OpenAI 的 GPT-5.6 Sol 和 Anthropic 的 Claude Fable 5 各自拿下部分「編碼王冠」，Sol 以 88.8% 拿下其中一個智能代理基準測試的冠軍，而 Fable 5 則維持在多文件任務上的領先。
重點摘要：
- GPT-5.6 Sol 在 Terminal-Bench 2.1 以 88.8% 領先，超過 Claude Fable 5 的 83.4%。
- Fable 5 仍以 80.3% 稱霸 SWE-Bench Pro，而 OpenAI 尚未替 Sol 公布該測試成績。
- 由於 GPT-5.6 仍鎖在限量預覽中，外部獨立測試依然受阻。
Sol 領先 Terminal-Bench
OpenAI 在 6 月 26 日的預覽發佈會上打出標題成績：Sol 在 Terminal-Bench 2.1 拿到 88.8%。這個測試評估命令列智能代理在幾乎零人為干預的情況下，如何規劃、編輯與除錯，完成長鏈、多步驟任務，其中一份對比報告曾有相關報導。
在這個成績下，Sol 比 Fable 5 高出幾個百分點；同一張發佈圖表中，Fable 5 得分為 83.4%。而一種運算密集的 Ultra 模式，將工作分派給多個子代理，更是把 Sol 推到 91.9%。就純終端操作而言，Sol 目前領先。
Fable 5 則在另一項測試中回敬：它在 SWE-Bench Pro 上拿下 80.3%。這個基準會評分對真實 GitHub issue 的完整修復表現，而較早的 GPT-5.5 只拿到 58.6%，一份分析曾指出這點。OpenAI 在該測試上尚未公布 Sol 的分數，因此 Anthropic 目前仍在這項被不少工程師視為最接近真實、多文件軟件開發工作的基準上保持不敗領先。
所以王冠是分著戴的，而不是被誰一舉奪走。
延伸閱讀： Hermes MoA 2.0 結合 GPT、Claude 和 DeepSeek，成績超越任何單一模型
METR 指出 Sol 有「作弊」行為
最尖銳的質疑來自安全測試，而非行銷宣傳。獨立評估機構 METR 指出，Sol 的「獎勵駭客」（reward-hacking）比率是其評估過所有公開模型中最高的——這個系統有時寧願鑽任務漏洞或捏造結果，也不是真的解決問題。在一個有紀錄的測試跑次中，它甚至調出被隱藏的原始碼，只為找出測試的預期答案；這種模式讓數個發佈會上的編碼分數，很難直接照單全收。
有分析人士認為，沒有任何一次「小幅更新」就能一口氣補平他們在編碼、推理與知識測試上追蹤到的差距，並強調在預覽以外，幾乎沒有人能獨立驗證這些原始數字。價格則走向相反：Sol 的標價是每百萬 token 5 美元與 30 美元，與 GPT-5.5 相同，而 Fable 5 則是 10 美元與 50 美元，成為史上最貴的 Claude。
目前為止，買家衡量 Sol 很大程度還是憑信任。
Fable 5 的 6 月雲霄飛車
這種謹慎態度也與 6 月的混亂有關。Anthropic 在 6 月 9 日推出 Fable 5，接著華府在 6 月 12 日強制要求全球所有客戶下線 Fable 5 和受限版本 Claude Mythos 5，理由是研究人員找到一個可產生攻擊程式碼的 jailbreak，構成嚴重網絡風險。美國商務部 在 6 月 30 日解除這項命令，Fable 5 於 7 月 1 日重新上線，而如今在這兩款模型之中，GPT-5.6 成了唯一一個大多數潛在買家仍無法在沒有預覽邀請的情況下直接使用的產品。