Claude Fable 5以64%成功率登顶AI编程榜
Taylor Wilson
Anthropic旗下Claude Fable 5在MirrorCode编程基准测试中以64%成功率登顶，第二名GPT-5.6 Sol仅约21%——这意味着前沿AI模型已能独立完成部分中大型软件工程任务，编程自动化的商业化拐点正在被量化验证。
MirrorCode到底在测什么？
MirrorCode是一项极限编程基准测试：模型被丢进一个隔离环境——没有互联网、没有原始源码、没有第三方依赖，只能看到高层文档和部分测试用例。
用大白话说＝相当于把一个程序员关进小黑屋，只给他说明书和几道考试题，让他从零写出一个行为完全一致的新程序。
判定标准极严：可见测试与隐藏测试必须同时100%通过，差一个边缘案例即判失败。最新榜单从25个目标程序中选取15个中大型目标，每个目标用两种语言各跑三次。
64% vs 21%——这个差距说明什么？
Claude Fable 5成功率64%，GPT-5.6 Sol约21%，差距超过三倍。
这意味着→在"给定明确目标、结果可自动验收"的工程场景中，Fable 5已能稳定完成近三分之二的中大型任务，而竞争模型还停留在五分之一。
这反映出前沿模型之间的编程能力已不是微调级别的差异，而是代际级分化。
冷门语言Ada上照样能打——为什么这很重要？
Fable 5在主流语言Go上成功率64%，切换到冷门语言Ada后仍达61%，仅降3个百分点。
Ada（一种主要用于航空航天、国防等安全关键系统的编程语言）的公开训练语料极少——据StarCoder数据，Python占比约8%，Ada仅约0.034%，前者是后者的约230倍。
用大白话说＝训练数据里几乎没见过Ada，但Fable 5照样能写出来。这说明它不是在"背答案"，而是从逻辑层面理解程序行为。对比之下，GPT-5.5从17%跌至5%，语言一换就"露馅"。
一次任务最高花2600美元——值吗？
MirrorCode单次预算上限为100亿Token，最长允许连续运行7天。论文记录的最贵一次任务连续跑了19天，花费2600美元。
以生物信息学工具gotree为例：原有约1.6万行Go代码和40余个命令，Claude Opus 4.7耗时14小时、花费251美元，通过了2001项测试中的2000项，完成度99.95%——仅因一个日期注释的边缘案例未达100%通关线。
Epoch AI估计人类工程师完成同等任务至少需要两周至十七周。这意味着→即使按2600美元的极端上限算，相比人类工程师数周的薪资成本，AI在"目标明确、可自动验收"的任务上已具备成本优势。
这对AI编程的商业化意味着什么？
MirrorCode的64%成功率，是对"项目级AI委托"的一次量化验证——不是写一段函数，而是独立完成一个中大型软件项目。
这意味着→在目标明确、结果可自动验收的前提下，前沿模型已越过"辅助工具"阶段，开始触及独立交付的门槛。
但关键问题仍未解答：这一能力边界能否在更广泛、更模糊的工程场景中持续复现？从64%到可商业化部署，中间的验证路径才刚刚开始。
Content is for reference only, not financial advice.