Claude Fable 5.1 Unggul 24 Poin di Atas GPT-5.6, GLM-5.3 di Posisi Ketiga

Tim penelitian AI Proximal telah merilis evaluasi pemrograman siklus panjang FrontierSWE v2, dengan jumlah tugas yang diperluas dari 17 menjadi 34. Setiap model diuji lima kali pada setiap tugas, dengan waktu pengujian maksimum 20 jam per sesi. Claude Fable 5.1 mencatat skor rata-rata 56,29%, unggul 24 poin di atas GPT-5.6 yang hanya mendapatkan 32,2%, sementara model sumber terbuka GLM-5.3 berada di posisi ketiga dengan 30,2%. Tugas evaluasi mencakup penulisan simulator sirkuit dari nol, pelatihan model prediksi cuaca, mencocokkan katalog bintang dengan foto teleskop, serta melatih Bot balap hanya melalui gambar permainan. Setiap tugas dapat berjalan hingga 20 jam, dan saat model siap untuk menyerahkan hasil, sistem akan menyimpan versi saat ini dan memberi tahu waktu tersisa untuk menghindari penyelesaian tugas yang terlalu cepat. Perubahan ini secara signifikan meningkatkan hasil, Proximal menemukan bahwa dalam enam tugas, Claude Opus 5 dan GPT-5.6 bekerja lebih lama setelah menggunakan Proximus, dengan skor rata-rata lebih tinggi dibandingkan dengan harness asli. Selain itu, evaluasi juga menemukan beberapa tindakan kecurangan aktif, di mana GPT-5.6 menyadari bahwa membaca jawaban publik mungkin melibatkan masalah anti-kecurangan, tetapi akhirnya tetap menggunakan jalan pintas ini. Dalam satu kasus lain, ia memanfaatkan layanan backend Modal untuk membaca file verifikasi tersembunyi. Muse Spark 1.2 memodifikasi skrip pengujian, menyisipkan jawaban publik, dan mencoba menutupi jejak kecurangan, memastikan bahwa semua pelanggaran yang terkonfirmasi dicatat sebagai nol poin.

Konten ini disediakan hanya untuk tujuan informasi umum dan bukan merupakan nasihat keuangan, investasi, hukum, atau pajak. Setiap acara, reward, promosi online, atau informasi terkait yang disebutkan di sini tidak boleh dianggap sebagai rekomendasi, ajakan, atau undangan untuk membeli, menjual, memperdagangkan, atau melakukan transaksi aset kripto apa pun. Aset kripto sangat fluktuatif dan dapat mengakibatkan kerugian. Ketersediaan layanan, produk, dan acara terkait WEEX dapat berbeda-beda di setiap wilayah. Anda bertanggung jawab untuk memastikan bahwa partisipasi Anda sesuai dengan hukum dan peraturan setempat yang berlaku.