Claude Fable 5.2, Artificial Analysis 지수 65로 역대 최고지만 비용·속도는 최하위권
Claude Fable 5.2 scores 65 on Artificial Analysis, highest so far
TL;DR Highlight
Fable 5.2(max)는 지능 지수 65로 1위지만 작업당 $26.54, 46.4분이 든다
Who Should Read
새 모델로 갈아탈지 비용·지연 시간 기준으로 따져야 하는 LLM API 백엔드 개발자
Core Mechanics
- 지능 지수 65로 1위
- Artificial Analysis Intelligence Index v5.0.1에서 65점을 받아 734개 모델 중 1위다.
- 비슷한 가격대 모델의 중앙값은 40이다.
- 작업당 비용 $26.54로 최하위
- Intelligence Index 작업 하나를 평가하는 데 평균 $26.54가 든다.
- 비용 순위는 73개 중 73위다.
- 가격은 중앙값의 4배
- 입력은 100만 토큰당 $8.00이고 중앙값은 $2.00이다.
- 출력은 100만 토큰당 $40.00이고 중앙값은 $10.00이다.
- 작업당 46.4분, 첫 답변까지 215.95초
- 비슷한 가격대 중앙값은 작업당 12.6분이다.
- 첫 답변 토큰까지의 중앙값은 11.84초다.
- 말이 매우 많다
- 평가 중 출력 토큰이 275M 나와 중앙값 72.8M보다 훨씬 많다.
- 캐시 할인율은 98%다.
- 스펙은 1M 컨텍스트, 텍스트·이미지 입력
- 추론(reasoning) 모델이고 출력은 텍스트만 지원한다.
- 2026년 11월 9일 출시됐고 API 제공 업체는 6곳이다.
Community Reactions
- max 설정은 실사용과 거리가 멀다는 의견
- 이 사이트 차트는 기본이 max effort라 모델의 한계를 보여줄 뿐 실무에서는 거의 안 쓴다는 의견이 있었다.
- 코딩 차트에서 Fable 5.2 medium은 Opus 5.5 high/xhigh 대비 매력적이라는 평가가 있었다.
- 토큰 폭증으로 비용이 두 배라는 지적
- Fable 5.1은 작업당 118k 토큰(답변 46k, 추론 71k)이었는데 5.2는 274k 토큰(답변 81k, 추론 192k)이라는 댓글이 있었다.
- 가격 인하에도 작업당 비용이 5.1의 두 배라는 지적이다.
- 실사용에서는 기대 이하였다는 경험
- 6턴, 약 10분 추론을 돌려 봤더니 얕은 논리로 맴돌아 5.5로 돌아가겠다는 경험이 있었다.
- 기능 설계를 분석시켰더니 여러 번 거짓말을 해서 Opus 5.5가 더 낫더라는 경험도 있었다.
- 벤치마크 신뢰도에 대한 반론
- Artificial Analysis가 AI 랩의 비용을 받고 방법론도 전부 공개하지 않아 의미 없다는 의견이 있었다.
- 지연이 길어 연산을 쏟아부어 점수를 올린 것 아니냐는 의견도 있었다.
- 플래너·리뷰어 역할이면 값어치가 있다는 의견
- Fable은 주력 모델보다 계획 수립이나 계획 검토용이라 최고 성능이 필요하다는 의견이 있었다.
- high 설정이 62점으로 비용은 3분의 1이라는 댓글도 있었다.
How to Apply
- 지금 쓰는 모델과 비용·시간 비교표 만들기
- 오늘 우리 서비스의 대표 작업 10개를 골라 현재 모델과 Fable 5.2의 토큰 수·지연 시간을 나란히 기록하라.
- 지능 점수보다 작업당 비용과 시간을 먼저 비교하라.
- effort를 max 대신 medium·high로 테스트하기
- 같은 프롬프트를 max, high, medium으로 돌려 품질 차이와 비용 차이를 측정하라.
- 차이가 작으면 낮은 설정을 기본값으로 고정하라.
- Fable은 계획·리뷰 단계에만 쓰기
- 에이전트 파이프라인에서 계획 수립과 결과 검토 단계만 Fable로 라우팅하라.
- 실행 단계는 더 싼 모델에 맡겨 호출 수를 줄여라.
Try It
# Claude나 ChatGPT에 붙여넣는 프롬프트 (원문 수치 기반 비용 계산기)
아래는 모델별 가격과 우리 작업의 토큰 사용량이다.
- Fable 5.2: 입력 $8.00/1M, 출력 $40.00/1M
- 비교 모델: 입력 {{입력단가}}/1M, 출력 {{출력단가}}/1M
- 우리 작업 1건 평균: 입력 {{입력토큰}}, 출력 {{출력토큰}} (추론 토큰 포함)
- 월 호출 수: {{월호출수}}
두 모델의 월 비용을 표로 계산하고, 출력 토큰이 2배 늘면 비용이 어떻게 달라지는지 같이 보여줘.
이어서 해 볼 것: 같은 표에 effort를 낮췄을 때의 예상 출력 토큰을 넣고 다시 계산해 보자.Terminology
관련 논문
Gemini 4 Neon 출시: 프런티어급 성능, 빠른 속도, 낮은 작업당 비용
Gemini 4 Neon은 Carbon보다 작업당 비용 32%↓, 입력 $3·출력 $15
AI가 All About Berlin을 죽이고 있다
Google AI Overviews 도입 후 베를린 가이드 사이트 트래픽이 70~75% 줄었다
모든 걸 LLM에 맡기지 마라: PostHog의 decision model 활용기
PostHog는 작은 decision model로 LLM 호출 98.7%를 건너뛰었다
GPT-6.2 Astra·Sol 출시, 댓글로 본 비용·속도와 에이전트 동작 후기
GPT-6.2 Astra·Sol은 비용이 크게 줄었지만 과설계·조기 종료 후기가 엇갈린다
TrnRT: AWS Trainium용 오픈소스 LLM 추론 엔진
trn2.48xlarge 한 대로 GLM-5.3-Flash를 OpenAI 호환 API로 서빙한다
언제 줌해야 할까: VLM에게 이미지는 얼마나 작아야 너무 작은가
큰 사진을 타일로 쪼개 보내니 Claude·Gemini 정확도가 11~14.5%p 올랐다
최신 LLM의 Positional Embedding 이해하기
GPT-2부터 RoPE까지, LLM이 토큰 위치를 넣는 방식을 정리했다
DeepSeek V3를 순수 JAX 190줄로 구현해 MacBook Air에서 학습
DeepSeek V3 핵심 구조를 JAX 190줄로 짜서 맥북에어에서 2.6시간 학습