与「Fable5」相关的搜索结果

DeepSeek V4 Flash 与 Grok 4.5 实战对比 先说结论：DeepSeek 还差一截，日常还是回归Grok4.5 我让DeepSeek V4 Flash 和 Grok 4.5分别对同一个实盘交易系统做全面审核，然后由Fable5做一个实盘数据验证确认，最后的结果如截图 还是那句话：是骡子是马，一定要拉上去试试，其他都是瞎扯淡

MirrorCode：测评AI复刻软件的能力 让AI在完全看不到原始源码的情况下，从头复刻整个程序，最终生成的代码必须与原程序输出完全一致，而且其中包含一些隐藏的用例。 MirrorCode选取了25个目标程序，覆盖Unix工具、数据序列化与查询工具、生物信息学、解释器、静态分析、密码学、压缩算法等多个计算领域。 最终，Fable5以64%的完全解决率排名第一，GPT 5.6 Sol则只有20%的解决率。 详细介绍：

AI模型评分都是被专项攻坚创造出来的，于是我对比了Fable5，Grok4.5， Kimi K3针对同一个交易系统审计结果进行了对比。 先说结论： Fable5：最适合作为系统级主审核模型 Kimi：最适合作为代码缺陷与一致性专项审核模型 Grok：最适合作为代码梳理和方案发散模型，不适合单独决定策略修改 最佳组合：Fable5全面审核+Grok 4.5代码梳理+K3代码审核 具体细节： 1. Fable5：系统级判断能力最强 Fable5 最大的优势不是代码读得比另外两个模型更多，而是它能把： 代码规则； sizing snapshot； intent ledger； 实际 block 统计； 当前资产 headroom； SELL/REDEEM 回流路径； 放进同一个因果框架。 它使用了几个非常关键的实盘指标： ADD 近 7 天约占新增资金 43%； 84% 资金已经部署； ETH、SOL、XRP headroom 为 0； 近 40 个周期中主要阻塞是：blocked_capital_efficiency=47 blocked_asset_cap=28 deployment cap=0 runway=0 这让它能够区分： “某个机制理论上可能限制资金” 和 “当前实盘真正正在限制资金的机制”。 最终它得出： ADD 对资金流向重要，但当前周转主因在回收端、资产 cap 和效率过滤，不在 ADD 准入本身。 这是三个模型中最接近生产系统审核要求的判断。 弱点 Fable5 仍有一些过度推断： 把 ADD 描述为让资金“锁得更久”，实际上 ADD 的剩余 TTE 通常比 ENTRY 短； 把超 cap 资产总持仓约 $382 说成可以“直接解锁 $382”，没有区分总持仓、超额部分和可成交部分； 把模型中的 redeem_lag_days=2 一度当作实际回款延迟； “$5 仓位几乎不受每美元每日利润门约束”的推理不正确，因为该指标已经按资金归一化； 2-lot 最低 ENTRY 建议可能系统性损失覆盖率。 因此，Fable5 的系统方向判断最好，但具体数字和金融指标仍需二次校验。 最适合的角色 PRIMARY_SYSTEM_REVIEWER LIVE_OPERATIONAL_DIAGNOSIS CHANGE_PRIORITY_DECISION CROSS_MODULE_ROOT_CAUSE_ANALYSIS 2. Kimi：代码缺陷侦测能力最强 Kimi 对代码结构的还原比较准确： 固定 ADD 次数和 interval 已退役； ADD 采用 target-gap 模型； ENTRY 60%，ADD 补到 100%； allocator 是最终数量权威； style 仅作诊断； 现金、集中度、shock、深度共同限制订单。 更重要的是，Kimi 找出了其他两个模型没有明确指出的具体问题： shared_deployable_pool() 读取 account_snap["capital"]["deployable_cash"] 但该字段可能没有实际写入 → 回退到 free_cash → 策略层与 allocator 层资金口径可能不一致 它还发现了： 合同写 debounce 60 秒，代码/配置为 30 秒； 注释周期 16 分钟，实际 loop 600 秒。 这些是典型的静态审核、字段追踪和合同一致性检查优势。 弱点 Kimi 在资本效率和交易语义上的推理弱于它的代码检查能力。 典型错误是： ADD 价格更高，所以边际 edge/day 必然更差。 这忽略了剩余持有时间也缩短。更高 ask 并不必然意味着更低 edge/day。 它还认为： 60/40 会让剩余资金长期闲置； 提高 entry share 会改善周转； CONFIRMATION_NO 应收紧； 增加单市场软 cap 会改善组合周转。 这些结论缺少真实候选竞争、实际 block attribution 和反事实分配数据支持。 最适合的角色 STATIC_CODE_AUDITOR SCHEMA_AND_FIELD_FLOW_CHECKER CONTRACT_IMPLEMENTATION_DIFF LOCALIZED_BUG_DISCOVERY Kimi 很适合回答： “代码是否存在字段没有写入、默认值回退、文档与实现不一致、某个 gate 实际是否生效？” 但不适合单独回答： “应该如何改变交易策略和资本分配？” 3. Grok：代码梳理最完整，但最容易过度设计 Grok 对整个 ADD 路径的整理最详尽： 各层准入条件； risk latch； REDUCE reentry cooldown； 价格带； fingerprint； emergency cap； market target； ENTRY/ADD gap； allocator 的现金、集中度、shock 和深度约束； ADD 与 ENTRY 的评分和 continuity； SELL/REDEEM 对现金回收的影响。 它对当前代码执行模型的概括非常清楚： 能不能加由 headroom 决定；加多少由 target gap 离散为 lot；ADD style 只是解释标签。 因此，在“快速理解一个陌生复杂系统”方面，Grok 表现很好。 弱点 Grok 最大的问题是： 从“发现一个可能的机制副作用”快速跳到“建议修改策略”。 它提出了大量未经实盘证明的改动： TIME_TOPUP 冷却； ADD 1.5 倍 edge/day 门槛； ask≥0.97 限制为 1 lot； 降低 peak target； 提高 entry share； 单次仅补部分 gap； 弱化 continuity； 降低 TTE confirmation 权重。 这些建议表面上都很合理，但存在三个问题： 没有先证明这些机制实际造成了损失； 没有量化被 ADD 挤出的 ENTRY 是否更优； 可能重新引入此前已经修复的低 ADD recall 和 leader fidelity 偏差。 Grok很擅长生成完整优化空间，但容易把： POSSIBLE SIDE EFFECT 升级成： CONFIRMED ROOT CAUSE 再进一步升级成： SHOULD CHANGE PRODUCTION LOGIC 这是生产交易系统审核中最危险的倾向。 最适合的角色 SYSTEM_MAPPING CODE_AND_CONFIG_EXPLANATION HYPOTHESIS_GENERATION DESIGN_OPTION_ENUMERATION 不适合作为唯一的： PRODUCTION_CHANGE_APPROVER ROOT_CAUSE_FINAL_AUTHORITY STRATEGY_SEMANTICS_GATEKEEPER 三个模型的典型思维模式 Grok 发现机制 → 推演可能副作用 → 生成多种优化 → 倾向建议修改 优点：覆盖广、思路多。 风险：过度设计、假设升级过快。 Kimi 追踪代码和字段 → 找实现不一致 → 找局部缺陷 → 尝试从缺陷推导策略改进 优点：代码问题定位强。 风险：局部正确不等于系统结论正确。 Fable5 理解代码 → 读取运行数据 → 找实际 binding constraint → 区分主因和次因 → 按实盘收益排序 优点：最接近生产运营思维。 风险：仍会在个别指标含义和金额口径上过度断言。

Kimi K3 和 Qwen3.8 前后发新模型，都说自己仅落后 Fable5，K3 套餐现在抢都抢不到，千问还是随便买，我干脆买来测一测到底有没有那么强！！！ 结果让我很震惊，某些情况下国产模型做的比 Fable5 还好，并且 Qwen3.8 同一个任务比 Fable5、K3便宜5-10倍，详细聊一聊： 第一个活，让 Qwen3.8、KimiK3、Fable5 复刻 macOS，同样一条一条 prompt（具体对比参考视频）： Qwen 3.8 做的最好，一口气写1500 多行代码，菜单栏、Dock 弹性动画、可拖拽窗口等基础的不说，Spotlight、终端、通知中心全都真的能用。这是三板中能做得最全的，UI 也是最舒服的。 第二个活，让它写一个植物大战僵尸那样的塔防游戏。植物、僵尸、阳光经济、10 波进攻，最后一波有僵王坐镇，每条路还配了救场小推车。点开就能玩，同样一句话完成。 中间还顺手让它搓了个黄金矿工，像素怀旧风，放钩抓金块、炸药、道具商店、关卡倒计时全有，一次成型零报错。 然后计算了一下Token消耗和价格，这几个活加起来，Qwen3.8 花 4 毛钱，我以为自己少数了俩零，Fable 5 折算 5块4，K3 收了我 3块4。。。 同样的题三个模型的测试下来都能交货，但测完我的结论是： 国产这俩说仅落后 Fable 5，还真不算吹，差距已经缩小。但价格上 Qwen3.8 确实香，限时优惠+39 块上车不限购，烧 token 多但还是最便宜，而且这还只是预览版，2.4T 参数的正式版说是很快开源。 所以说，国产模型现在都很不错，兄弟们，你会选哪家呢🤔

Kimi 研究员震惊了，一个普通 OpenAI 研究员拥有的算力资源有多恐怖。 当下模型排行也很认可： ① Fable5 ② GPT 5.6 sol ③ Kimi K3 ④ Grok 4.5 ⑤ GLM 5.2 另外，个人觉得智谱很有潜力，5.2 参数只有750B左右。 如果像前几个达到1T~10T，效果一定很棒。

吹到天上的国产模型真相： 1. GLM-5.2： 垃圾中的战斗机，几个小时解决不了的问题gtp5.5几分钟解决 2. MiniMax M3：婆娘的裹脚布，又臭又长，解决问题低效 3. Kimi K3：推理能力低下，token消耗速度快，编程能力充其量opus4.8水平，性价比低下 不贪便宜了，老老实实回到：Fable5+GPT5.6+Grok4.5