Sari la conținut

Publicat 5 min de citit

Trei zile cu Claude Fable 5.2: ce s-a schimbat

Cel mai nou model Anthropic a lucrat la proiectele mele toată săptămâna. Ce a făcut bine, unde a greșit și ce înseamnă pentru cine plătește software.

NT Fondatorul Pitstop Technologies. De la inginer junior la CTO.

Un robot albastru conduce trei roboți mai mici care construiesc un mic magazin, un om verifică tocul ușii cu lupa, iar al patrulea robot stă încurcat în propria bandă de siguranță.

Anthropic a lansat Claude Fable 5.2 pe 9 noiembrie. În aceeași săptămână l-am pus la treabă pe acest site, cu termene reale și pe banii mei. Scriu aici ce s-a schimbat, mai mult pentru cei care plătesc software decât pentru cei care îl scriu.

Nu o să spun că e magie. Săptămâna asta a făcut lucruri pe care acum un an nu le-aș fi crezut posibile și a făcut și greșeli de care s-ar rușina un începător. Contează amândouă, dacă vrei să știi câtă încredere merită o lucrare la care a pus umărul un AI.

Ce este, pe scurt

Fable 5.2 este modelul pe care Anthropic îl prezintă drept cel mai capabil al său pentru muncă tehnică. Vine după Fable 5, din iunie, și Fable 5.1, din septembrie. În lista de prețuri Anthropic costă 8 dolari pentru un milion de tokeni de intrare și 40 de dolari pentru un milion de tokeni de ieșire, față de 10 și 50 la versiunea dinainte.

Odată cu lansarea, Anthropic a publicat și rezultate de test. La FrontierSWE, un test cu sarcini lungi de programare, obține 69,9%, față de 56,3% la Fable 5.1. La Remote Labor Index, un test construit din lucrări plătite, de tip freelancing, urcă de la 17,9% la 41,3%. Sunt cifrele producătorului, iar același tabel arată că nu e primul peste tot: la AutomationBench, un test cu fluxuri de lucru dintr-o firmă, îl depășește la limită un model Google. Chiar Anthropic recomandă ca munca de zi cu zi să înceapă cu modelul său Opus, iar Fable să rămână pentru problemele mari și neclare.

Ultima frază e cea utilă. E o unealtă pentru partea grea a meseriei.

Ce a făcut bine săptămâna asta

A condus o echipă mică. Îl folosesc în Claude Code, unde o sesiune poate coordona alți agenți și le poate împărți lucrul. Pe 11 noiembrie au mers în paralel trei lucrări, fiecare pe copia ei de cod: un lot de defecte mărunte, o secțiune nouă pe prima pagină și refacerea formularului prin care primesc cereri de proiect. Fiecare a fost construită de un agent și verificată de altul înainte să integrez ceva în site.

Verificările au prins probleme adevărate. Prima lui schiță pentru formular ar fi blocat pagina la încărcare. A observat asta un al doilea agent, pus să judece schița ca un arhitect, înainte să se scrie vreun rând de cod. Mai târziu, o verificare a codului a observat că, la o corectură de stil, dispăruse un cuvânt, „agreed”, din condițiile mele de suport în engleză, iar fraza ar fi promis astfel mai mult decât varianta în română. Nu îi ceruse nimeni să caute așa ceva, iar greșeala a fost prinsă înainte să ajungă ceva public. A găsit și un buton care era ascuns pe telefon, dar la care se putea încă ajunge din tastatură.

A găsit o problemă de lansare doar citind. În timp ce căuta altceva, a văzut că un fișier folosit la publicarea site-ului avea adresa serviciului de cereri lăsată goală. Dacă aș fi aplicat fișierul, formularul s-ar fi transformat din nou într-un simplu link de e-mail. A verificat întâi site-ul public, a confirmat că acolo totul e în regulă, mi-a spus și a refăcut fișierul cu setările corecte.

Unde a greșit

Testele au trecut, iar serviciile reale tot au spus nu. Lucrez la un instrument care citește o pagină web publică și întocmește un raport despre ea. Toate testele automate treceau. La prima rulare pe servicii reale a căzut de patru ori, de fiecare dată pe câte un detaliu al unui serviciu extern pe care niciun test de-al meu nu avea cum să-l vadă. Niciuna nu putea fi găsită altfel decât pornind totul pe bune.

S-a împiedicat în propriul proces. A pornit o etapă de planificare care i-a oprit agenții abia puși la treabă. Un agent a aplicat alt set de modificări salvate decât trebuia și a avut de pus la loc două fișiere.

Nimic din toate astea nu a ajuns la vreun client, pentru că nimic nu a mers nesupravegheat. Fiecare greșeală a fost prinsă de o verificare, de un al doilea agent sau de mine, când am întrebat de ce durează atât.

Ce înseamnă pentru cine plătește software

Munca merge mai repede. Unele schimbări care cereau o săptămână din atenția unui om pot fi acum gândite, construite, verificate și testate într-o zi sau două. E adevărat.

Ce nu s-a schimbat este de unde vine siguranța. Săptămâna asta a venit din patru locuri: un al doilea verificator, care nu a scris codul; teste rulate pe servicii reale; regula că nimic nu ajunge public fără acordul meu; și o evidență scrisă a ce s-a verificat și ce nu. Modelul se pricepe să facă aceste verificări când i se cer. Hotărârea de a le avea rămâne a omului.

De aceea întrebarea pentru un furnizor este aceeași despre care am scris în AI-ul a reparat bugul. Cine verifică soluția?: cine verifică lucrarea și cine răspunde pentru ea după aceea. Dacă răspunsul este „AI-ul e foarte bun acum”, mai întreabă o dată.

Dacă te întrebi unde și-ar scoate banii un asemenea model în firma ta, de acolo pornesc și eu în proiectele de AI și automatizare: un singur proces, un rezultat care se poate măsura.

Și încă un lucru, ca să fiu cinstit până la capăt. Prima variantă a acestui articol a scris-o chiar modelul despre care vorbește, pornind de la evidența săptămânii de lucru. Mi s-a părut corect așa.

De la idee la un pas concret.

Spune-mi ce trebuie să rezolve site-ul tău. Stabilim împreună cerințele, responsabilitățile și următorul pas.

Discutăm în română sau în engleză, cum preferi.