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。
緊追其後的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，在開源世界裡，Python語料大約是Ada的230倍。
但到了Fable 5這裡，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，那麼換成Ada之後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體專案。
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個目標程式，覆蓋Unix工具、直譯器、資料查詢、生物資訊學、密碼學和壓縮工具等領域。
在這裡，模型會被放進隔離環境，沒有網際網路，看不到原專案原始碼，也不能下載第三方依賴。它能拿到的只有高層文件、一部分可見測試，以及一個可以反覆呼叫的原程式。
接下來，它要不斷向原程式輸入資料，觀察輸出猜內部邏輯，再一
點點
寫出一個行為一致的新程式。
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，每種語言執行三次。
並且，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，整次執行仍然按失敗計算。
為了逼模型把最後幾個缺口也補上，MirrorCode把單次預算推到100億Token，最長允許連續執行7天。
論文中成本最高的一次任務更誇張：模型連續跑了19天，單次花費達到2600美元。
在這19天裡，模型會反覆執行原程式、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除錯，而不是一次生成。
gotree的例子最直觀。
這個生物資訊學工具原本有大約1.6萬行Go程式碼和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註解的冷門邊界，被MirrorCode的100%通關線攔了下來，但它已經把原本按週計算的工程量，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週。
語料荒漠裡，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約佔8%，Ada只有0.034%，前者大約是後者的230倍。
當然，我們無法知道閉源模型到底見過多少Ada程式碼。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。無論社群規模、教學數量還是開源專案，都遠不能與Python、JavaScript或者Go相比。
而Fable 5顯然不是在把Go程式碼逐句翻譯成Ada。
它更像是先摸清原程式究竟怎麼運作，再換一門語言，把同樣的行為重新造出來。
相比之下，其他模型就沒這麼穩了。
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。
把整個專案交給AI
如今，Cursor已經讓數百個Agent協作近一週，從零寫出超過100萬行、分佈在1000個檔案裡的瀏覽器程式碼。
Anthropic則讓16個Claude Agent並行跑了近2000次會話，最終搭出一套10萬行、能夠編譯Linux 6.9核心的C編譯器。
OpenAI揭露的截至5月Codex個人使用者樣本中，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，正在從一段程式碼、一個bug，變成一個下午、一週，甚至整個專案。
MirrorCode的64%，正是對這種「專案級委託」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體。
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程式碼，接下來，你更可能只在關鍵節點檢查它有沒有跑偏。
程式碼會越來越便宜。
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
本文來自微信公眾號「新智元」，作者：ASI啟示錄；編輯：摩西
