Gemini 4 Carbon 与 Fable 5.2：智能体编程该选哪一个？

Anthropic 于 2026 年 11 月 9 日发布了 Claude Fable 5.2。一天后，Google 让 Gemini 4 Carbon 正式普遍可用。Anthropic 自家的发布基准测试表中包含 Carbon 一列，因此可以用它来比较两款模型在相同长时程编程工作负载下的表现。

两款模型面向的都是同一类任务：长时程智能体编程。智能体读取代码仓库、编辑多个文件、运行命令、查看测试输出，并在没有人工介入的情况下持续工作 15 到 45 分钟。本文评测的就是这类任务。聊天、自动补全和短脚本属于不同的测试。

简而言之

Fable 5.2 在列出的高难度编程基准测试中领先，且在相同推理强度下速度更快，在 AA 排名中包揽前三，领先于排名第 4 的 Carbon High。Carbon 在列出的 Terminal-Bench 4.0 和 AutomationBench-AA 项目中得分更高；在 Google 的优惠价于 11 月 30 日结束前，高推理强度下每项任务的成本也更低。中等推理强度下，Fable 更便宜、速度更快，而 Carbon 的 AA 指数得分更高。

高难度代码推理选 Fable，终端执行和自动化选 Carbon；选用前请先确认输入、数据保留和输出限制。

同一评测框架下的结果

Artificial Analysis 使用相同的评测框架和任务测试所有模型；其 Carbon 和 Fable 页面列出了各项评测结果。数据来自其 2026 年 11 月 11 日的快照；AA 使用标准标价，不采用 Google 的优惠价。

注：AA 智能指数和单项任务成本采用标准价格，快照时间为 2026-11-11T05:23Z。Fable Max、Xhigh 和 High 分列第 1 至第 3 名；Carbon High 排名第 4；Opus 5.5 Max 排名第 5；Carbon Medium 排名第 6。首 token 指生成第一个回答 token 所需的时间。

在高推理强度下，Fable 领先 1.79 分，每项任务成本高出 17.0%（$9.08 对比 $7.76），耗时 17.3 分钟，而 Carbon 需要 25.6 分钟；生成首个 token 也只需 30.4 秒，而 Carbon 需要 67.1 秒。Max 每项任务成本为 $26.54，是 Carbon High 的 3.4 倍，等待时间为 233.9 秒。

中等推理强度下，排名顺序有所变化：Fable 得分为 56.41，低于 Carbon 的 58.26，差 1.85 分，但成本为 $3.80，低于 Carbon 的 $6.59；耗时为 7.8 分钟，而 Carbon 需要 23.3 分钟。Carbon 的 token 单价更低，但在这里每项任务的成本并不更低，因为它消耗的 token 更多。

注：Artificial Analysis，采用相同评测框架和快照。无幻觉率指 Omniscience 回答中没有编造内容的比例；准确率是另一项独立得分。每一行都是越高越好。为使表格更易阅读，省略了 Fable Xhigh；其 FrontierCode 2.0 得分为 47.58。

在高推理强度下，哪款模型在各项测试中领先？下方的差值为 Carbon 减去 Fable；它直观地显示了领先方向，上表则保留了绝对分数。

这些是各项独立测试中的百分点差，并非综合质量得分。某项基准测试上的差值更大，不代表整体能力提升更多。尤其是，无幻觉率和准确率衡量的是不同结果。
高推理强度下，Fable 在 FrontierCode 2.0 上领先 8.57 分，在 HLE-Diamond 上领先 4.7 分；Briefcase Elo 为 1677.4，对比 Carbon 的 1610.6。FrontierCode 是最接近高难度多文件代码修改的基准测试。Carbon 在 Terminal-Bench 4.0 上领先 5.55 分，在 AutomationBench 上领先 6.46 分；这两项测试侧重命令行执行、故障恢复和自动化。

无幻觉率的差距是表中最大的：高推理强度下，Carbon 为 88.58%，Fable 为 42.02%。准确率则相反，分别为 58.27% 和 77.23%。Carbon 较少编造内容，但答对的可能性也较低。对于不能编造 API 的智能体，这一点可能很重要；对于必须给出正确答案的智能体，Fable 的准确率更有参考价值。

推理强度越高，表现并非总是越好：Fable Max 的 FrontierCode 得分为 48.76，略低于 High 的 49.13；Terminal-Bench 得分则维持在 59.6。

Anthropic 自家的表格

Anthropic 的发布页面公布了一张包含 Carbon 的跨供应商对比表。其设置与 AA 不同：Fable 使用 Xhigh，即其报告的最高推理强度；Carbon 使用 Medium。请只在这张表内部进行比较。

注：数据由 Anthropic 自行报告。Fable 使用 Xhigh，即其最高可用推理强度；Carbon 使用 Medium。Anthropic 的 AutomationBench 评分标准与 AA 不同（51.4/53.9 对比 71.36/77.82），因此请在各自表格内比较。Carbon 的 FrontierCode 得分 41.1 来自 Medium 推理强度测试；AA 的 40.56 来自不同评测框架下的 High 测试。

整体趋势与 AA 的结果一致：Fable 在 FrontierCode、FrontierSWE、OSWorld 和 TB-Science 上领先；Carbon 在 AutomationBench 上领先 2.5 分，差距小于 AA 的 6.5 分，但领先方向相同。这张表支持“Carbon 在自动化方面很有竞争力”，但不支持“Carbon 是更好的高难度代码模型”。

Anthropic 自己的推荐让“Fable 是升级之选”这一说法变得复杂：“对于大多数编程和知识类任务，我们建议用户从 Claude Opus 5.5 开始使用。”Anthropic 表示，在高推理强度下，Fable 的得分与 Opus 5.5 的最佳成绩大致相当（45.3% 对比 45.5%），但每项任务的成本约为其一半。

token 成本

注：官方价格，单位为美元/1M tokens。Fable 缓存写入：$10（5 分钟）或 $16（1 小时）；批量处理享 50% 折扣。Carbon 的缓存价格为读取价格；Opus 5.5 官方缓存读取价格为 $0.20。

Fable 的 token 单价是 Carbon 标准价格的两倍，是其优惠价的四倍。比例很简单，但单项任务的账单并非如此。AA 测得，Carbon High 在 $4/$20 的价格下每项任务成本为 $7.76，而 Fable High 为 $9.08，相差 17.0%。按 Google 的 $2/$10 价格，同样的用量成本约为 $3.88，这是计算所得的估算值。11 月 30 日之前，Fable High 每项任务的成本约为 Carbon 的 2.3 倍；从 12 月 1 日起，差距将回到 17.0%。

按标准价格计算，Fable Medium 每项任务成本为 $3.80，低于 Carbon 的 $6.59，尽管 token 单价高出一倍，成本仍低 42%。Carbon 耗时 23.3 分钟，且消耗的 token 更多；Fable 只需 7.8 分钟。按优惠价计算，Carbon Medium 的成本约为 $3.30，用相同方法估算，与 Fable 接近；这项优势将在 12 月 1 日消失。

Max 每项任务的成本为 $26.54，是 Carbon High 的 3.4 倍，耗时 45.2 分钟。花费更多并不意味着编程智能体的表现全面更好：Max 的 FrontierCode 得分略低于 High。
AIHubMix 按 Google 的优惠价提供 Carbon。此处 Fable 的价格数据采用 Anthropic 官方费率。

影响部署决策的行为差异

注：*Carbon 更高的上限属于 Google 原生长输出能力；AIHubMix 目前只记录了文本输入和 Chat Completions 支持，网关是否支持尚未确认。†Fable 的输入模态信息来自 AIHubMix 模型索引。*AIHubMix 文档注明支持 tool_choice="auto"，但尚未确认是否支持 Carbon 特有功能。Fable 文档注明的模型输出上限为 128,000。ZDR 指零数据保留。

强制工具调用是 Fable 的硬性限制：“强制工具调用（tool_choice 类型 any 和 tool）会返回 400 错误。”如果智能体每轮都必须调用指定工具，就不能直接使用 Fable。Google 的 Carbon 指南建议按顺序执行工具调用轮次；AIHubMix 的 Gemini 指南注明支持 tool_choice="auto"，但网关是否支持 Carbon 特有的工具功能仍未确认。

数据保留是 Fable 的一项政策限制，其概览指出，它“要求保留数据 30 天，除非获得 Anthropic 的明确授权，否则无法在零数据保留模式下使用”。据本文查阅的文档，Carbon 未声明此类限制，但这并非保证。受监管行业的团队应在部署前确认两款模型的相关政策。

Carbon 标准的 65,536-token 上限足以应对大多数编辑任务，但生成整个文件时可能会触及上限。Google 原生后台模式可支持最高 1,048,576 减去输入 token 数的输出上限，按分段跳转计费；即使返回 incomplete 且文本为空，也仍会计费。AIHubMix 尚未记录这种调用方式。Fable 可在单次响应中输出 128,000。

两款模型都无法关闭思考模式。Carbon 提供 low、medium 和 high 三档，默认使用 medium，并忽略采样参数。Fable“始终启用自适应思考，且无法关闭”，默认使用 high，部分采样参数取值会导致返回 400。

在 GA 之前，Google 已通过 Fairwind 计划向防御方开放 Carbon。Fable 的分类器会拦截渗透测试和漏洞利用请求，并在网络安全和生物学任务中回退到其他模型。对于安全测试，拒绝行为比基准测试表中的分数更重要。

以 Opus 5.5 作为参照

Opus 5.5 不是竞争对手，而是 Anthropic 自家的参照模型。按 $4/$20 的价格，它在 AA 上得分为 59.11，每项任务成本为 $10.04，耗时 25.0 分钟，首 token 延迟为 356.4 秒，是表中最慢的模型（AA 表中的这一行使用 Max 推理强度；默认值为 medium）。它的 Briefcase Elo 最高，为 1800.6，但在 FrontierCode 上落后于 Fable High，在 Terminal-Bench 上落后于 Carbon High。尽管如此，Anthropic 仍建议将 Opus 5.5 作为大多数编程任务的首选。

该选哪一款

如果主要任务是高难度代码修改，并且你想要实测 FrontierCode 和 HLE 成绩最佳的模型，就选 Fable 5.2。中等推理强度下，它更便宜、速度更快——每项任务 $3.80、耗时 7.8 分钟；Carbon 则为 $6.59 和 23.3 分钟——但 Carbon 的 AA 指数得分更高。如果需要图像输入、知识截止时间为 2026 年 6 月，或者可以接受数据保留 30 天且无法强制调用工具，也可以选择 Fable。

如果终端任务占主导，选择 Carbon：测试修复循环、Shell 自动化和多步骤操作。它在列出的 Terminal-Bench 4.0 和 AutomationBench-AA 项目上得分更高，并且在 11 月 30 日之前，High 推理强度下价格更低。AIHubMix 尚未确认它是否支持 Google 原生上下文和长输出上限；只有在确认 Carbon 支持工具后，才通过 tool_choice="auto" 以纯文本方式部署。它的非幻觉得分更高，但准确率更低。

如果想从 Anthropic 推荐的起点开始，并获得均衡的表现，可选择 Opus 5.5；但要接受 Max 推理强度下首 token 延迟较高。

如果看重交互延迟，两个都不选：High 推理强度下，Fable 的首 token 延迟为 30.4 秒，Carbon 为 67.1 秒；Carbon Medium 的 23.2 秒也远达不到聊天速度。

通过 AIHubMix 运行两款模型

AIHubMix 通过一个 API 密钥和共享的 chat completions 端点提供这两款模型。Carbon 的 ID 是 gemini-4-carbon；其模型页面介绍了 chat completions、文本输入和 Google 的首发价格。Fable 5.2 的 ID 是 claude-fable-5-2；AIHubMix 列出了 Chat Completions、Responses 和 Anthropic Messages，并注明其上下文窗口为 1M、最大输出为 128K。Carbon 已记录的接口范围更窄：支持 chat completions，不支持 Gemini 原生 API。该网关还会重试下一个最佳供应商，因此其表现可能与单一供应商部署有所不同。

快速入门介绍了身份验证和基础 URL。可以通过冒烟测试检查同一个 API 密钥是否能解析这两个模型 ID；本文初稿未进行实时测试：

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://aihubmix.com/v1",
    api_key=os.environ["AIHUBMIX_API_KEY"],
)

for model in ("gemini-4-carbon", "claude-fable-5-2"):
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": "Reply with OK."}],
        max_tokens=4096,
    )
    print(model, response.choices[0].message.content)

这只能检查路由，不能验证能力：没有工具调用，也没有长输出。要进行真实比较，请使用相同的智能体执行轨迹分别调用这两个模型 ID，并记录任务耗时、token 用量和失败情况。比较页面并列展示了上下文、协议和价格。

常见问题

Gemini 4 Carbon 在智能体编程方面比 Fable 5.2 更好吗？

没有哪款模型能在工作的各个方面都胜出。High 推理强度下，Fable 5.2 在 FrontierCode 2.0 和综合指数上领先；Carbon 则在 Terminal-Bench 4.0 和 AutomationBench 上领先。应根据智能体实际执行的工作负载来选择。

为什么 Fable 5.2 的价格是 Carbon 的四倍？

按官方价格，Fable 每百万 token 的输入和输出价格分别为 $8/$40，而 Carbon 的首发价格为 $2/$10，因此两者在输入和输出价格上都是四倍差距。与 Carbon 从 12 月 1 日起的标准价格 $4/$20 相比，Fable 则是两倍。

Fable 5.2 在 Medium 下每项任务的实际成本更低吗？

按标准价格计算，是的：Fable 为 $3.80，Carbon Medium 为 $6.59；耗时分别为 7.8 分钟和 23.3 分钟。Carbon 的首发 token 价格会缩小差距；标准价格下的比较更具参考价值。

Fable 5.2 能强制调用工具吗？

不能。Anthropic 文档指出，tool_choice 的 any 和 tool 值会返回 400 错误。需要强制调用工具的智能体必须采用其他循环方式或改用其他模型。

Carbon 比 Fable 5.2 更不容易产生幻觉吗？

根据 AA 的 Omniscience 非幻觉指标，是的：High 推理强度下为 88.58%，而 Fable 5.2 为 42.02%。不过 Carbon 的准确率较低，为 58.27%，而 Fable 5.2 为 77.23%，因此它给出正确答案的可能性也更低。

两款模型都能通过同一个 API 密钥在 AIHubMix 上运行吗？

可以。使用 gemini-4-carbon 和 claude-fable-5-2，并配置相同的 API 密钥和基础 URL。AIHubMix 为 Carbon 记录了 chat completions 支持，为 Fable 记录了 chat completions、Responses 和 Messages 支持。

继续阅读：Gemini 4 Carbon 系列

• 在选择竞品之前，先弄清同系列型号之间的问题：Gemini 4 Carbon 对比 Argon：价格相同，什么情况下 Carbon 值得选？
• 将 Carbon 用于工作流后，最初遇到的 400 错误和超时通常源于配置，而非模型本身：Gemini 4 Carbon API 迁移：400 错误、超时和输出限制

来源

• Gemini 4 Carbon 现已推出 — Google，2026 年 11 月 10 日。
• Claude Fable 5.2 — Anthropic，2026 年 11 月 9 日。
• Claude Fable 5.2 概览 — Anthropic 文档。
• Gemini 4 Carbon 和 Claude Fable 5.2 — Artificial Analysis，数据快照日期：2026 年 11 月 11 日。
• AIHubMix 上的 Gemini 4 Carbon — 模型页面和定价。