Artificial Analysis：不使用工具时，Claude Fable 5.2 在 VIALS-AA 上的得分从 67% 降至 44%，低于使用工具的 Haiku 5.5

Artificial Analysis 以单次请求形式重新运行了 VIALS-AA（其生命科学视觉推理基准测试）：请求中包含问题和图像，且不使用工具。默认情况下，该基准测试会让模型作为智能体运行，在沙盒中思考、运行代码并查看图像。该机构表示，在各模型中，使用工具后得分几乎翻倍，平均分从约 25% 升至约 47%。

• Fable 5.2 (max)：使用工具时得分为 67%，每项任务成本 $4.20；不使用工具时得分为 44%，每项任务成本 $0.73，低于使用工具的 Claude Haiku 5.5 (max)。
• Haiku 5.5 (max)：使用工具时得分为 49%，每项任务成本 $0.07。Artificial Analysis 表示，要达到某一分数，通常最便宜的方式是使用带工具的较小模型：Claude Opus 5.5 不使用工具时得分为 34%，每项任务成本 $0.33。
• 计数任务：在 23 项细胞计数和定量任务中，Fable 使用工具时的 pass^3 率为 65%，不使用工具时降至 9%；Opus 5.5 从 57% 降至 4%；Claude Sonnet 5.5 从 65% 降至 13%。GPT-6 Astra 从 61% 降至 35%，GPT-6.1 Sol 从 61% 降至 39%。在 23 项系统发育任务中，Astra 使用工具时通过率为 78%，不使用工具时为 83%。
• 哪些模型提升最大：不使用工具时得分低于 31% 的十个模型，平均每项任务调用工具约 42 次；得分高于 31% 的七个模型，平均约 23 次。MiMo-V2.6-Pro 使用工具后，得分从 5% 升至 43%，每项任务约调用 49 次；Gemini 3.8 Flash (high) 从 16% 升至 41%，每项任务约调用 68 次。Astra 和 Sol 每项任务约调用 8 次，得分分别提高 13 和 16 个百分点。
• 成本：对所有模型来说，使用工具都会提高每项任务的成本，从 Astra 的 $0.21 升至 $0.27，到 Fable 的 5.8 倍不等；倍数最高的是 Qwen3.8 Max (0902, xhigh)，为 28 倍，其次是 Gemini 3.8 Flash 的 20 倍和 MiMo-V2.6-Pro 的 15 倍。

以上数据为 Artificial Analysis 自行测得。