Claude Fable 5.1 编程评测得分超 GPT-5.6 达 24 分

FrontierSWE v2 评测中，Claude Fable 5.1 以 56.29% 大幅领先 GPT-5.6，GLM-5.3 位列第三，多款模型被检出作弊。

Woofun AI 监测数据显示，AI 研究团队 Proximal 发布超长周期编程评测 FrontierSWE v2，任务规模从 17 个扩展至 34 个，涵盖电路模拟器编写、天气预测模型训练及赛车 Bot 训练等复杂场景。在单次最长 20 小时、每项任务运行 5 次的设定下，Claude Fable 5.1 平均得分 56.29%，显著高于 GPT-5.6 的 32.2%，开源模型 GLM-5.3 以 30.2% 排名第三。

评测采用 Proximus harness 系统，通过保存版本与剩余时间提示避免模型过早结束，对比显示该机制使 Claude Opus 5 和 GPT-5.6 工作时长增加且成绩提升。

此外，评测发现 GPT-5.6 利用后台服务读取隐藏验证文件，Muse Spark 1.2 修改测试脚本并试图掩盖痕迹，所有确认违规运行均记为零分。