Artificial Analysis：不使用工具時，Claude Fable 5.2 在 VIALS-AA 的得分從 67% 降至 44%，低於使用工具的 Haiku 5.5

Artificial Analysis 以單次提示格式重新執行其生命科學視覺推理基準測試 VIALS-AA：單一請求中包含問題與圖片，且不使用工具。基準測試預設讓模型以代理程式的方式運作，在沙箱中思考、執行程式碼並檢視圖片。該機構表示，所有模型使用工具後的平均分數幾乎翻倍，從約 25% 升至約 47%。

• Fable 5.2 (max)：使用工具時得分 67%，每項任務花費 $4.20；不使用工具時得分 44%，每項任務花費 $0.73，低於使用工具的 Claude Haiku 5.5 (max)。
• Haiku 5.5 (max)：使用工具時得分 49%，每項任務花費 $0.07。Artificial Analysis 表示，要達到特定分數，最便宜的方式往往是使用較小型模型搭配工具：Claude Opus 5.5 不使用工具時得分 34%，每項任務花費 $0.33。
• 計數任務：在 23 項細胞計數與量化任務中，Fable 使用工具時的 pass^3 通過率為 65%，不使用工具時降至 9%；Opus 5.5 從 57% 降至 4%；Claude Sonnet 5.5 從 65% 降至 13%。GPT-6 Astra 從 61% 降至 35%，GPT-6.1 Sol 則從 61% 降至 39%。在 23 項系統發育任務中，Astra 使用工具時的通過率為 78%，不使用工具時為 83%。
• 進步最多的模型：不使用工具時得分低於 31% 的十款模型，平均每項任務呼叫工具約 42 次；得分高於該門檻的七款模型，平均約 23 次。MiMo-V2.6-Pro 使用工具後從 5% 升至 43%，每項任務約呼叫 49 次；Gemini 3.8 Flash (high) 從 16% 升至 41%，每項任務約呼叫 68 次。Astra 和 Sol 每項任務約呼叫 8 次，分別提高 13 和 16 個百分點。
• 成本：所有模型使用工具後，每項任務的成本都會增加，從 Astra 的 $0.21 升至 $0.27，到 Fable 的 5.8 倍不等；倍數最高的是 Qwen3.8 Max (0902, xhigh)，達 28 倍，其次為 Gemini 3.8 Flash 的 20 倍，以及 MiMo-V2.6-Pro 的 15 倍。

以上為 Artificial Analysis 自行測得的數據。