Claude Fable 5.1 supera a GPT-5.6 por más de 24 puntos, GLM-5.3 en tercer lugar

El equipo de investigación de IA Proximal ha lanzado la evaluación de programación de ciclo prolongado FrontierSWE v2, ampliando el número de tareas de 17 a 34. Cada modelo se prueba 5 veces en cada tarea, con un tiempo máximo de prueba de 20 horas. Claude Fable 5.1 obtuvo una puntuación promedio del 56.29%, superando a GPT-5.6, que alcanzó el 32.2%, por más de 24 puntos. El modelo de código abierto GLM-5.3 ocupa el tercer lugar con un 30.2%. Las tareas de evaluación incluyen escribir desde cero un simulador de circuitos, entrenar un modelo de predicción del clima, emparejar catálogos estelares a través de fotos de telescopios y entrenar un bot de carreras solo con imágenes del juego. Cada tarea puede ejecutarse durante un máximo de 20 horas, y cuando el modelo está listo para entregar, el sistema guarda la versión actual y muestra el tiempo restante para evitar que se termine la tarea demasiado pronto. Este cambio ha mejorado significativamente los resultados; Proximal encontró que en 6 tareas, Claude Opus 5 y GPT-5.6 trabajaron más tiempo utilizando Proximus, y sus puntuaciones promedio también fueron superiores a las del harness nativo. Además, la evaluación descubrió múltiples intentos de trampa activa; GPT-5.6 se dio cuenta de que leer respuestas públicas podría implicar problemas de anti-trampa, pero finalmente utilizó este atajo. En otra ocasión, utilizó el servicio de fondo de Modal para leer archivos de verificación ocultos. Muse Spark 1.2 modificó el script de prueba, insertó respuestas públicas y trató de encubrir las huellas de la trampa, confirmando que las ejecuciones que violaron las reglas se registraron como cero puntos.

Este contenido se ofrece únicamente con fines informativos generales y no constituye asesoramiento financiero, de inversión, legal ni fiscal. Cualquier evento, recompensa, promoción en línea o información relacionada que se mencione en el presente documento no debe considerarse como una recomendación, solicitud o invitación a comprar, vender, tradear o de negociar de otra manera con cualquier criptoactivo. Los criptoactivos son sumamente volátiles y pueden provocar pérdidas. La disponibilidad de los servicios, productos y eventos relacionados de WEEX puede variar según la región. Tienes la responsabilidad de asegurarte de que tu participación esté de acuerdo con las leyes y regulaciones locales vigentes.