HLE 53.3%：在"人类终极考试"上，Fable 5 高出对手 7 分以上意味着什么
2026 年 7 月，BenchLM 的编辑在例行页面更新时，不得不删掉一条写了两年的文案。被删除的那句话是："没有任何模型能在 HLE 基准上突破 50%"。
删掉一句话只需要一秒钟。但 Claude Fable 5 只用不到一个月，就让这条曾经的事实沦为历史。
53.3%。在被称作"AI 终极考题"的 HLE（Humanity's Last Exam，人类终极考试）评测基准上，Fable 5 不仅冲破 50% 的能力天花板，在 Artificial Analysis 的统计口径下，它领先第二名幅度超过 7 个百分点；GPT-5.6 Sol 为 47.2%，Opus 4.8 为 45.7%。
在其他考试里，7 分的差距或许只是一两道题的区别。但在 HLE，这是一道难以逾越的鸿沟。
HLE 是什么？为什么 50% 曾被视作不可逾越的壁垒
要理解 53.3% 的分量，必须先理解这套考题的分量。
HLE 由 Scale AI 与人工智能安全中心（CAIS）联合发起，相关论文发表于《自然》杂志。题库包含 2500 道题目，覆盖数学、物理、化学、历史、语言学、医学等 100 多个学科；题目来自全球 50 多个国家、500 多家机构的近 1000 名专家学者联合打造，包含教授、研究员和研究生。
更关键的是它的筛选标准：每一道题目都出自专家本人的研究领域，拥有唯一正确答案，并且经过严格筛选——如果当时的 AI 可以答对，这道题目就会被剔除作废。从 7 万余道投稿中，经大模型难度过滤、专家人工评审，最终保留 2500 道公开题，另有私藏测试集用于防过拟合。
设计者的目标十分明确：打造一套和 MMLU、GPQA 互补，短期之内 AI 无法靠应试套路刷分的考试。2025 年初刚发布之时，GPT-4o 得分仅有 2.7%。到 2026 年初，最强模型也只能在 30% 上下徘徊。"没有模型可以突破 50%"成为全行业共识。
HLE 官方论文中有一句冷静的提醒："鉴于 AI 发展的快速步伐，模型有可能在 2025 年底前在 HLE 上超过 50% 准确率。但 HLE 上的高准确率仅代表在封闭式、可验证问题上的专家级表现，本身并不等同于自主研究能力或'通用人工智能'。"
直到 Fable 5 把这道壁垒挪开。
为什么是 Fable 5？
53.3% 这个数字背后，有比跑分更值得玩味的细节。
第一，Fable 5 不是"快问快答"型模型。 在 HLE 这类高度依赖跨学科深度推理的测试中，它的优势会完全释放。它不会像部分模型一样立刻输出答案，而是在内部执行多步推理、交叉验证与自我纠错。这种反复推演的特性，在需要串联多领域知识解题的场景下，价值会呈指数级放大。
第二，Fable 5 与 Mythos 5 共享同一套底层架构。 根据 Anthropic 披露的数据，Mythos 5 搭配工具调用在 HLE 上可以达到 64.5%，不带工具也有 59.0%；Fable 5 是经过安全围栏处理的对外版本：遇到网络安全、生物化学等敏感内容时会回退到 Opus 4.8 的能力水平。即便如此，在绝大多数不触发安全护栏的场景下，它依旧保留完整 Mythos 级别的能力。
53.3% 并不是 Fable 5 的原生上限，而是叠加能力限制器之后的结果。
💡 需要客观看待的是：Fable 5 在 HLE 上的单次完整评测成本约为 2174 美元，是 Artificial Analysis 测试过的最昂贵模型。它在智力指数上登顶的同时，单次完整评测的费用也比 Opus 4.8 高出约 5.7% 的性能、却要多付一倍的价钱。这恰恰说明——"能力天花板"与"成本天花板"正在同步抬升。
7 个百分点的差距意味着什么
在 HLE 排行榜上，头部模型的分数挤得非常紧凑。Fable 5 的 53.3% 与第二十名 38.1% 之间，总差距也仅有 15 个百分点。在竞争如此激烈的榜单中，领先第二名超过 7 个百分点，这个差距本身就是强烈信号。
这代表在"闭卷知识+深度推理"这个维度上，Fable 5 已经和其余所有竞品不在同一梯队。我们可以对比一下各家在 GPQA Diamond（科学问答）上的表现：Fable 5 为 92.6%，GPT-5.6 Sol 为 94.1%，Opus 4.8 为 92.0%——各家还互有来回。但来到 HLE 这套难度最高的闭卷知识测试，差距瞬间被拉开：Fable 5 的 53.3% 对比 GPT-5.6 Sol 的 47.2%、Opus 4.8 的 45.7%。
这种"专项强势"正是最耐人寻味之处。 Fable 5 并非在所有项目上碾压对手，而是专攻真正高难度任务。日常问答、选择题各家表现接近；但当你抛出一道需要串联量子力学与哲学史才能解决的问题时，Fable 5 可以继续推进，其他模型则寸步难行。
53.3% 的真正意义：天花板还可以更高
HLE 的设计者曾经说过："在这套考试拿高分，并不代表通用人工智能（AGI）已经到来。" 这话没错。53.3% 距离及格线尚且遥远，更谈不上超越人类专家。
但 53.3% 的意义不在于分数高低。它打破了持续两年"无人能突破 50%"的魔咒。 那道曾经被视作 AI 能力边界的分数线，被 Fable 5 跨越。
更值得关注的是效率维度。在 Artificial Analysis 智力指数上，Fable 5 以 59.9 分位列第三，仅次于 Opus 5 的两档配置；但 Fable 5 每秒 59 token 的推理速度、每百万 token 20 美元的定价，让它成为"Mythos 级别能力"的第一个对外商用版本。AI 咨询机构 The Decoder 的评价一针见血：Fable 5 用两倍的价格，买到了约 5.7% 的性能提升——企业必须仔细权衡，哪些场景真正值得为这 5.7% 付出双倍成本。
在 HLE 这套评测体系下，7 分的领先，不是小版本迭代，而是代际跃迁。 Fable 5 用 53.3% 告诉行业：这条赛道远没有走到终点，天花板还可以抬得更高。
企业如何更从容地驾驭"能力分化"的新时代
推理人工智能的新时代，不仅由某一个模型单方面宣告，更由整个生态的协同演进共同定义。当 HLE 以 53.3% 重新划定闭卷推理的能力基线，当 Stripe 两个月的工作量一日完成，当"长周期任务"从技术术语变为商业决策变量——时代的转向已然到来。
对于国内企业而言，如何便捷、稳定、经济地接入包括 Claude Fable 5、GPT-5.6、Gemini、DeepSeek 在内的全球主流大模型，并让前沿模型的推理能力真正落入生产线，成为把握这一轮技术红利的关键。
UseAIAPI 一站式聚合 Gemini（含 3.6 Flash、3.5 Flash、3.1 Pro 等最新模型）、Claude、ChatGPT、DeepSeek 等全球主流大模型，并提供企业级定制化部署服务，海外账号注册、信用卡绑卡、汇损折算、合规账务这些琐事可以一并省掉。平台支持企业按业务场景灵活选用模型，优惠折扣最低可达官方价格的 50%。
这意味着在代码生成、长文本处理、批量内容产出、多智能体并行等高频企业场景中，通过 UseAIAPI 接入：
Claude Fable 5 的 10/50 美元单价，将在官方价基础上进一步下探，让"用神话级模型做深度推理与复杂规划"从奢侈品变为可负担的日常工具
Gemini 3.5 Flash 的 1.5/9 美元官方价，通过 UseAIAPI 接入后降至 0.75/4.5 美元每百万 token；Gemini 3.1 Pro 从 2/12 美元降至 1/6 美元
多模型统一入口：无需为每个大模型分别注册海外账号、配置支付方式，一套 API Key 打通全球主流模型，结合谷歌原生的 Batch 5 折与缓存机制，单位成本可以进一步压低
企业级定制能力：支持按需定制并发、配额、路由策略，满足高强度内容生成、自动化智能体、大规模文档处理等重消耗场景
合规的基础设施：通过海外合规节点接入官方 API，提供企业级 SLA 保障，规避个人开发者难以解决的地区可用性门槛与数据中心 IP 风控风险
💡 对于研发团队而言，可参考"分层选型框架"：用 Gemini 3.5 Flash 或 DeepSeek 承接约 80% 的常规任务（客服问答、摘要、常规代码改动），以最优性价比覆盖最大调用量；当遇到 HLE 级别的跨学科深度推理、FrontierCode Diamond 级的生产级代码重构、长周期智能体工作流等攻坚任务时，再切换至 Claude Fable 5 级别模型。在 UseAIAPI 渠道 5 折优惠的基础上，这套"Flash+DeepSeek 常规承接、Fable 5 攻坚兜底"的分层选型策略，综合性价比优势将进一步放大。
人工智能正在变得像自来水一样唾手可得——而让这股水源稳定、经济地流入企业生产线，让每一家企业都能在"模型能力分化"的新时代里找到最优的成本与性能平衡点，正是新一代接入服务的核心价值所在。