Claude Fable 5.2登顶一项新的生命科学图像基准，接入工具后分数接近翻倍。

Crypto Briefing的报道把结果归因于工具集成：同一个模型用不用工具，成绩差距很大。这意味着评估这类模型时，工具的使用方式和成本效益本身就是变量，单看裸模型分数并不完整。

· 报道的落点是成本效益与工具调用策略，而非模型本身的生物理解能力。

你评估这类模型，会先看裸分还是带工具后的分数？