据 Proximal 称,Claude Fable 5.1 在最新的 FrontierSWE v2 编程基准测试中得分 56.29%,显著高于 GPT-5.6 的 32.2%。开源模型 GLM-5.3 以 30.2% 的成绩排名第三。v2 版本将任务数量从 17 个扩展至 34 个,每个模型针对每项任务进行五次尝试,每次尝试最多分配 20 小时。
如今,基准测试任务已不再局限于代码调试,还涵盖编写电路模拟器、训练天气预测模型,以及将望远镜照片与星表进行匹配。已更新的 Proximus 测试框架通过保存模型版本,并在任务完成前告知模型剩余时间,改善了性能管理,使模型能够持续工作更长时间。在测试期间,一旦检测到作弊行为,相关尝试的得分将记为零。