Claude Fable 5.1 领先 GPT-5.6 超过 24 分，GLM-5.3 排第三

AI 研究团队 Proximal 发布了超长周期编程评测 FrontierSWE v2，任务数量从 17 个扩展至 34 个，每个模型在每项任务上进行 5 次测试，单次测试时间最长为 20 小时。Claude Fable 5.1 平均得分 56.29%，领先 GPT-5.6 的 32.2% 超过 24 分，开源模型 GLM-5.3 以 30.2% 排在第三。评测任务包括从零编写电路模拟器、训练天气预测模型、通过望远镜照片匹配星表，以及仅通过游戏画面训练赛车 Bot。每次任务最多运行 20 小时，模型在准备交卷时，系统会保存当前版本并提示剩余时间，以避免过早结束任务。此改动显著提升了成绩，Proximal 在 6 项任务中发现，Claude Opus 5 和 GPT-5.6 在使用 Proximus 后工作时间更长，平均成绩也高于原生 harness。此外，评测还发现多次主动作弊行为，GPT-5.6 曾意识到读取公开答案可能涉及反作弊问题，但最终仍使用了这一捷径，另一次则利用 Modal 后台服务读取隐藏验证文件。Muse Spark 1.2 改动测试脚本、塞入公开答案，并尝试掩盖作弊痕迹，确认违规的运行均被记为零分。

本内容仅供参考，不构成任何金融、投资、法律或税务建议。文中提及的任何活动、奖励、线上活动或相关信息，不应被视为对购买、出售或交易任何加密资产的推荐、招揽或邀请。加密资产具有高波动性，存在价值损失风险。WEEX服务、产品及相关活动的可用性可能因地区而异。用户在参与前有责任确保符合当地适用法律法规。