# 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.

Fonte: Giallo Studio (giallostudio.it) · Pagina: https://giallostudio.it/blog/claude-fable-5-2-benchmark · Pubblicato: 2026-11-09 · Aggiornato: 2026-11-09

**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](https://www.anthropic.com/claude-fable-and-mythos-5-2) 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](https://giallostudio.it/blog/claude-fable-5-2-cos-e).

<div class="key-points">
  <p class="kp-title">In sintesi</p>
  <ul>
    <li>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, <a href="https://www.anthropic.com/claude-fable-and-mythos-5-2">secondo la pagina ufficiale</a>.</li>
    <li>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).</li>
    <li>Non vince ovunque: su AutomationBench è davanti Gemini 4 Carbon (53,9% contro 51,4%), dato riportato dalla <a href="https://www.anthropic.com/claude-fable-and-mythos-5-2">stessa tabella</a>.</li>
    <li>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.</li>
    <li>Tutti i numeri sono scelti ed eseguiti da Anthropic e non sono stati replicati da terzi: servono per restringere la scelta, non per chiuderla.</li>
    <li>Il test decisivo è il vostro: 20-30 compiti reali, stesso prompt, più modelli, conteggio di errori, tempi e costo.</li>
  </ul>
</div>

## 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](https://www.anthropic.com/claude-fable-and-mythos-5-2) 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](https://www.anthropic.com/claude-fable-and-mythos-5-2), 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](https://www.anthropic.com/claude-fable-and-mythos-5-2), il quadro è questo:

- **Salti grandi** (dati [Anthropic](https://www.anthropic.com/claude-fable-and-mythos-5-2)): 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](https://platform.claude.com/docs/en/models/fable-5-2/overview). Chi usa ancora la 5.1 ottiene quindi più punteggio pagando meno. Il confronto completo è in [Fable 5.2 vs Fable 5.1](https://giallostudio.it/blog/fable-5-2-vs-fable-5-1).

## Dove Fable 5.2 non vince?

Tre punti da tenere presenti, tutti dalla [tabella ufficiale](https://www.anthropic.com/claude-fable-and-mythos-5-2).

1. **[AutomationBench](https://www.anthropic.com/claude-fable-and-mythos-5-2):** 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](https://giallostudio.it/blog/fable-5-2-vs-gpt-6-astra) e a [Fable 5.2 vs Gemini 4 Carbon](https://giallostudio.it/blog/fable-5-2-vs-gemini-4-carbon). I test di GPT-6 Astra sono analizzati in [GPT-6 Astra: benchmark](https://giallostudio.it/blog/gpt-6-astra-benchmark), quelli di Gemini in [Gemini 4 Carbon: benchmark e confronto](https://giallostudio.it/blog/gemini-4-carbon-benchmark-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](https://www.anthropic.com/claude-fable-and-mythos-5-2):

| Benchmark | Fable 5.2 a effort | Risultato dichiarato |
|---|---|---|
| [FrontierCode 2.0](https://www.anthropic.com/claude-fable-and-mythos-5-2) | High | 45,3% contro 45,5% di Opus 5.5 al massimo, per circa metà del costo per compito |
| [WANDR](https://www.anthropic.com/claude-fable-and-mythos-5-2) | 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](https://www.anthropic.com/claude-fable-and-mythos-5-2) | 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](https://giallostudio.it/blog/fable-5-2-livelli-di-ragionamento); sui prezzi in dettaglio c'è [Claude Fable 5.2: prezzi API](https://giallostudio.it/blog/claude-fable-5-2-prezzi-api). Per un confronto sui tipi di lavoro vedi [Fable 5.2 vs Opus 5.5](https://giallostudio.it/blog/fable-5-2-vs-opus-5-5).

<div class="callout"><strong>Attenzione</strong> 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.</div>

## 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](https://www.anthropic.com/claude-fable-and-mythos-5-2).
- **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](https://platform.claude.com/docs/en/models/fable-5-2/whats-new-fable-5-2) 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.

<ol class="steps">
  <li><strong>Raccogli i compiti veri.</strong> Prendi 20-30 richieste già gestite da una persona, comprese quelle storte: PDF scansionati, email incomplete, disegni con note a mano.</li>
  <li><strong>Scrivi prima la risposta giusta.</strong> Per ogni caso fai preparare alla persona che le conosce la soluzione corretta e un criterio chiaro: campo giusto, campo sbagliato, campo mancante.</li>
  <li><strong>Usa lo stesso prompt per tutti.</strong> 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.</li>
  <li><strong>Conta errori, tempi e costo.</strong> Per ogni modello e livello annota gli errori, le correzioni a mano necessarie e il costo per compito, che trovi nei consumi di token.</li>
  <li><strong>Decidi con una regola semplice.</strong> Se il modello più economico sbaglia in modo accettabile, usa quello. Fable ha senso quando l'errore costa più dei token in più.</li>
</ol>

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.

<div class="compare">
  <div class="compare-yes"><h4>I benchmark servono per</h4><ul><li>Restringere la scelta a due o tre modelli</li><li>Capire in quale famiglia di compiti un modello è forte</li><li>Valutare quanto costa salire di livello di effort</li></ul></div>
  <div><h4>I benchmark non servono per</h4><ul><li>Dire che un modello non sbaglierà sui vostri documenti</li><li>Stimare il costo reale di un flusso con molti passaggi</li><li>Sostituire un test con persone che conoscono il lavoro</li></ul></div>
</div>

## Quali errori evitare quando si leggono i benchmark?

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

## 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](https://giallostudio.it/blog/miglior-modello-ai-agenti) e il confronto [Claude Opus 5.5: benchmark e prezzi](https://giallostudio.it/blog/claude-opus-5-5-benchmark-prezzi). Per la parte organizzativa, l'adozione in azienda è trattata in [Claude Fable 5.2 per aziende](https://giallostudio.it/blog/claude-fable-5-2-per-aziende).

Se vuoi impostare questo test sui tuoi documenti e non solo leggerlo, la [consulenza AI di Giallo Studio](https://giallostudio.it/consulenza-ai) 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.

## Domande frequenti

### 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.
