Команда примерно из 1000 агентов на ранней версии Claude Fable 5.2 формализовала доказательство Великой теоремы Ферма в Lean за 28,7 часа; в популярном изложении цифру округляют до 30 часов. Прогон прошёл без платформы Prove2Me и без постоянного руководства исследователя: агенты получили стартовый набор утверждений и дальше распределяли работу сами. Anthropic описала ход эксперимента в техническом разборе.
Новое доказательство при этом никто не открывал. Теорему доказал Эндрю Уайлс, публикация вышла в 1995 году после исправления пробела совместно с Ричардом Тейлором, текст занимает 129 страниц. Агенты переписали известный аргумент на языке, где каждый шаг проверяет компьютер. В части русскоязычных пересказов результат подают как математическое открытие, и это ошибка публикация с деталями анонса.
Контрольная цифра того же эксперимента: Opus 5.5 с примерно тысячей агентов осилила 26% формализации за первые 18 часов и почти не продвинулась за оставшиеся 12. Обе команды через 18 часов возобновляли работу с сохранённого состояния, так что разница накопилась именно в продвижении по цепочке утверждений, а не в количестве попыток (разбор на Habr).
Что именно сделала Claude Fable 5.2: формализация, а не новое доказательство
Anthropic называет прогон «toy experiment» и не подаёт его как исследование по математике. Задача формулировалась узко: записать в Lean доказательство, которое математики знают тридцать лет. Великая теорема Ферма утверждает, что для целого n > 2 у уравнения aⁿ + bⁿ = cⁿ нет решений в положительных целых числах.
Агенты шли по классическому маршруту. Промежуточный результат Ленглендса-Таннелла закрыли на 28,4 часа, финальную теорему на 28,7 часа. Между этими двумя отметками прошло около 18 минут: почти всё время ушло на подготовительные утверждения, а последний шаг занял минуты.
Почему «доказать в Lean» - это отдельная задача
В Lean утверждение задаётся типом, а доказательство представляет собой терм этого типа. Тактики строят терм, ядро проверяет его тип. Если терм не сходится, доказательства нет, даже когда рассуждение очевидно математику. Если нужной леммы нет в Mathlib, библиотеке формализованной математики, её приходится формулировать и доказывать в Lean самостоятельно (как устроена проверка).
Математик держит в голове общий аргумент и опускает очевидные переходы. Ядро Lean не опускает ничего: каждый шаг должен быть выписан, типизирован и проверен. Отсюда и объём работы, который в сентябрьском прогоне вылился в 13 млн строк кода на Lean.
Формализация нужна там, где требуется машинная гарантия: проверка ядра исключает тихую ошибку в рассуждении, которую человек пропустит при чтении. Цена такой гарантии - ручная или агентная работа над каждым промежуточным утверждением.
Как была устроена координация тысячи агентов
Стартовый набор задавали люди: список из 60 утверждений, набросок классического маршрута в одно предложение, определения, которые эти утверждения используют, и 47 уже доказанных лемм из предыдущей формализации. Агентам назначили роли lead и helper, дальше распределение работы шло самостоятельно (описание архитектуры).
Каждая агентская сессия работала в песочнице без доступа в интернет. Классификатор проверял каждую shell-команду и правку файла до запуска, офлайн-монитор просматривал действия команды. Смысл схемы простой: подтянуть готовое решение из сети или протащить файл в обход проверки агент не может, а все действия остаются в логе.
Ключевое отличие от сентябрьского прогона: новая команда обошлась без скаффолдинга Prove2Me и без steering от исследователя. Координация держалась на стартовом списке утверждений и ролях, а не на внешнем графе задач.
Роль человека: редкое вмешательство вместо постоянного руководства
Люди задали стартовый набор, роли и правила песочницы. Дальше вмешательство было редким: в публикации сказано, что прогон шёл без руководства исследователя. Точное число правок со стороны человека Anthropic не приводит, поэтому оценивать автономность в процентах не стоит.
Практический вывод: подход снимает нагрузку с исследователя и перекладывает её на подготовку стартового набора. Качество разбивки на 60 утверждений и подбор 47 лемм определяют, насколько гладко пойдёт работа. Схожая логика работает и в прикладных проектах: субагентам на дешёвых моделях отдают узкие задачи, а дорогую модель держат на планировании и проверке, об этом подробнее в материале про оркестрацию моделей и субагентов.
Сентябрьский прогон на Prove2Me против нового: что изменилось в цифрах
В сентябре формализацию вела связка исследователя и десятков агентов: 11 дней, около 6 млрд выходных токенов, 13 млн строк кода на Lean. Координация шла через Prove2Me, платформу с общим графом, который связывает каждое утверждение с более мелкими, на которые его разбили. В итоговое доказательство вошли 29 500 промежуточных теорем, а отдельная проверка подтвердила, что финальная формулировка совпадает с формулировкой в Mathlib (детали сентябрьского прогона).
| Параметр | Сентябрь | Новый прогон |
|---|---|---|
| Время | 11 дней | 28,7 часа |
| Кто работал | Исследователь и десятки агентов | Около 1000 агентов на ранней версии Fable 5.2 |
| Выходные токены | около 6 млрд | втрое меньше |
| Длина доказательства | 13 млн строк Lean | в семь раз короче исходного |
| Промежуточные теоремы | 29 500 | в публикации не раскрыто |
| Координация | Prove2Me, общий граф утверждений | стартовый набор, роли lead и helper, самораспределение |
Новый прогон дал втрое меньше выходных токенов и доказательство в семь раз короче сентябрьского (сравнение в блоге Anthropic). Сравнение при этом не лабораторное: в сентябре работала другая модель, другая схема координации и другой стартовый каркас. Часть выигрыша объясняется лучшей разбивкой задачи, а не только возможностями Fable 5.2.
Чем Fable 5.2 отличается от Mythos 5.2 и почему доступ ограничен
Обе версии построены на общей базовой модели, а различаются политиками. У Mythos 5.2 жёстче ограничения на кибербезопасность и биологию, доступ идёт через программы для проверенных организаций. Anthropic прямо ограничивает часть возможностей Mythos 5.2, потому что инструменты поиска уязвимостей годятся и для поиска способов взлома ПО (разбор релиза).
Внутренний тест CVE Rediscovery показывает, что именно проверяют в этом сегменте: модель ищет в коде уже известные уязвимости. Mythos 5.2 обнаружил 89,6% известных уязвимостей против 78,3% у предыдущей версии, а на проверке Firefox результат поиска улучшился примерно вдвое. Практический смысл цифры в том, что модель находит то, что аналитик мог пропустить, и делает это пакетно.
Публично раскрыто немного: какие именно возможности Mythos 5.2 закрыты и как выглядит верификация организации, нужно смотреть в документации Anthropic. Для обычной разработки, рефакторинга и формализации доступна Fable 5.2, а чувствительные сценарии в ИБ и биологии упираются в статус организации, а не в желание команды.
Доступ, тарифы и Fast Mode: что это значит на практике
Fable 5.2 доступна через API Anthropic и у облачных провайдеров. По предыдущей версии в AWS Bedrock разбирали, что проверить по регионам, IAM и Enterprise Frontier Safeguards перед корпоративным пилотом; для 5.2 логика доступа похожа, конкретику сверяйте с документацией провайдера (разбор Fable 5.1 в AWS Bedrock).
Ставок за миллион токенов в публикации об эксперименте нет. Стоимость считайте по фактическому расходу входных, выходных и кэшированных токенов, а актуальные цифры берите в документации Anthropic: цены линейки менялись от релиза к релизу. Пример расчёта стоимости одной задачи есть в материале про Opus 5.5 и переход с Opus 5.
Fast Mode ускоряет генерацию и нужен там, где задержка накапливается: агентные пайплайны с тысячами вызовов, цикл «сгенерировал код, запустил тест, прочитал ошибку». В прогоне с теоремой таких шагов были тысячи за 28,7 часа, и каждый простой умножался на длину очереди. Отдельной цифры прироста для Fable 5.2 в публикации нет; механика режима та же, что у остальной линейки, где упоминается ускорение до 2,5x в Claude Code (разбор режима и цен).
Ориентир по качеству кода: на FrontierCode 2.0 Fable 5.2 набрала 49,1% на уровне усилия Xhigh против 32,4% у Fable 5.1 с той же настройкой. В режиме High результат оказался примерно как у Opus 5.5 в режиме Max, а решение одной задачи стоило примерно вдвое дешевле. Для команд это аргумент в пользу среднего уровня усилий: часть задач дешевле решать на High, а Xhigh держать для сложных случаев.
Другие кейсы из анонса: Rust-миграция и прототип ОС за восемь дней
Перенос кода: команда агентов на ранней версии Fable 5.2 перевела критичный внутренний сервис Anthropic с Python на Rust. Время запуска сервиса сократилось примерно в 26 раз. Язык сменился полностью, а не отдельные модули, что для миграции такого рода нетипично.
Прототип операционной системы: Fable 5.2 восемь дней координировала более тысячи субагентов. Старт с пустой папки, результат - система, которая загружается на ноутбуке. Внутри есть ядро, драйверы диска, клавиатуры и сети, файловое хранилище, оконный интерфейс и установщик.
Масштаб использования внутри компании: более 90% изменений в основной кодовой базе Anthropic создаются с участием Claude под контролем инженеров (данные из анонса).
Трезвая оценка: оба кейса относятся к внутренним задачам и прототипам, а не к продакшн-продуктам. Ускорение в 26 раз получено на одном сервисе, переносить цифру на чужой проект нельзя. Ценность этих примеров в демонстрации координации: тысяча субагентов удержала общую цель восемь дней без развала работы на несвязанные куски.
Что результат доказывает, а что нет: ограничения эксперимента
- Использовалась ранняя версия Fable 5.2, а не финальный релиз.
- По каждой модели показан один прогон, статистики повторных запусков нет.
- Стартовый набор из 60 утверждений и 47 лемм подготовили люди, то есть каркас решения существовал до старта агентов.
- Агенты работали в песочницах без интернета под проверкой shell-команд, правок файлов и офлайн-монитора.
- Сравнение с Opus 5.5 шло в одной конфигурации, это не всесторонний бенчмарк моделей.
- Сентябрьский и ноябрьский прогоны различаются моделью и схемой координации, поэтому разница в цифрах не чистый эффект одной модели.
- Формализация известного доказательства не равна открытию нового.
Что результат показывает: мультиагентная команда без тяжёлого скаффолдинга закрывает длинную формальную задачу, если стартовая разбивка сделана людьми. Проверка ядром при этом даёт то, чего не даёт чтение глазами: либо терм сходится, либо нет.
Что остаётся открытым: воспроизводимость на других теоремах, полная стоимость в токенах и деньгах, поведение на задачах без готового маршрута. Отдельно Anthropic упоминает формализацию результатов по физике чёрных дыр и квантовой гравитации; они вышли препринтами и ждут независимой оценки.
Где подход уже имеет смысл пробовать: формальная верификация критичных модулей, миграции кода с одного языка на другой, прототипирование систем из нуля. Где рано: задачи без заранее понятной декомпозиции и проекты, где цена ошибки выше цены ручной проверки.
Если хотите проверить схему на своей задаче, начните с одного модуля. Сформулируйте 10-20 утверждений, выдайте агенту роль lead, ограничьте песочницу и замерьте, сколько утверждений команда закрывает за час. По этой метрике сразу видно, тянет ли конфигурация ваш объём или стартовый набор придётся переписать.