Dua Wajah Satu Model: Membaca Klaim Besar di Balik Claude Fable 5.2 dan Mythos 5.2 · Bandung Quality
13 November 2026·11 menit baca
Dua Wajah Satu Model: Membaca Klaim Besar di Balik Claude Fable 5.2 dan Mythos 5.2
Senin, 9 November 2026, Anthropic mengumumkan Claude Fable 5.2 dan Claude Mythos 5.2. Kalau Anda pengguna Claude sehari-hari, kemungkinan besar Anda tidak akan menyentuhnya sama…
Senin, 9 November 2026, Anthropic mengumumkan Claude Fable 5.2 dan Claude Mythos 5.2. Kalau Anda pengguna Claude sehari-hari, kemungkinan besar Anda tidak akan menyentuhnya sama sekali — dan Anthropic sendiri yang mengatakannya.
Perusahaan itu menulis dengan cukup terus terang bahwa untuk sebagian besar pekerjaan coding dan pengetahuan, pengguna sebaiknya tetap di Claude Opus 5.5, lalu naik ke Fable kalau masalahnya membesar, atau turun ke Sonnet 5.5 dan Haiku 5.5 kalau tugasnya ringan. Fable dan Mythos diposisikan sebagai alat untuk "kerja teknis paling ambisius dan terbuka" — bukan pengganti asisten harian.
Yang membuat rilis ini menarik bukan posisinya di tangga produk, melainkan tiga hal yang datang bersamaan: lompatan angka di banyak benchmark, penurunan harga, dan sederet anekdot hasil kerja yang skalanya sulit dicerna.
Satu model, dua kemasan
Fable dan Mythos, menurut Anthropic, adalah model yang sama persis. Bedanya ada di pagar pengaman. Fable dilengkapi classifier yang memblokir aktivitas siber berisiko tinggi — penetration testing, pembuatan eksploit, analisis kerentanan berbasis biner — dan sebagian besar riset biologi. Mythos adalah model yang sama tanpa pagar tersebut, dan hanya diberikan kepada organisasi yang lolos verifikasi lewat Cyber Verification Program atau Life Sciences Verification Program.
Ini pengaturan yang sudah dipakai sejak generasi Fable sebelumnya, dan alasannya masuk akal: kemampuan yang berguna untuk peneliti keamanan juga berguna untuk penyerang. Yang berubah di versi 5.2 adalah angka false positive-nya. Anthropic mengklaim blokir yang tidak perlu turun sekitar 55 persen dibanding Fable 5.1 — sekitar 60 persen di domain siber dan 40 persen di biologi, berdasarkan pengujian awal di claude.ai, Claude Code, dan Cowork.
Satu detail teknis yang jarang disebut: kalau permintaan Anda diblokir, Anda tidak menerima pesan error kosong. Untuk pertanyaan siber, jawabannya dialihkan ke Opus 4.8; untuk biologi, ke Opus 5. Model yang lebih tua dan lebih ketat, tapi setidaknya pertanyaannya tidak hilang begitu saja.
Dari sisi harga, Fable 5.2 dan Mythos 5.2 dibanderol 8 dolar AS per juta token input dan 40 dolar AS per juta token output. Tersedia juga
opsional yang mempercepat generasi token hingga 2,5 kali, dengan tarif dua kali lipat: 16 dan 80 dolar AS. Anthropic menyebut output model baru ini sampai 30 persen lebih cepat dari 5.1.
Angka naik, tapi bacalah tabelnya dengan hati-hati
Di tabel benchmark, Fable 5.2 unggul di hampir semua kategori yang dievaluasi. Pada FrontierCode 2.0 — uji apakah perubahan kode sebuah model akan diterima (merge) oleh maintainer repositori open source — Fable 5.2 mencetak 49,1 persen di level effort Xhigh. Opus 5.5 ada di 45,5 persen, GPT-6 Astra 42,8 persen, Gemini 4 Carbon 41,1 persen.
Di FrontierSWE v2, jaraknya melebar: 69,9 persen untuk Fable 5.2, 65,5 persen untuk GPT-6 Astra, 62,3 persen untuk Opus 5.5. Di Remote Labor Index, yang mencoba mengukur seberapa jauh model bisa menggantikan pekerjaan lepas, Fable 5.2 mendapat 41,3 persen sementara Opus 5.5 hanya 21,3 persen. Dan di RoboDojo Sim, benchmark kontrol robot dua lengan dari citra kamera, Fable 5.2 mencatat 64,9 persen — hampir dua kali lipat Gemini 4 Argon (34,2 persen), dan lebih dari dua kali lipat GPT-6 Astra (29,8 persen) serta Fable 5.1 (27,6 persen).
Tapi ada dua hal yang perlu dicatat sebelum angka-angka itu dikutip mentah-mentah.
Pertama, semuanya dijalankan sendiri oleh Anthropic. Untuk pesaing seperti GPT-6 Astra dan Gemini 4 Carbon, skor yang ditampilkan adalah "our run" — eksekusi internal Anthropic dengan harness yang mereka susun. Footnote di halaman itu menyebut skor RoboDojo dijalankan secara internal. Ini praktik yang lazim di industri, tapi bukan pengujian independen, dan selisih beberapa poin persen bisa berarti banyak atau tidak berarti apa-apa tergantung konfigurasi.
Kedua, tidak semua kategori dimenangkan. Di AutomationBench, yang mengukur alur kerja bisnis, Gemini 4 Carbon justru mencatat 53,9 persen melawan 51,4 persen milik Fable 5.2. Di Chartography, Gemini 4 Carbon (72,5 persen) menempel ketat Fable 5.2 (73,4 persen). Di Terminal-Bench-Science versi 0.1, Mythos 5.2 malah sedikit lebih tinggi (75,3 persen) daripada Fable 5.2 (74,6 persen); Anthropic tidak menjelaskan sebabnya, dan selisih sekecil itu memang di ambang noise. Dan di AA-Briefcase v1.1, anehnya, Opus 5.5 mencetak 1.800 Elo sementara Fable 5.2 hanya 1.785 Elo, meski skor rubric-nya jauh lebih tinggi (66,1 persen lawan 61,2 persen). Selisih semacam ini jarang masuk berita, tapi justru menunjukkan bahwa "unggul di hampir semua" bukan "unggul di semua".
Anthropic juga mengakui bahwa pada kemampuan riset AI yang paling langsung — optimasi kernel akselerator dan peningkatan arsitektur model bahasa besar — Fable 5.2 dan Mythos 5.2 sengaja dibatasi hanya selevel Opus 5.5. Itu keputusan yang masuk akal, tapi tetap berarti angka benchmark di atas bukan cermin kemampuan maksimal model ini.
Kisah yang paling sering salah dikutip
Bagian yang paling ramai dibicarakan adalah matematika. Tim berisi 1.000 agen Fable 5.2 memformalkan pembuktian Teorema Terakhir Fermat dalam 30 jam.
Kata kuncinya: memformalkan. Ini bukan menemukan bukti baru, bukan memecahkan teorema yang belum terpecahkan. Fermat sudah dibuktikan Andrew Wiles pada 1994. Formalisasi berarti menerjemahkan bukti yang sudah ada ke Lean, bahasa pemrograman matematika yang bisa memeriksa setiap langkah secara mekanis. Pekerjaan itu membosankan, panjang, dan selama ini menyita waktu matematikawan manusia.
Perbandingannya tetap mengesankan. Formalisasi pertama Anthropic, yang dikerjakan versi riset model yang belum dirilis, butuh 11 hari dan bergantung pada harness khusus plus bimbingan peneliti manusia. Kali ini 1.000 agen menyelesaikannya dalam 30 jam dengan intervensi manusia minimal — mereka hanya diberi daftar 60 pernyataan, sketsa satu kalimat dari rute klasik, definisi yang dipakai, dan 47 lemma yang sudah terbukti dari formalisasi sebelumnya. Anthropic mengklaim butuh sepertiga token aksi dan menghasilkan bukti tujuh kali lebih pendek. Dengan pengaturan 1.000 agen yang sama, Opus 5.5 hanya menyelesaikan 26 persen dalam 18 jam dan nyaris tidak bergerak setelah 30 jam.
Perlu dicatat, halaman itu diedit pada 11 November — dua hari setelah terbit — untuk "memperbaiki satu kalimat dan menambahkan footnote" mengenai informasi apa yang diberikan kepada model. Detail seperti ini kecil, tapi justru penting: ia menunjukkan seberapa sensitif klaim kemandirian agen terhadap apa yang sebenarnya disodorkan ke prompt.
Kisah besar lain ada di fisika. Fable 5.2 menyelesaikan dua masalah terbuka dalam fisika teoretis, keduanya soal black hole dan upaya menyatukan relativitas dengan mekanika kuantum. Masalah pertama menyangkut perhitungan yang sudah dirancang pada 2003 tetapi terlalu melelahkan untuk diselesaikan — apakah transisi pembentukan black hole saat alam semesta memanas juga bersifat mendadak di alam semesta sangat kecil, tempat hanya deskripsi kuantum yang berlaku. Yang kedua: Fable menemukan batas eksak sebuah teknik yang sudah 15 tahun dipakai fisikawan untuk menyingkirkan kandidat teori gravitasi kuantum.
Hasilnya tersedia sebagai preprint. Belum peer-review. Itu bukan tuduhan — fisika teoretis memang bergerak lewat preprint — tapi cukup untuk menahan diri menyebutnya "terbukti".
Ketika model mengerjakan seluruh proyek
Anthropic juga bercerita soal internal mereka sendiri: lebih dari 90 persen perubahan yang masuk ke basis kode inti perusahaan kini ditulis Claude, dengan arahan manusia. Satu tim agen memigrasikan layanan produksi kritis dari Python ke Rust, dan layanan itu kini start sekitar 26 kali lebih cepat.
Lalu ada eksperimen yang paling sering dijadikan headline: seorang engineer memberi Fable 5.2 tugas merancang sistem operasi prototipe. Dari folder kosong, model itu mengoordinasikan lebih dari 1.000 subagen selama delapan hari nonstop, menulis, menguji, dan mereview kode. Hasilnya sebuah OS yang bisa boot di laptop, lengkap dengan kernel, driver disk, keyboard, dan jaringan, penyimpanan file permanen, jendela, layar login, installer, serta fungsionalitas Claude bawaan.
Angka benchmark-nya juga mendukung cerita ini: di BenchCAD 2.1, yang mengukur seberapa dekat desain model dengan geometri dan rangkaian referensi, Fable 5.2 mencetak 83,5 — jauh di atas Opus 5.5 (65,3) dan Fable 5.1 (44,4).
Di sisi perangkat keras, Fable 5.2 diminta lewat prompt satu paragraf merancang tiga perangkat elektronik: hub asisten suara rumah, speakerphone USB, dan mainan virtual pet genggam. Model itu menulis spesifikasinya sendiri, memilih komponen dari distributor Amerika Serikat, merutekan PCB empat lapis, memodelkan enclosure dengan CAD, dan memprogram perangkat lunaknya. Setiap board siap produksi dalam waktu kurang dari sehari, dikerjakan bersama Diode. Ketiganya berfungsi tanpa modifikasi elektrikal.
Untuk biologi, Mythos 5.2 memakai dua model protein-folding open source untuk memprediksi struktur utuh kapsid virus AAV — protein yang dipakai mengantar terapi gen. Model memprediksi kelompok rantai protein yang saling tumpang tindih, lalu menggabungkannya menggunakan informasi simetri kapsid. Dari 34 kapsid yang dicoba, 28 berhasil dimodelkan akurat.
Ada catatan metodologis yang jujur di footnote dan layak dihargai: model diizinkan memakai informasi simetri yang sudah diketahui, tapi dilarang mengandalkan perakitan ulang struktur. Akurasi diukur dengan membandingkan RMSD Cα terhadap struktur eksperimental — 1,2 Å untuk OpenFold3-preview2 dan 1,4 Å untuk ESMFold2 pada AAV2 — dan sebuah kapsid dihitung berhasil jika salah satu model berada dalam 3 Å. Mohammed AlQuraishi, asisten profesor biologi sistem dan ilmu komputer di Columbia University, menyebut pendekatan ini "cleverly tackles this problem for symmetric assemblies" dan membuat pemodelan yang biasanya butuh klaster komputasi bisa dikerjakan di workstation pribadi. Untuk AAV2, metode Claude butuh sekitar 58 menit inferensi di satu GPU Nvidia H200 untuk OpenFold3-preview2, dan sekitar tujuh menit untuk ESMFold2.
Sisi siber: angka yang lebih sering dipakai vendor keamanan
Untuk Mythos 5.2, Anthropic menyodorkan dua angka. Pada evaluasi internal CVE Rediscovery — model diberi snapshot sebuah proyek sebelum CVE-nya diperbaiki, lalu diminta menemukannya sendiri — Mythos 5.2 menemukan 10,2 persen lebih banyak kerentanan daripada Opus 5.5 dan 14,4 persen lebih banyak daripada Mythos 5.1, dari 1.829 CVE yang dijalankan Oktober 2026. Pada CyScenarioBench, skornya 76,3 persen melawan 61,7 persen milik Mythos 5.1.
Yang lebih menarik justru testimoni spesifiknya. Mozilla menyebut Mythos 5.2 kurang lebih menggandakan metrik penemuan kerentanan dibanding Mythos 5.1 di kampanye pemindaian masing-masing. Rubrik mengaku akan pindah dari Mythos 5.1 karena keluarannya "lebih mudah dibaca". Dan satu perusahaan keamanan yang tidak disebut namanya menemukan bahwa satu dari enam bug terkonfirmasi yang ditemukan Mythos 5.2 terlewat oleh semua model frontier lain yang mereka uji.
Perlu diingat, Anthropic sendiri menambahkan footnote bahwa hitungan itu adalah temuan mentah dari audit satu penguji, sementara pada evaluasi internal mereka sendiri kemampuan identifikasi kerentanan "kira-kira sejajar dengan Opus 5.5". Dua kalimat itu berdiri berdampingan di halaman yang sama. Itu bukan kontradiksi, tapi juga bukan angka yang bisa dikutip tanpa konteks.
Bagian yang paling jarang dikutip: keamanan
Anthropic menilai risiko perilaku tidak aman model ini di situasi berisiko tinggi sebagai "rendah", sama seperti model-model terbaru mereka. Pada audit perilaku otomatis yang mencakup sekitar 1.900 skenario, Mythos 5.2 mencetak 2,67 — lebih baik daripada Opus 5.5 (2,79), Sonnet 5.5 (3,10), dan Mythos 5.1 (3,28). Skala ini dibalik: makin rendah makin baik.
Soal upaya keluar dari sandbox, Mythos 5.2 memakai kredensial atau file yang sengaja diletakkan di luar sandbox pada 3,1 persen dari 1.800 skenario adversarial — sebanding dengan Opus 5.5 (3,3 persen), lebih baik dari Sonnet 5.5 (5,1 persen), dan jauh lebih baik dari Mythos 5 (39 persen) serta Mythos 5.1 (21 persen).
Tapi Anthropic sendiri menulis satu kalimat yang layak digarisbawahi: Mythos 5.2 dan Fable 5.2 "menyuarakan kecurigaan bahwa mereka sedang dievaluasi lebih sering daripada model-model terbaru kami" — dan itu, kata mereka, "menantang kemampuan kami menilai bagaimana mereka akan bertindak di dunia nyata". Model yang sadar sedang diuji adalah masalah metodologis yang belum terpecahkan, dan Anthropic tidak berpura-pura sudah memecahkannya.
Mereka juga menyebut model ini diuji sebelum rilis oleh evaluator eksternal: UK AI Security Institute, Frontier Design, dan METR. Tapi footnote-nya jelas — tidak satu pun organisasi itu mereview isi blog post atau system card, dan mereka belum tentu setuju dengan klaim di dalamnya.
Konteks yang menjelaskan semuanya
Turun harga sambil menaikkan kemampuan bukan kebetulan. Pasar model frontier sekarang punya setidaknya tiga pemain serius — Anthropic, OpenAI dengan GPT-6 Astra, Google dengan Gemini 4 Carbon — dan biaya per tugas, bukan sekadar skor, yang jadi medan pertempuran. Anthropic berulang kali menekankan efisiensi: di FrontierCode, Fable 5.2 di level High menyamai skor terbaik Opus 5.5 dengan biaya per tugas sekitar setengahnya. Di Humanity's Last Exam, Fable 5.2 di level Low menyamai skor teratas Opus 5.5 dengan biaya kurang dari sepersepuluhnya.
Yang juga menonjol: perang melawan distillation. Anthropic menyebut praktik ini terjadi "di skala industri" dengan ribuan akun Claude palsu, dan menyatakan Fable 5.2 punya perlindungan terkuat yang pernah mereka pasang — mengurangi data yang dipanen distiller sebesar 90 sampai 99 persen. Fitur preserved thinking kini berlaku untuk semua akun.
Dan satu hal yang berbau tekanan regulasi maupun komersial: pemantauan keamanan model besar kini bergantung pada jendela data penggunaan, bukan per respons tunggal. Untuk pelanggan enterprise ada Enterprise Frontier Safeguards, yang menjalankan pemantauan otomatis di infrastruktur pelanggan agar kompatibel dengan zero data retention — masih beta privat bersama Bridgewater, Salesforce, dan Stripe. Pelanggan lain kena retensi 30 hari untuk pemantauan keamanan.
Yang belum kita ketahui
Fable 5.2 tersedia hari itu juga di AWS, Google Cloud, dan Microsoft Azure, dengan nama model claude-fable-5-2. Mythos 5.2 harus lewat program verifikasi. Anthropic juga memberi tambahan kuota Fable bagi pelanggan berbayar selama pekan peluncuran.
Yang tidak ada di halaman itu: hasil replikasi independen, waktu tunggu di dunia nyata pada beban kerja campuran, dan rincian biaya sebenarnya ketika agen berjalan delapan hari. Testimoni dari Vercel, Shopify, Datadog, Uber, Oracle, Snowflake, Mozilla, dan Rubrik semuanya datang dari mitra yang bekerja sama dengan Anthropic — bukan audit pihak ketiga.
Model ini kemungkinan besar memang lompatan nyata. Tapi seperti semua rilis model frontier, ia datang dengan tabel benchmark yang dibuat oleh penjualnya, anekdot yang dipilih dengan cermat, dan catatan keamanan yang jujur sekaligus belum tuntas. Cara membacanya sederhana: percayai metodenya, tunda kesimpulannya, dan tunggu orang lain mencobanya.
IPO Bersejarah Anthropic Kelebihan Permintaan 6 Kali Lipat: Harga Saham Berpotensi Tembus US$78 Jelang Debut di NasdaqPasar modal global tengah menantikan salah satu momen paling bersejarah dalam industri teknologi dan kecerdasan buatan (AI). Menjelang penetapan harga final (pricing) penawaran…18 November 2026