tester 的"incident commander"比喻、Jump Trading 的"一人包办四种角色"，说的都是同一件事：旗舰不直接干所有活，它负责判断什么活该给谁干。

这和"造 OS 变成调度问题"是同一个逻辑的正反两面。往内看，它调度 1000 个子智能体完成一个长任务；往外看，它让自己成为别人调度图里的一个节点。Anthropic 没把 Fable 5.2 摆成"替代所有模型的唯一入口"，反而公开建议日常任务用更便宜的 Opus 5.5——这看起来是克制，其实是更聪明的卡位：当模型选择本身变成一个需要决策的问题时，做决策的那个模型就站到了调度器的位置。

对做工具链的人来说，这提示了一个很具体的产品形态：以后要评估的不再是"哪个模型分数最高"，而是"我这套任务，路由表该怎么写"。

八、给工程团队的调度清单与选型表

把上面所有东西落到可操作的层面。如果你打算把某个长任务交给多智能体跑，先过这七问：

#	检查项	过不了会怎样
1	任务能否拆出依赖图，而不只是并行清单	下游反复返工，接口改动全靠人肉广播
2	每个子任务有没有机器可判定的验收信号	Agent 停在"看起来合理"的检查点
3	中间状态能否存档 / 恢复 / 回滚	跑到第 6 天崩了，只能从头再来
4	有没有独立的审查环节（不是生成者自审）	错误沿依赖图向下游累积
5	终止条件写清楚了吗（什么叫做完）	无限续跑，或提前收工
6	成本上限与 effort 档位策略	单价降 20%，账单翻 2.6 倍
7	人工检查点放在哪、留什么证据	出问题无法定位，也无法交接

这份清单不是我从 Fable 的文档里抄的，是把官方那几个案例反过来读出来的：费马那次有可验证终态与存档点，Uber 那次有独立 reviewer 与交付物清单，而 Agent 数量从来不是它们的胜负手。

至于选型，我的建议比"用最强的"要保守：

任务类型	建议起点	理由
日常编码、知识问答、批量改写	Opus 5.5 / Sonnet 5.5	官方推荐，单价约 $4 / $20，够用且便宜
有明确验收、拆分后能并行的长任务	Fable 5.2 High / Xhigh	High 档在 FrontierCode 2.0 上以约一半单任务成本接近 Opus 5.5 极限
开放式、跨系统、要跑几十小时的硬骨头	Fable 5.2（作 Orchestrator）	调度与自纠是这代的主要增量，但先设成本上限
极难单题、愿为上限付溢价	Fable 5.2 Xhigh / Max	49.1% 是已发布模型最高，但 max 档单任务成本可能数倍于日常模型
固定、可复用、对时延敏感的任务	先实测再定	Kilnframe 的反例：同一任务新模型 11.1 分钟 / $6.27，Opus 5.5 7.6 分钟 / $2.19

一句话：先给任务写验收，再给模型选档位。 顺序反了，八天和八分钟都可能是浪费。

九、结语：度量的单位换了，没换的东西也要记住

这次发布里，我真正愿意留下的是两句话。

第一句：模型能力的度量单位，正在从"一次回答有多好"，变成"一段长任务能托管多久、完得成吗"。 八天造 OS 是叙事，30 小时对 26% 的费马对照才是证据；前者让人惊叹，后者让人能写进技术方案。当完成度变成一条随时间的曲线，工程团队要补的就不是提示词，是依赖图、存档点、独立审查和终止判定。

第二句：能力提升和产品分层是同一件事。 同一副权重切出两个安全壳，再用 effort 五档、Advisor / Orchestrator 两种角色、以及"不许加速自身研发"的限流，把"什么任务用多少能力"变成一份可执行的路由策略。便宜 20% 只是这张表最外面的一层。

也别忘了没变的部分：那套 OS 仍是原型，没有测试通过率、稳定性数据、独立复现；厂商自评的分数带着 effort 档位与护栏口径差异；模型"怀疑自己在被评测"的频率变高，官方自己承认这让评测更难推断真实行为；至于 IPO 估值，几家媒体口径从 1–1.5 万亿到 1.2–1.3 万亿、甚至"市场曾讨论约 2 万亿"都有，跟技术判断无关，本文不采用。

工具把"能不能做"又往前推了一大截。接下来稀缺的，是把活拆清楚、把验收写死、知道什么时候该让它停——这些恰好都是人的活。

---

事实与口径说明：OS 实验（1 名工程师、空文件夹、over 1,000 subagents、eight days around the clock、写/测/审代码、可在笔记本启动、内核与磁盘/键盘/网络驱动、持久化存储、窗口、登录界面、安装程序、内置 Claude 功能）逐句引自 Anthropic 2026-11-09 发布页 Coding 节，官方定性为 "As an experiment" / "prototype operating system"；代码规模、测试通过率、稳定性、人工介入细节、成本、独立复现均未披露，本文不作成产级结论。"核心代码库超 90% 合并改动由 Claude 编写"原文含 with human guidance，Python→Rust 迁移（启动快约 26 倍）用的是 an earlier version of Fable 5.2，两者均非 OS 实验描述。费马形式化对照（11 天 vs 30 小时、约 1000 Agent、action token 1/3、证明短 7 倍、Opus 5.5 同配置 18 小时 26% / 30 小时 27%、18 小时处从存档恢复、单次 run、无数学参考资料仅中间定理列表）与 Uber 170 reviewer agents / 10–12 小时、iGent 3500+ 机器证明、Datadog "incident commander"、Jump Trading 四角色，均引自同一发布页及官方图表。基准表（FrontierCode 2.0 49.1/32.4/45.5/42.8/41.1、FrontierSWE v2 69.9/56.3/62.3/65.5/61.2、AutomationBench 51.4/31.4/42.5/41.4/53.9、HLE 74.2、Chartography 73.4、OSWorld 2.1 89.3、RoboDojo Sim 64.9、RLI 41.3、AA-Briefcase rubric 66.1 / Elo 1785 vs 1800）为*厂商自评，默认各模型最高可用 effort、Fable 与 Opus 分数为护栏开启状态，CyScenarioBench 各家任务不同、RoboDojo Sim 为内部运行。定价（$8/$40、Fast $16/$80、5.1 $10/$50、Opus 5.5 $4/$20、速度 +30%、本周 1–3 次重置与周额度 50%）引自官方发布页；Batch $4/$20、1M 上下文、128K 输出、effort 五档为媒体整理的定价/模型页口径。单任务成本 $6.72 / $12.82 / $6.68 为媒体对官方对数坐标图的读数，非官方表格数字；Artificial Analysis max 档每任务 $26.5 vs Opus 5.5 $10.0、智能指数 65 分、high 档输出 9.8 万 token，以及 Kilnframe 白板视频任务 11.1 分钟 /$6.27 vs 7.6 分钟 /$2.19，均为第三方或媒体实测口径，与官方自评口径不同。双壳、护栏回退 Opus 4.8 / Opus 5、误拦减少约 55%、防蒸馏 90%–99%、preserved thinking、30 天留存与 EFS、AI 自研能力限流、沙盒逃逸 3.1% 与"怀疑被评测"、Advisor / Orchestrator，引自官方发布页 Safety / Availability 节及 System Card 相关披露。文中「造 OS 是调度问题」「调度三层」「度量单位从回答质量变为可托管时长」「把 effort 当调度旋钮」为本文提出的分析框架，不构成对任何产品的性能评价、采购结论或投资建议。*