Vai al contenuto
Giallo

Claude Fable 5.2 benchmark: cosa misurano davvero e come verificarli

Claude Fable 5.2 benchmark spiegati in parole semplici: FrontierCode, OSWorld, AutomationBench e gli altri, con i numeri di Anthropic e come testarli.

Redazione: Giallo Studio

Pubblicato il

Aggiornato il

Tempo di lettura: 10 min

Claude Fable 5.2 benchmark: diagramma con i punteggi di FrontierCode, FrontierSWE e OSWorld a confronto con Fable 5.1 e Opus 5.5

Claude Fable 5.2 è un modello Anthropic rilasciato il 9 novembre 2026 e i suoi benchmark dichiarati lo collocano sopra Opus 5.5 in quasi tutte le prove della tabella ufficiale. Il dato più citato è FrontierCode 2.0: 49,1% a effort Xhigh, contro 32,4% di Fable 5.1 e 45,5% di Opus 5.5, secondo la pagina di annuncio di Anthropic consultata il 9 novembre 2026.

Una percentuale da sola, però, non dice se il modello serve a te. In questa guida spieghiamo in parole semplici che cosa misura ogni test, quali numeri ha ottenuto Fable 5.2, quanto è cresciuto rispetto alla 5.1 e perché i risultati scelti dal produttore vanno sempre verificati sui propri documenti. Per la scheda tecnica completa c'è la guida Claude Fable 5.2: cos'è, prezzo e cosa cambia.

In sintesi

  • Fable 5.2 ottiene 49,1% su FrontierCode 2.0 a effort Xhigh, il punteggio più alto tra i modelli rilasciati che Anthropic ha messo alla prova, secondo la pagina ufficiale.
  • Rispetto a Fable 5.1 migliora su tutti i test della tabella, con salti da 4,6 punti percentuali (AA-Briefcase, punteggio a rubrica) fino a 37,3 (RoboDojo Sim).
  • Non vince ovunque: su AutomationBench è davanti Gemini 4 Carbon (53,9% contro 51,4%), dato riportato dalla stessa tabella.
  • Il confronto più utile è punteggio e costo: a effort High Fable 5.2 pareggia Opus 5.5 al massimo su FrontierCode per circa metà del costo per compito, come dichiarato da Anthropic.
  • Tutti i numeri sono scelti ed eseguiti da Anthropic e non sono stati replicati da terzi: servono per restringere la scelta, non per chiuderla.
  • Il test decisivo è il vostro: 20-30 compiti reali, stesso prompt, più modelli, conteggio di errori, tempi e costo.

Quali benchmark ha dichiarato Anthropic per Fable 5.2?

Anthropic pubblica una tabella con cinque colonne: Fable 5.2, Fable 5.1, Opus 5.5, GPT-6 Astra e Gemini 4 Carbon. Ecco le righe confrontabili con tutti i modelli, riprese dalla pagina di annuncio consultata il 9 novembre 2026.

Benchmark (punteggio in %) Fable 5.2 Fable 5.1 Opus 5.5 GPT-6 Astra Gemini 4 Carbon
FrontierCode 2.0 (Fable a Xhigh) 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
Terminal-Bench-Science 0.1 74,6 52,6 58,7 68,1 64,8
OSWorld 2.1 (set offline, parziale) 89,3 83,5 87,2 79,5 81,5
Chartography (senza strumenti) 73,4 44,8 64,4 71,0 72,5
AA-Briefcase v1.1 (punteggio a rubrica) 66,1 61,5 61,2 52,0 61,8

Altre prove, sempre secondo la stessa pagina, sono confrontate solo con alcuni modelli: Humanity's Last Exam con strumenti (74,2% contro 65,6% di Fable 5.1, 67,7% di Opus 5.5 e 57,2% di GPT-6 Astra), WANDR (82,1% contro 68,7% e 72,3%) e Remote Labor Index (41,3% contro 17,9%, 21,3% e 20,8%).

Due avvertenze della stessa pagina. Primo: i punteggi di Fable 5.2, Fable 5.1 e Opus 5.5 sono con le salvaguardie attive, e ogni modello è mostrato al massimo livello di effort disponibile, salvo diversa indicazione. Secondo: RoboDojo Sim è stato eseguito internamente da Anthropic. Non sono quindi esami indipendenti.

Che cosa misura ciascun benchmark, in parole semplici?

Il nome dice poco, il compito dice tutto. Ecco i test in ordine di rilevanza per un'azienda. Dove la pagina ufficiale non spiega il metodo, lo scriviamo: per i dettagli Anthropic rimanda alla system card.

Benchmark Che cosa misura Cosa ti dice
FrontierCode 2.0 Se le modifiche al codice proposte dal modello verrebbero accettate dai manutentori di repository open source (definizione di Anthropic) Qualità del codice su progetti reali, non su esercizi
FrontierSWE v2 Categoria «agentic coding», cioè programmazione svolta in autonomia da un agente Capacità di portare avanti lavori di sviluppo a più passaggi
AutomationBench Categoria «business workflows», flussi di lavoro aziendali Il test più vicino a un'automazione di processo
Terminal-Bench-Science 0.1 Categoria «agentic scientific research», ricerca scientifica svolta da un agente Affidabilità su compiti tecnici lunghi da riga di comando
OSWorld 2.1 Categoria «computer use», uso di un computer come farebbe una persona Utile se vuoi un agente che opera su software e schermate
Humanity's Last Exam Conoscenza accademica di livello esperto e ragionamento (definizione di Anthropic) Ragionamento difficile, poco legato al lavoro d'ufficio
Chartography Quanto bene il modello legge grafici e figure (definizione di Anthropic) Utile per report, bilanci, schede tecniche con grafici
RoboDojo Sim Controllo di un robot simulato a due braccia partendo da immagini di telecamera (definizione di Anthropic) Per ora interessa la robotica, non l'ufficio
AA-Briefcase v1.1 Categoria «knowledge work», lavoro di conoscenza d'ufficio Compiti da analista o impiegato qualificato
Remote Labor Index Categoria «knowledge work», lavoro a distanza Quanto lavoro reale un modello porta a termine

WANDR, citato da Anthropic nelle curve di costo, è un test di Perplexity su grandi attività di raccolta dati: riguarda gli agenti che cercano e riordinano informazioni sul web.

Quanto è migliorato Fable 5.2 rispetto a Fable 5.1?

Su ogni riga della tabella ufficiale il punteggio sale. Calcolando le differenze sui dati della pagina Anthropic, il quadro è questo:

  • Salti grandi (dati Anthropic): RoboDojo Sim da 27,6% a 64,9%, Chartography da 44,8% a 73,4%, Remote Labor Index da 17,9% a 41,3%, Terminal-Bench-Science da 52,6% a 74,6%.
  • Salti medi: AutomationBench da 31,4% a 51,4%, FrontierCode 2.0 da 32,4% a 49,1%, FrontierSWE v2 da 56,3% a 69,9%.
  • Salti piccoli: Humanity's Last Exam da 65,6% a 74,2%, OSWorld 2.1 da 83,5% a 89,3%, AA-Briefcase da 61,5% a 66,1%.

Nel frattempo il prezzo è sceso: 8 dollari per milione di token in input e 40 in output, contro 10 e 50 della 5.1, secondo la scheda della documentazione. Chi usa ancora la 5.1 ottiene quindi più punteggio pagando meno. Il confronto completo è in Fable 5.2 vs Fable 5.1.

Dove Fable 5.2 non vince?

Tre punti da tenere presenti, tutti dalla tabella ufficiale.

  1. AutomationBench: Gemini 4 Carbon ottiene 53,9%, Fable 5.2 51,4%. È proprio il test sui flussi di lavoro aziendali.
  2. AA-Briefcase: la riga a punteggio con griglia di valutazione dà Fable 5.2 in testa (66,1 contro 61,2 di Opus 5.5), ma la pagina riporta anche una riga Elo, che confronta i modelli a coppie, con valori da 1569 a 1800 senza etichetta per colonna. Se l'ordine è quello delle colonne, Opus 5.5 avrebbe 1800 e Fable 5.2 1785: lo scarto sarebbe piccolo, ma lo stesso test darebbe ordini diversi a seconda di come si legge.
  3. Chartography: Fable 5.2 è avanti (73,4%), ma Gemini 4 Carbon (72,5%) e GPT-6 Astra (71,0%) sono vicini.

Per la sfida diretta con gli altri due modelli rimandiamo a Fable 5.2 vs GPT-6 Astra e a Fable 5.2 vs Gemini 4 Carbon. I test di GPT-6 Astra sono analizzati in GPT-6 Astra: benchmark, quelli di Gemini in Gemini 4 Carbon: benchmark e confronto.

Contano di più i punteggi o il costo per compito?

Il costo. Anthropic stessa presenta i risultati come curve «punteggio contro costo» ai diversi livelli di effort, e i casi citati sono i più utili per chi paga il conto. Tutti dichiarati da Anthropic nella pagina di annuncio:

Benchmark Fable 5.2 a effort Risultato dichiarato
FrontierCode 2.0 High 45,3% contro 45,5% di Opus 5.5 al massimo, per circa metà del costo per compito
WANDR Medium Pari al miglior punteggio di Opus 5.5, per circa il 40% del costo per compito
Humanity's Last Exam Low Pari al miglior punteggio di Opus 5.5, per meno di un decimo del costo
Chartography Medium 66,4% contro 64,4% di Opus 5.5 al massimo, per meno di un decimo del costo
BenchCAD 2.1 Max 83,5 contro 65,3 di Opus 5.5 e 44,4 di Fable 5.1 (scala 0-100)

Il messaggio operativo è che il livello di effort cambia il conto più del nome del modello. Come scegliere l'effort lo spieghiamo in Fable 5.2: livelli di ragionamento; sui prezzi in dettaglio c'è Claude Fable 5.2: prezzi API. Per un confronto sui tipi di lavoro vedi Fable 5.2 vs Opus 5.5.

Attenzione I numeri che hai letto sopra sono dichiarati da Anthropic, scelti e misurati da Anthropic. Nella pagina consultata il 9 novembre 2026 non risultano replicazioni indipendenti. Alcuni test, come CyScenarioBench, usano compiti diversi per ogni laboratorio e non sono confrontabili tra aziende.

Perché i benchmark del produttore non bastano?

Quattro motivi concreti, nessuno è un'accusa: valgono per qualsiasi produttore.

  • Chi sceglie i test sceglie la storia. La tabella contiene quello che Anthropic ha ritenuto rappresentativo.
  • Il livello di effort cambia. Ogni modello è mostrato al massimo disponibile salvo diversa indicazione: nell'uso quotidiano userai probabilmente un livello più basso. Nelle app Claude e in Claude Code il predefinito è Medium, secondo la pagina di annuncio.
  • I compiti standard non sono i vostri. Un benchmark di codice open source non dice come il modello legge un vostro capitolato o un listino con formati strani.
  • Il costo reale dipende da come lavori. Più agenti, più passaggi, più token: i limiti noti di Fable 5.2 elencati nella pagina delle novità includono proprio il costo più alto quando si usano molti subagent.

Anche Anthropic invita alla prudenza nella scelta: per la maggior parte dei lavori di codice e di conoscenza consiglia di partire da Opus 5.5 e salire a Fable solo se serve.

Come fa un'azienda a testare Fable 5.2 sui propri casi?

Un esempio dichiarato: l'ufficio tecnico di un'azienda meccanica a Brescia vuole capire se un modello può leggere le richieste di offerta dei clienti, estrarre materiali, quantità e tolleranze e preparare una bozza di preventivo. Il test si fa così.

  1. Raccogli i compiti veri. Prendi 20-30 richieste già gestite da una persona, comprese quelle storte: PDF scansionati, email incomplete, disegni con note a mano.
  2. Scrivi prima la risposta giusta. Per ogni caso fai preparare alla persona che le conosce la soluzione corretta e un criterio chiaro: campo giusto, campo sbagliato, campo mancante.
  3. Usa lo stesso prompt per tutti. Un prompt unico, senza ritocchi caso per caso, su Opus 5.5 e Fable 5.2. Per Fable prova almeno due livelli di effort, per esempio Medium e High.
  4. Conta errori, tempi e costo. Per ogni modello e livello annota gli errori, le correzioni a mano necessarie e il costo per compito, che trovi nei consumi di token.
  5. Decidi con una regola semplice. Se il modello più economico sbaglia in modo accettabile, usa quello. Fable ha senso quando l'errore costa più dei token in più.

Un secondo esempio: uno studio di commercialisti che vuole usare un modello per controllare la coerenza tra bilancio e note. Qui la prova guarda soprattutto gli errori non segnalati: quante incoerenze il modello trova e quante inventa. Sono due numeri che nessuna tabella ufficiale riporta per i vostri documenti.

I benchmark servono per

  • Restringere la scelta a due o tre modelli
  • Capire in quale famiglia di compiti un modello è forte
  • Valutare quanto costa salire di livello di effort

I benchmark non servono per

  • Dire che un modello non sbaglierà sui vostri documenti
  • Stimare il costo reale di un flusso con molti passaggi
  • Sostituire un test con persone che conoscono il lavoro

Quali errori evitare quando si leggono i benchmark?

  • Non confrontare punteggi di effort diversi. Controlla sempre a quale livello è stato ottenuto il numero.
  • Non fidarti del vincitore assoluto. Su AutomationBench conta Gemini 4 Carbon, su Chartography la distanza è di meno di un punto.
  • Non ignorare il costo. Un punto in più di accuratezza a doppio costo non sempre conviene.
  • Non scambiare un test di laboratorio per un collaudo. RoboDojo Sim riguarda robot simulati, non il vostro magazzino.
  • Non saltare la prova sui vostri dati. È la sola che dice qualcosa sul vostro caso.

Da dove cominciare, in pratica?

Parti da Opus 5.5 su un campione di compiti e sali a Fable 5.2 solo dove Opus sbaglia. Se i risultati sono vicini, scegli il più economico; se Fable risolve compiti che Opus non risolve, calcola quanto vale quell'errore evitato. Per i flussi con più agenti, guarda anche il miglior modello AI per agenti e il confronto Claude Opus 5.5: benchmark e prezzi. Per la parte organizzativa, l'adozione in azienda è trattata in Claude Fable 5.2 per aziende.

Se vuoi impostare questo test sui tuoi documenti e non solo leggerlo, la consulenza AI di Giallo Studio prepara con te il campione di compiti, i criteri di valutazione e il confronto dei costi, così la scelta del modello si basa sui tuoi dati e non sulla tabella di un produttore.

Metodo e fonti delle guide di Giallo Studio

Vuoi applicarlo alla tua azienda?In 30 minuti, gratis: il processo da automatizzare per primo e il ritorno stimato, per iscritto.

Prenota l’audit gratuito

Come lo applichiamo in azienda

Risorse correlate

Servizi di consulenza AI e automazione dei processi

FAQ

Quali sono i benchmark di Claude Fable 5.2?

Nella tabella ufficiale di Anthropic del 9 novembre 2026 Fable 5.2 ottiene 49,1% su FrontierCode 2.0 (Xhigh), 69,9% su FrontierSWE v2, 51,4% su AutomationBench, 74,6% su Terminal-Bench-Science, 89,3% su OSWorld 2.1, 74,2% su Humanity's Last Exam con strumenti e 73,4% su Chartography senza strumenti. Sono numeri dichiarati da Anthropic, non replicati da terzi.

Fable 5.2 è davvero meglio di Fable 5.1?

Sì, su tutti i benchmark della tabella ufficiale. Il salto più piccolo è su AA-Briefcase (66,1 contro 61,5), il più grande su RoboDojo Sim (64,9 contro 27,6). Su FrontierCode 2.0 si passa da 32,4% a 49,1%. Per un'azienda conta soprattutto la voce che somiglia al proprio lavoro.

Fable 5.2 batte GPT-6 Astra e Gemini 4 Carbon?

Nella tabella di Anthropic sì in sei prove su sette tra quelle confrontate con entrambi i modelli, ma non su AutomationBench: lì Gemini 4 Carbon ottiene 53,9% contro 51,4%. Anthropic ha scelto i test e li ha eseguiti con le proprie impostazioni, quindi il quadro va verificato sui propri casi.

Cosa significa che Fable 5.2 a effort High vale Opus 5.5 a Max?

Su FrontierCode 2.0 Fable 5.2 a effort High ottiene 45,3%, quasi lo stesso 45,5% che Opus 5.5 ottiene al massimo, per circa metà del costo per compito, secondo Anthropic. Vuol dire che il confronto giusto non è solo il punteggio, ma punteggio e costo insieme.

I benchmark bastano per scegliere un modello in azienda?

No. Sono compiti standard, scelti e misurati dal produttore. Servono per restringere la scelta a due o tre modelli, poi bisogna provarli su 20-30 compiti veri dell'azienda, con lo stesso prompt, e contare errori, tempo e costo.

Come si fa un test sui propri casi d'uso?

Si raccolgono 20-30 compiti reali già svolti da una persona, si definisce prima cosa vuol dire risposta corretta, si eseguono con Opus 5.5 e Fable 5.2 a più livelli di effort e si confrontano errori, tempi e costo per compito. Un pomeriggio di lavoro basta per avere un'indicazione molto più utile di qualsiasi classifica.

Applichiamolo

Trasformiamo la guida in un primo flusso live.

Raccontaci quale processo vuoi alleggerire: valutiamo fattibilità, ritorno e primo step operativo.