分析 Fable 與 Mythos：LLM 基準測試中的性能與能力

Fable 展示了卓越的程式碼編寫與錯誤檢測能力

Fable 正成為處理複雜軟體工程任務的高能力模型，特別是在其識別深層錯誤並在單次嘗試中實現大型功能的能力方面。使用者回報指出，Fable 可以檢測出複雜環境（例如 Qt C++ 應用程式）中的數據損壞錯誤，而其他領先模型（包括 GPT-5.5 xhigh、GLM-5.1、Kimi 2.7 和 DeepSeek V4 Pro）都未能發現。

Fable 的關鍵性能優勢包括：

• 一次性功能實現 (One-shot Feature Implementation)：Fable 能夠在單次對話中實現重大功能，減少了對 Codex 或 Opus 等模型所要求的「編寫規格 $\rightarrow$ 優化規格 $\rightarrow$ 建立待辦事項 $\rightarrow$ 實作待辦事項」這種迭代工作流的需求。
• 持久性與自主性：與許多 LLM 不同，Fable 被描述為會「多走一步」，在解決問題時展現出超越標準全局智能提升的持久性。
• 空間推理：使用者注意到，空間推理是 Fable 與競爭對手區別開來的首要領域。

LLM 基準測試的比較分析

最近的基準測試數據顯示，模型性能的報告與解讀方式存在顯著差異，特別是在某些排行榜上的「檢測 %」排名方面。

排行榜中的統計異常

某些排名靠前的模型之所以顯得優越，可能是由於樣本量較小或預算限制，而非實際能力。例如，GPT-5.5 Pro 在某些情境下的高排名歸因於在達到預算限制前僅完成了 4 個案例中的 2 個，導致 50% 的成功率。當對二項比例置信區間的下限應用 Wilson score interval 時，真正的領先者被識別為具有更高原始成功次數的模型，例如：

• mimo-v2.5-pro
• gpt-5.5
• opus-4.8
• gemini-3.5-flash
• deepseek-v4

在此群體中，deepseek-v4 因其速度最快 (91s) 且最具成本效益而被認為是贏家。

AI Agent 的影響

與常見假設相反，整合 AI Agents 並不會一致地改善結果。數據顯示，沒有任何模型在與 Agent 配對時表現得更好；在某些情況下，性能反而下降，同時時間、Token 使用量和成本顯著增加。

Mythos 之爭：安全性 vs. 能力

關於「Mythos」代表的是智能的根本飛躍，還是僅僅是移除了安全性限制的現有 LLM 技術配置，目前存在持續的爭論。

安全性限制與漏洞研究

一些分析師認為，Mythos 本質上是一個禁用了安全性功能的標準 LLM。該理論認為，如果目前的模型不被限制搜尋漏洞，其性能將會反映 Mythos 的表現。這引發了對零日漏洞 (zero-day exploits) 可及性的擔憂，因為像 GLM-5.2 這樣的模型可能會讓非專家更有效地將漏洞武器化。

使用者體驗與模型「削弱 (Nerfing)」

Claude 系列的使用者回報了品質隨時間下降的感知，將其描述為一個「腦葉切除 (lobotomization)」或「削弱 (nerfing)」的過程。

"Around February, Opus 4.6 was excellent... Then it got lobotomized and it's never been the same after that nerf. 4.7 came along and it too was disappointing—not unlike 4.8... Fable felt like having access to that 'old Opus' again, but a little smarter."

這表明 Fable 可能恢復了 Opus 系列早期高性能迭代版本中那種主動且較少爭辯的特性。