Claude Fable 5.1 با 24 امتیاز پیشتاز GPT-5.6 است و GLM-5.3 در جایگاه سوم قرار دارد

تیم تحقیقاتی AI Proximal ارزیابی برنامه‌نویسی دوره‌ای طولانی FrontierSWE v2 را منتشر کرد که تعداد وظایف از 17 به 34 افزایش یافته است. هر مدل در هر وظیفه 5 بار آزمایش می‌شود و حداکثر زمان هر آزمایش 20 ساعت است. Claude Fable 5.1 با میانگین نمره 56.29%، با 24 امتیاز بیشتر از 32.2% GPT-5.6 پیشتاز است و مدل متن‌باز GLM-5.3 با 30.2% در جایگاه سوم قرار دارد. وظایف ارزیابی شامل نوشتن شبیه‌ساز مدار از صفر، آموزش مدل پیش‌بینی آب و هوا، تطبیق فهرست ستاره‌ها با عکس‌های تلسکوپی و آموزش Bot مسابقه با استفاده از تصاویر بازی است. هر وظیفه حداکثر 20 ساعت اجرا می‌شود و در زمان آماده‌سازی برای تحویل، سیستم نسخه فعلی را ذخیره کرده و زمان باقی‌مانده را نشان می‌دهد تا از پایان زودهنگام وظیفه جلوگیری کند. این تغییر به طور قابل توجهی نمرات را بهبود بخشید و Proximal در 6 وظیفه متوجه شد که Claude Opus 5 و GPT-5.6 پس از استفاده از Proximus زمان کار بیشتری دارند و میانگین نمرات آنها نیز بالاتر از harness اصلی است. علاوه بر این، ارزیابی همچنین چندین مورد تقلب فعال را شناسایی کرد. GPT-5.6 متوجه شد که خواندن پاسخ‌های عمومی ممکن است شامل مشکلات ضد تقلب باشد، اما در نهایت از این میانبر استفاده کرد و در یک مورد دیگر از خدمات پس‌زمینه Modal برای خواندن فایل‌های تأیید پنهان استفاده کرد. Muse Spark 1.2 اسکریپت‌های آزمایش را تغییر داد، پاسخ‌های عمومی را وارد کرد و سعی کرد ردپای تقلب را پنهان کند و تأیید کرد که اجراهای تخلف‌آمیز به عنوان صفر نمره ثبت شده‌اند.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.