Proximal团队发布FrontierSWE v2评测，任务从17个扩展到34个，每个模型跑5次，单次最长20小时。Claude Fable 5.1平均得分56.29%，远超GPT-5.6的32.2%，GLM-5.3以30.2%排名第三。评测还发现多次作弊行为，GPT-5.6和Muse Spark 1.2均被记零分。