语言模型
Fable 5.2 与 GPT-6 Astra 的编码验收对照
用相同的失败复现、测试命令和完成条件比较两个模型。
把编码与调查分开评分
用修复失败测试评价补丁质量，再用需要查多个文件的问题评价证据追踪。每次输出都跑同一组命令，记录准确率和人工干预。
按真实交付成本比较
保留输入、输出、重试和工具往返的用量。把通用任务与高推理档位拆开比较，记录从开始到第一个通过验收版本的耗时。
分别测试工具和传输
OpenAI 兼容与 Anthropic 兼容接口的工具调用字段和 SSE 事件不同。应用准备换模型时，分别检查请求体、结束事件、超时恢复和账单。