评测提升怎么写：16.7 个百分点还是 51%

一句话总结：Fable 5.2 的编程基准从 32.4% 到 49.1%，官方写"提高 16.7 个百分点"，媒体可以写"提升 51%"，两个数都是真的，但指向的事实不同。用哪个不是文风问题，是选择让读者看到什么。

11 月 9 日 Anthropic 发布 Fable 5.2，FrontierCode 2.0 从 32.4% 升到 49.1%。同一组数字，三种写法：

第三种是编的，用来说明一件事：数字本身没错，怎么组合会改变读者判断。

同一组数字的三种说法

图 1：三个分支对应三种口径，选错不是文风问题，是让读者看到不同的事实

百分点是绝对差，相对提升是比值。两个都从同一组数算出来：

绝对差：49.1 - 32.4 = 16.7 个百分点
相对：  49.1 / 32.4 - 1 = 51.5%

选择哪个，取决于基数的位置。

基线 32.4% 意味着"三分之一的改动能被合并"。在这么低的基数上，任何绝对增长都会带来很大的相对增长。反过来，如果基线是 90%、涨到 95%，绝对差 5 个点，相对只有 5.6%——这时候说"提升 5.6%"会显得毫无进步，而实际上从 90 往 95 走比从 32 往 49 走难得多。

所以两个数都真，但都只讲了一半。

什么时候用百分点

比较不同模型在同一基准上的位置时，用百分点。

理由很直接：同一基准的满分固定，百分点可以直接换算成"多解决了多少比例的问题"。Fable 5.2 的 49.1%、Opus 5.5 的 45.5%、GPT-6 Astra 的 42.8%，差 3.6 个点、6.3 个点，这个差是可比的。

这时候换成相对提升会误导。45.5 比 42.8 高 6.3%，49.1 比 45.5 高 7.9%，看上去差不多，实际上前者是 3 个点、后者是 4 个点，在低分段这两个差距的含义不一样。

写评测的时候有个简单的判断：如果读者要拿这个数做选型，就用百分点。 选型看的是绝对能力差距，不是增长比例。

什么时候用相对提升

讲"这一代比上一代进步多少"时，相对提升更能说明问题，但前提是同一模型。

同一个模型从 32.4 到 49.1，是训练改进的直接结果，这时候说"提升一半"不算夸张，因为它确实把成功率提高了 1.5 倍。

不过这有个陷阱：跨基准不能这么算。Chartography 从 44.8% 到 73.4% 是 +28.6 点、+63.8%，FrontierSWE 从 56.3% 到 69.9% 是 +13.6 点、+24.2%。三个基准的相对提升分别是 51.5%、63.8%、24.2%，看起来图表理解进步最大——但三个基准的难度、分母、评分方式都不同，横着比没有意义。

相对提升只能纵向用，不能横向用。 这是我在写发布稿那篇时最小心的一处。

数字口径最隐蔽的坑：成本降幅

价格类的数字更容易混。

Fable 5.2 把输入输出价从 10/50 降到 8/40，官方写"下调 20%"，这个没问题。但同时输出提速 30%，单位任务成本实际降了 38.5%。

成本 ∝ 价格 ÷ 速度
8 / 1.3 = 6.15（相对 10 的 61.5%）
降幅 = 38.5%

这时候该用哪个？

如果是给采购看，用 38.5% 更接近账单的实际变化，但前提是任务真是输出瓶颈。如果任务输入密集（反复读长文档），提速不影响成本，实降就是 20%。

同一个模型、同一组价格，两个降幅都成立，区别在任务类型。写的时候必须带上前提，不然读者按自己的场景一算，发现对不上，整篇文章的可信度就没了。

这类"条件数字"最容易出问题的地方，是把它写成无条件结论。我在文中写"降 20%"还是"降 38.5%"，取决于我有没有紧跟一句"假设任务是输出瓶颈"。

指标本身靠不靠得住，是另一个层面的问题。抽 100 题估分那篇算过，100 题的评测 p95 误差是 11 个点——如果基准本身有 11 个点的噪声，纠结 16.7 还是 51% 就没那么重要了。写数字之前先问一句：这个数的误差范围是多少，比选哪种口径更关键。

参考资料

1. Anthropic 发布 Fable 5.2 与 Mythos 5.2（财联社）