Présentation du modèle

Claude Fable 5.2 (Max, Default Fallback) est un modèle propriétaire capable de traiter du texte et des images, avec une sortie exclusivement textuelle. Il dispose d’une fenêtre contextuelle de 1 million de tokens, ce qui le place parmi les modèles à très grande capacité de mémoire. Le modèle est classé comme « non‑reasoning », mais il est comparé à la fois aux modèles de raisonnement et aux modèles non‑reasoning dans les évaluations.

Analyse des performances d'intelligence

Sur l'Artificial Analysis Intelligence Index, Claude Fable 5.2 obtient un score de 65, largement supérieur à la médiane de 40 pour les modèles comparables. Cette performance s’accompagne d’une production de 275 M tokens lors de l’évaluation, contre 72,8 M tokens en moyenne. Le volume de texte généré indique une tendance à la verbosité, ce qui peut alourdir les coûts de stockage et de transmission sans apporter nécessairement une valeur ajoutée proportionnelle.

Analyse des coûts et de la rapidité

Le tarif d’utilisation est de 8 $ / 1 M tokens d’entrée (médiane : 2 $) et de 40 $ / 1 M tokens de sortie** (médiane : 10 $). En combinant ces deux composantes, le coût moyen d’une tâche d’évaluation s’élève à 26,54 $. Cette dépense dépasse largement la moyenne du segment, ce qui rend le modèle peu compétitif pour les charges de travail à volume élevé.

En termes de latence, chaque tâche d’Intelligence Index dure 45,0 minutes, contre 12,9 minutes pour la médiane des modèles similaires. La lenteur provient probablement d’une architecture lourde ou d’une optimisation logicielle insuffisante, ce qui limite l’applicabilité du modèle dans des contextes où le temps de réponse est critique.

Limitations et perspectives

La combinaison d’une verbosité élevée, d’un coût d’utilisation supérieur et d’une latence importante constitue un ensemble de contraintes majeures. Sans amélioration de l’efficacité algorithmique ou une réduction tarifaire, le modèle restera réservé à des usages très spécifiques où la qualité perçue justifie le prix. De plus, l’absence de données précises sur le nombre de paramètres empêche d’évaluer l’impact de la taille du modèle sur les métriques observées. Les futures itérations devront donc viser une meilleure optimisation du ratio performance/coût, ainsi qu’une réduction du temps de traitement pour rester compétitives face aux alternatives open‑weight.