Skor Debugging Claude Fable 5 Turun dari 86,2 menjadi 25,9 pada 1 Juli, Namun Arena.AI Menunjukkan Kinerja Datar
Menurut BridgeBench, skor debugging Claude Fable 5 turun drastis dari 86,2 menjadi 25,9 setelah pemulihannya pada 1 Juli, dengan refactoring turun dari 73,6 menjadi 38,4. Namun, penurunan ini mencerminkan pengklasifikasi keamanan baru Anthropic yang mengarahkan sebagian besar tugas coding ke Claude Opus 4.8, bukan degradasi model. Dari 12 tugas debugging, hanya tiga yang mencapai Fable 5; pengklasifikasi mencegat sembilan sesuai desain untuk mencegah eksploitasi jailbreak. Pengujian preferensi m
GateNews·07-04 21:16
