Claude Fable 5.2, Artificial Analysis Intelligence Index'te rekor 65 puan aldı

Artificial Analysis endeksinde yeni bir rekor

Claude Fable 5.2, benchmark hizmetinin model sayfasına bağlantı veren ve 9 Kasım 2026'da Hacker News ana sayfasında yayımlanan bir gönderiye göre Artificial Analysis Intelligence Index'te şimdiye kadarki en yüksek puanı aldı. Maksimum yapılandırmasıyla listelenen model 65 puan elde etti. Ne Hacker News gönderisi ne de model sayfası, önceki liderle arasındaki farkı belirtiyor.

Listede, modelin kamuya açık bir API'sinin bulunmadığına dair bir not tekrar tekrar yer alıyor. Bu açıklama sayfanın zekâ, maliyet ve performans bölümlerinin tamamında görünüyor; bu durumun, skorun ölçülmüş bir yetenek olduğunu ve geliştiricilerin şu anda çağırabileceği bir ürün anlamına gelmediğini düşündürüyor.

Endeks neyi ölçüyor

Sonuç, dokuz değerlendirmeyi bir araya getiren Intelligence Index'in 5.0.1 sürümü altında sunuluyor: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 (Hard Subset) ve Terminal-Bench-Science 0.1.

Artificial Analysis'ın metodoloji notlarına göre bu karışım, quiz tarzı bilgi sorularından çok agentic ve uygulamalı çalışmalara yönelik. Bileşen değerlendirmeleri arasında açık kaynak depolarda agentic yazılım geliştirme, bir terminal içinde yürütülen bilimsel araştırma iş akışları ve GDP.pdf testi kapsamındaki profesyonel belge muhakemesi yer alıyor.

İki bileşen sayfada dikkat çekici ayrıntıyla açıklanıyor. Artificial Analysis tarafından şirket içinde geliştirilen AA-Briefcase v1.1, rubrik geçiş oranlarını analitik kalite ve sunuma ilişkin ayrı değerlendirmelerle birleştiren ve Elo derecelendirmesi olarak raporlanan bir agentic bilgi-işi benchmark'ı. AA-Omniscience v1.1 ise -100 ile 100 arasında bir net skor üretiyor; doğru yanıtları ödüllendiriyor, halüsinasyonları cezalandırıyor ve yanıtlamayı reddetmeye ceza uygulamıyor; sıfır puan, doğru ve yanlış yanıtların birbirini dengelediği anlamına geliyor.

Maliyet ve hız verileri yok

Artificial Analysis normalde zekâ skorunu ekonomi ve verimlilik verileriyle birlikte sunuyor: girdi, cache isabet, cache yazma, reasoning ve çıktı token fiyatlarından, görev başına çıktı token sayısından, çıktı hızından, ilk tokena kadar gecikmeden ve context penceresi boyutundan oluşturulan görev başına ağırlıklı ortalama maliyet. Servis, benchmark'ı her altı saatte bir yeniden çalıştırdığını, hız ve gecikmeyi önceki beş günlük endpoint çalışmaları üzerinden ortalamaya aldığını ve kullanımdan kaldırılmış modellerin endpoint'lerini her 18 saatte bir kontrol ettiğini belirtiyor.

Claude Fable 5.2 için bu çevresel veriler, kamuya açık bir API bulunmadığı sürece doldurulamıyor; dolayısıyla başlık sayısı, takip edicinin erişilebilir modeller için normalde sağladığı fiyat ve hız bağlamı olmadan ortaya çıkıyor.

Okuyucular için uyarılar

Skor, endeksin v5.0.1 sürümüne ve dokuz benchmark'ın belirli ağırlıklandırmasına özgü; bu nedenle diğer liderlik tablolarına veya endeksin önceki sürümlerine birebir aktarılamaz. Yoğun agentic bileşen, sonuçların uzun ve araç kullanan iş akışlarını sürdürebilen modelleri öne çıkarabileceği anlamına geliyor; bu da her gerçek dünya görevinde güçlü performans göstermekle aynı şey değil. Son olarak, elimizdeki kaynak malzeme bir model sayfası ile bir Hacker News özetinden oluşuyor; bu yüzden fiyatlandırma, verimlilik ve rakip modellere göre fark gibi ayrıntılar yazım anında mevcut değildi.

Neden önemli

Artificial Analysis Intelligence Index'te kırılan bir rekor, frontier model yarışında en yakından izlenen sinyallerden biri; çünkü benchmark, muhakeme, kodlama ve agentic performansı tek bir karşılaştırılabilir sayıya sıkıştırmaya çalışıyor. Yeni bir zirve, rakip laboratuvarların bundan sonra çıkaracağı ürünlere ilişkin beklentileri kaçınılmaz olarak şekillendirecek.

Hikâyenin ikinci yarısı ise erişim. Bir model bağımsız bir liderlik tablosunun zirvesinde yer alabilir ama belgelenmiş bir endpoint yoksa hâlâ kullanılamaz durumda olabilir; listede tam olarak anlatılan da bu durum. Geliştiriciler için pratik soru artık Claude Fable 5.2'nin yetenekli olup olmadığı değil; ne zaman, hangi fiyatla ve hangi hızla erişilebilir olacağı.

Benchmark'ın bileşimi de başlı başına bir sinyal: değerlendiriciler statik soru setlerinden, gerçek işe daha çok benzeyen agentic ve çok adımlı görevlere istikrarlı bir biçimde yöneliyor ve liderlik tablolarındaki üstünlük giderek bu ölçütler üzerinden tanımlanır hâle geliyor.