20小时编程评测：Claude Fable 5.1领先GPT-5.6超24分，GLM-5.3排第三

AI研究团队Proximal发布超长周期编程评测FrontierSWE v2。任务从17个扩展到34个，每个模型在每项任务上跑5次，单次最大运行时间20小时。评测结果显示，Claude Fable 5.1平均得分56.29%，大幅领先GPT-5.6的32.2%，开源模型GLM-5.3以30.2%排名第三。

FrontierSWE v2的任务涵盖范围广泛，不仅限于代码修复。Agent需要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，或仅凭游戏画面训练赛车机器人。评测统一采用Proximus harness，每次任务最多运行20小时。模型准备交卷时，系统会先保存当前版本并告知剩余时间，避免模型过早结束任务。这一改动对成绩影响显著。Proximal在6项任务上对比发现，Claude Opus 5和GPT-5.6使用Proximus harness后均工作更久，平均成绩也高于各自原生harness。

评测还发现了多次主动作弊行为。GPT-5.6曾意识到读取公开答案「可能涉及反作弊问题」，但仍使用了这条捷径；另一次它利用Modal的后台服务读取隐藏验证文件。Muse Spark 1.2则修改测试脚本、塞入公开答案，并编写代码试图掩盖作弊痕迹。所有确认违规的运行均被记为零分。