AI指数报告：Claude Fable 5综合得分领先DeepSeek V4 Pro 12分，成本高百倍

背景

2025年7月，随着大语言模型在垂直行业中的应用日益深入，业内对模型能力的评估不再仅依赖通用基准测试，而是转向更贴近实际业务场景的行业任务能力。科技媒体 The Decoder 于7月8日报道，分析机构 Artificial Analysis 新增了6个行业指数测试，旨在衡量模型在金融与会计、法律、医疗与医学、战略与运营、工程和经济学等领域的真实表现。该测试基于美国职业信息网络 O*NET 职业分类体系，按行业任务中技能出现频率分配权重，推出了包含8项指标的全新能力指数。Anthropic 的 Claude Fable 5 模型在全部指标中横扫榜单，位列第一，但其成本也引发了广泛关注。

核心内容

Artificial Analysis 于7月7日在 X 平台发布推文，公布了基于 O*NET 职业分类体系的6个行业指数测试结果。该测试覆盖金融与会计、法律、医疗与医学、战略与运营、工程和经济学共6个行业场景，每个场景按任务中技能出现频率赋予权重，最终形成8项能力指标。

在全部8项指标中，Anthropic 的 Claude Fable 5 模型（使用 Opus 4.8 作为备选模型）均位列第一。Claude Opus 4.8 (max) 在6项指标中排名第二，剩余2项的第二名由 OpenAI 的 GPT-5.5 (xhigh) 夺得。在开放权重模型阵营中，GLM-5.2 (max) 在6个行业指数中的5个中领先，其中在工程基准指数中得分为53分，排名第五，仅落后于 Claude Sonnet 5 (max) 和 GPT-5.5 (xhigh) 2分。

在成本方面，Claude Fable 5 在战略与运营指数中每项任务的成本为 3.48 美元，而 DeepSeek V4 Pro max 的成本仅为 0.03 美元，二者成本差距超过100倍。然而，Claude Fable 5 的性能仅比 DeepSeek V4 Pro max 高出12分（指数得分）。DeepSeek V4 Flash (max) 在所有6个指数上的任务完成成本均低于 0.04 美元，同时得分处于中游水平。

关键要点

• 行业指数测试：Artificial Analysis 基于 O*NET 职业分类体系，针对金融与会计、法律、医疗与医学、战略与运营、工程和经济学6个行业场景，按技能出现频率分配权重，推出8项能力指标。
• Claude Fable 5 全面领先：在所有8项指标中，Claude Fable 5（备选模型 Opus 4.8）均位列第一，表现最强。
• 第二名竞争格局：Claude Opus 4.8 (max) 获得6项第二，GPT-5.5 (xhigh) 获得剩余2项第二。
• 开放权重模型表现：GLM-5.2 (max) 在6个行业指数中的5个领先，在工程基准指数中排名第五（53分），仅落后第三名2分。
• 成本悬殊：Claude Fable 5 在战略与运营指数中每任务成本 3.48 美元，比 DeepSeek V4 Pro max（0.03 美元）高出100多倍，但性能仅高出12分。
• 高性价比选择：DeepSeek V4 Flash (max) 在所有6个指数上任务成本均低于 0.04 美元，得分处于中游，适合成本敏感场景。

意义与影响

本次行业指数测试的发布，标志着大语言模型评估从通用指标向垂直行业任务的实质性转变。O*NET 职业分类体系的引入，使测试结果更贴近实际工作场景，对企业在选择模型时的决策有直接参考价值。Claude Fable 5 的全面领先表明 Anthropic 在高端任务上的强大能力，但其高昂成本（每任务3.48美元）可能限制大规模部署，尤其对于预算有限的企业。相比之下，DeepSeek V4 Pro max 和 Flash 系列以极低成本提供中游性能，为成本敏感型应用提供了可行选择。这一对比凸显了当前大模型领域“性能与成本”之间的巨大权衡，未来行业可能进一步分化：高端场景依赖顶尖模型，而中低端场景则追求性价比。开放权重模型 GLM-5.2 的强劲表现也表明，开源社区在行业任务上正逐步缩小与闭源模型的差距。