在最新公布的MirrorCode编程挑战赛榜单中，AI模型Claude Fable 5以64%的绝对优势占据榜首，其表现远超其他竞争者。紧随其后的GPT-5.6 Sol仅获得21%的成绩，不足Claude Fable 5的三分之一。排名第四的GPT-5.5表现更为惨淡，得分仅为10%，甚至低于其前代GPT-5.4。
MirrorCode测试环境极为严苛，要求模型在完全隔离的条件下，仅凭高层文档和部分测试数据，重新构建与原程序行为完全一致的新程序。测试覆盖Unix工具、解释器、数据查询、生物信息学、密码学和压缩工具等25个领域，每个目标程序需使用两种编程语言各运行三次，且必须同时通过可见测试和隐藏测试的100%完成率，任何细微偏差都会导致任务失败。
在资源消耗方面，测试将单次预算推高至100亿Token，允许最长连续运行7天。部分极端案例中，模型甚至需要持续工作19天，单次成本高达2600美元。这种设计迫使模型通过反复试错、功能补全和结果验证，逐步逼近完美解决方案，整个过程更接近人类工程师的调试行为。
Claude Fable 5在语言适应性测试中展现惊人实力。当使用Go等主流语言时，其解出率达64%；切换至冷门语言Ada后，成绩仅微降至61%。考虑到公开训练数据中Python语料是Ada的230倍，这种表现意味着该模型已突破对特定语言语料的依赖，能够从底层逻辑层面理解程序功能，再以不同语言实现相同行为。相比之下，其他模型在语言切换后性能大幅下滑，GPT-5.6 Sol从24%降至19%，GPT-5.5更从17%暴跌至5%。
生物信息学工具gotree的测试案例极具代表性。该工具包含1.6万行Go代码和40多个命令，Claude Opus 4.7仅用14小时和251美元就完成了99.95%的功能复现，仅因处理日期注释的冷门边界条件失误被判定失败。据专业机构评估，人类工程师完成同等任务需2至17周时间，AI将开发效率提升了数十倍。
当前AI编程能力已从代码片段级向项目级跃迁。Cursor平台通过数百个智能体协作，在一周内完成百万行级浏览器代码开发；Anthropic公司利用16个Claude智能体并行工作，成功构建出可编译Linux 6.9内核的十万行C编译器。OpenAI数据显示，70.2%的Codex用户曾提交超过人类1小时工作量的任务，25.6%用户提交过超8小时工作量的项目。
MirrorCode的64%通过率标志着AI开始承担完整软件开发任务。当目标明确且验收标准自动化时，前沿模型已能独立完成部分中大型软件项目。这种转变正在重塑软件开发流程——人类角色从代码编写者转变为任务定义者和结果验证者，对需求清晰度和验收标准的要求显著提高，而基础编码工作的价值将持续下降。
