如果让你控制一个航天模拟器，从零写代码实现登月，你会怎么做？人类工程师至少得啃几天轨道力学。但对于 Claude Fable 5，它只需要一句模糊的提示。Cursor 的模型评估负责人 Nate Schmidt 把这个新模型扔进自家的 CursorBench 基准，开启 Max effort 模式，然后看到了一个令人吃惊的数字：72.9%，刷新纪录。更魔幻的是，在一个航天模拟器任务里，Claude Fable 5 自主规划路径，成功登月——而此前的 Claude Opus 跑了 12 个小时依旧颗粒无收。
72.9%，但它不是又一个刷榜故事
一个内部基准的诚实刻度
大部分模型分数是拿来卖 API 的。但 CursorBench 不同。它不测那种“给定函数签名，补完函数体”的考场题，而是让模型真正去修 bug、重构文件、从一团乱麻的代码库里找出上下文缺失的调用链。Nate Schmidt 说得很直白：他们内部用这个基准，就是想看清模型在真实 编码 Agent 场景里到底有几成胜算。上一个让团队兴奋的模型，分数还在 60% 上下徘徊。Claude Fable 5 直接把天花板顶到了 72.9%，这不是微调出来的幻觉，而是在几百个脏活累活型任务里一刀一刀切出来的。
Max effort 模式暴露了什么
把模式调到 Max effort，意味着不再限制推理步数，让模型尽最大力气去思考、去试错。多数模型在这种模式下会暴露出两种惨状：要么陷入死循环，要么干脆胡乱修补一通，得分反而不如标准模式。Claude Fable 5 稳住了。它在高自由度场景里没有塌缩，反而展现出一种“知道自己什么时候不确定”的克制。Nate 的推文里有一句极有分量的话：“这不是什么 scaling law 的必然产物，而是架构选择终于走到了对的地方。”他没展开说，但你懂他的意思。
从 60 分到 70 分，难在哪
在自动评测里，把分数从 60 拉到 70 的难度，远大于从 50 到 60。因为前半程靠补足显而易见的代码模式就能做到，而后半程需要模型真正理解多文件之间的潜在线程、异常传播，以及那种开发者之间才懂的晦涩约定。Cursor 团队自己就是做 AI 辅助编程的，他们太清楚这一点了。所以当 Schmidt 把 Claude Fable 5 的测试日志放出来时，他给的不是一堆冰冷的数字，而是一连串“这地方连人都会犹豫”的案例。模型在其中有超过八成的表现，直接踩在了资深开发者直觉的节拍上。
把航天模拟器交给 AI，它自己飞向了月球
十二小时的哑火与五分钟的规划
同一个模拟器任务，以前的 Claude Opus 整整跑了 12 小时。不是运行慢，而是它根本找不到入口。模型不停地生成看似合理的控制流，但连脱离地球引力圈的策略都建不出来。Claude Fable 5 拿到同样的提示——一句没给任何技术细节的“让我登月”——在几分钟内写出了完整的飞行计划，定义引力跳板，计算燃料分段推力，并最终让模拟器弹出“着陆成功”。这中间，人类没有任何干预。这不是一个更好的代码补全器，这是一个能规划系统工程的小型大脑。
模糊指令不是 bug，是真实世界的接口
总有人骂用户给 AI 的提示太模糊。但真实开发中，需求本来就是模糊的。项目经理会跟你说“这个功能要快一点”，不会给你 O(n) 的复杂度定义。Claude Fable 5 恰恰在模糊指令下表现得最出人意料：它懂得先问自己几个关键设计问题，再开始下笔。Nate Schmidt 在分析日志时发现，模型在启动阶段就模拟了一个“内部对话”，把模糊目标拆成了几个可验证的子任务。他管这叫 全局推理。过去这个词更多出现在围棋程序里，现在它正在渗透到编程的后台逻辑中。
全局推理：代码补全的最后一块拼图
当 IDE 还在比拼谁的补全少按几次 Tab 时，Cursor 团队已经在盯这一块拼图。单行补全的准确率再高，也架不住一个高层次的设计失误。全局推理能力意味着模型可以理解那种跨模块、跨文件的约束，不再局限于当前光标所在的上下文窗口。登月模拟器恰好是块绝佳的试金石：没有这份能力，模型就只能在那儿做布朗运动式的试探，直到算力耗尽。Claude Fable 5 用一次成功登月，把“代码智能体”这个词从营销话术里捞了出来，扔进了现实的工具箱。
Agent 为什么在乎这个？因为 p99 问题开始松动了
99% 的补全正确，但剩下的 1% 要了命
做 编码 Agent 的人都有一个痛点：99% 的情况模型都能给出正确补全，可一旦碰到那 1% 的罕见场景——一个奇怪的库版本、一个跨线程的竞态、一个业务逻辑的隐性假设——模型就彻底崩掉，而且崩得悄无声息。这就是所谓的 p99 问题。Cursor 用 CursorBench 追的就是这层窗户纸。Claude Fable 5 在 Max effort 模式下对 p99 任务的坚守，说明它不是在靠记忆过拟合答案，而是发展出了某种纠错闭环。对使用者来说，这意味着终于有个模型能在关键时刻说“等等，这地方不太对”，而不是自信地写下一行 bug。
模型需要懂工程意图，然后才是语法
写代码的本质从来不是码字，是翻译意图。Claude Fable 5 在登月任务中做的那些事，彻底绕过了语法层面的炫技，直接跳到意图层面：理解物理约束，编排执行顺序，预测误差传播。这是工程师才具备的思维方式。Schmidt 用一个词形容它——“工程师的暗默知”。这个说法挺妙的。因为暗默知最难被评测，也最难被模型习得。一旦模型跨过这道门槛，那种只能做补全玩具的尴尬就开始消退。Cursor 这么兴奋，不是因为它能多写几行漂亮的代码，而是它终于像个人一样去掂量整个工程该怎么走。
评测的旧椅子已经坐不住了
Claude Fable 5 在 CursorBench 上的表现，反过来也暴露了当前评测体系的陈旧。大多数公开榜单还在让模型做函数填空，就好像考驾照只测记得住刹车踏板位置。登月模拟器这种开放域任务，才更像实际开发中那种“没人告诉你步骤，你得自己找路”的困境。Nate 没有明说，但你几乎能从他的分享里读出潜台词：未来半年，不把全局推理和自主规划纳入测评的编码 Agent 产品，都会被客户一句“它能像个人那样想问题吗”问住。这张椅子，是该换掉了。
