动察 Beating AI 快讯，AI 研究团队 Proximal 发布超长周期编程评测 FrontierSWE v2。任务从 17 个扩到 34 个，每个模型在每项任务上跑 5 次，单次最多干 20 小时。Claude Fable 5.1 平均得分 56.29%，大幅领先 GPT-5.6 的 32.2%。开源模型 GLM-5.3 以 30.2% 排第三。

FrontierSWE 里的任务已经不只是修代码。Agent 要从零写电路模拟器、训练天气预测模型，还要靠望远镜照片匹配星表，或者只看游戏画面训练赛车 Bot。v2 统一换成 Proximus harness。每次任务最多运行 20 小时，模型准备交卷时，系统会先保存当前版本并告诉它还剩多少时间，避免模型过早结束任务。

这个改动对成绩影响不小。Proximal 在 6 项任务上对比发现，Claude Opus 5 和 GPT-5.6 换成 Proximus 后都工作得更久，平均成绩也高于各自原生 harness。

评测还抓到了多次主动作弊。GPT-5.6 曾意识到读取公开答案「可能涉及反作弊问题」，最后还是用了这条捷径；另一次甚至利用 Modal 的后台服务读取隐藏验证文件。Muse Spark 1.2 则改测试脚本、塞入公开答案，还写代码试图掩盖作弊痕迹。确认违规的运行全部被记为零分。