剛剛！Claude Fable 5，又拿第一了

新智元報道

Claude這次，真把AI編程榜單打出斷層了！

就在剛剛刷新的MirrorCode排行榜上，Claude Fable 5以64%的絕對成功率再次登頂。

緊追其后的GPT-5.6 Sol，分數只有它的三分之一！

排在第四的GPT-5.5更慘。不僅成績只有10%，甚至還被自家前輩GPT-5.4按在地上摩擦。

更讓人意外的是，在使用Go等高資源語言時，Fable 5的解出率是64%；換成冷門語言Ada，成績仍然高達61%。

要知道，在開源世界里，Python語料大約是Ada的230倍。

但到了Fable 5這里，成績居然只下降3個百分點。

這就有意思了。

如果模型主要靠記憶熱門語言的語法和常見寫法，那么換成Ada之后成績應該出現下降才對。

而現在的結果，卻指向另一種可能——

最強模型已經擺脫了具體語料的牽引，開始學會如何從零構建一個完整的軟件項目。

卡死在100%通關線

100億Token極限測試

具體來說，完整的MirrorCode包含25個目標程序，覆蓋Unix工具、解釋器、數據查詢、生物信息學、密碼學和壓縮工具等領域。

在這里，模型會被放進隔離環境，沒有互聯網，看不到原項目源碼，也不能下載第三方依賴。它能拿到的只有高層文檔、一部分可見測試，以及一個可以反復調用的原程序。

接下來，它要不斷向原程序輸入數據，觀察輸出猜內部邏輯，再一點點寫出一個行為一致的新程序。

最新榜單從中選出15個Medium和Large目標。每個目標使用兩種實現語言，每種語言運行三次。

并且，可見測試與隱藏測試的完成率必須達到100%才算通過，99.9%都不行。

只要漏掉一個邊緣案例，整次運行仍然按失敗計算。

為了逼模型把最后幾個缺口也補上，MirrorCode把單次預算推到100億Token，最長允許連續運行7天。

論文中成本最高的一次任務更夸張：模型連續跑了19天，單次花費達到2600美元。

在這19天里，模型會反復運行原程序、比較結果、補寫功能，再把測試重新跑一遍。報錯了就查原因，輸出對不上就換假設，局部通過了再去追下一個缺口。

整個過程，更像一場持續數天的調試，而不是一次生成。

gotree的例子最直觀。

這個生物信息學工具原本有大約1.6萬行Go代碼和40多個命令。

Claude Opus 4.7花了14小時和251美元，通過了2001項測試中的2000項，完成度達到了99.95%。

雖然漏掉了一個處理日期注釋的冷門邊界，被MirrorCode的100%通關線攔了下來，但它已經把原本按周計算的工程量，壓進了十幾個小時——

Epoch估計，如果不使用AI，人類工程師想要完成同一任務至少需要2到17周。

語料荒漠里，Fable 5只掉了3分

MirrorCode論文曾用StarCoder的公開訓練混合作為參照。

其中Python約占8%，Ada只有0.034%，前者大約是后者的230倍。

當然，我們無法知道閉源模型到底見過多少Ada代碼。但拿公開生態作參照，Ada有多稀缺已經足夠直觀。

這門語言主要出現在航空航天、國防和其他安全關鍵系統中。無論社區規模、教程數量還是開源項目，都遠不能與Python、JavaScript或者Go相比。

而Fable 5顯然不是在把Go代碼逐句翻譯成Ada。

它更像是先摸清原程序究竟怎么工作，再換一門語言，把同樣的行為重新造出來。

相比之下，其他模型就沒這么穩了。

GPT-5.6 Sol從24%降到19%，GPT-5.4從21%降到12%，GPT-5.5更是從17%掉到5%。語言一換，差距立刻被放大。

把整個項目交給AI

如今，Cursor已經讓數百個Agent協作近一周，從零寫出超過100萬行、分布在1000個文件里的瀏覽器代碼。

Anthropic則讓16個Claude Agent并行跑了近2000次會話，最終搭出一套10萬行、能夠編譯Linux 6.9內核的C編譯器。

OpenAI披露的截至5月Codex個人用戶樣本中，70.2%至少提交過一次預計超過一小時人類工作量的任務；25.6%提交過超過八小時的任務。

人們交給AI的單位，正在從一段代碼、一個bug，變成一個下午、一周，甚至整個項目。

MirrorCode的64%，正是對這種「項目級委托」的一次量化。

它說明，只要目標足夠明確，結果能夠自動驗收，前沿模型已經可以獨立做完一部分中大型軟件。

對每一個正在把工作交給AI的人來說，變化已經近在眼前——

以前你需要盯著它寫每一段代碼，接下來，你更可能只在關鍵節點檢查它有沒有跑偏。

代碼會越來越便宜。

而那些能把問題說清楚、把結果驗明白的人，會越來越值錢。

參考資料：

https://epoch.ai/MirrorCode

編輯：摩西