一句话看懂：开发者 Charles Azam 用同一道未公开的 NP 难优化题测试了 Claude Fable 5 和 GPT-5.6 Sol，结果 Fable 5 在解的质量和稳定性上全面领先，而两家模型自带的 /goal 指令模式虽能偶尔提升成绩，但总体效果并不稳定，甚至可能让表现倒退。
事件核心：发生了什么
Azam 公布了一项对照实验，测试的题目是 2018 年他作为工程学生时遇到的 KIRO 光纤网络设计问题。给定格勒诺布尔、尼斯和巴黎三城的定向距离矩阵，求解器需要在满足多项结构约束的前提下，用环路和短链连接分布点和终端，目标是总缆线长度最短。巴黎一个城市的搜索空间下限就达到约 10^1223 种可能。
测试对比了两个旗舰模型：Claude 的 Fable 5 与 OpenAI 的 GPT-5.6 Sol，每个模型分别在普通模式下和启用原生 /goal 指令模式下各跑 30 分钟。Fable 5 的普通模式三次跑出 32,197、32,516、32,446 的结果，误差幅度仅 319 点；GPT-5.6 Sol 普通模式的成绩为 33,581、35,539、33,663，波动幅度达 1,958 点。启用 /goal 后，Fable 5 最好成绩为 31,934（也是全场最优），但有一次回退到 35,178，导致均值变差；GPT-5.6 Sol 同样有升有降，均值劣于普通模式。
Azam 还检查了两家 /goal 的实现差异：Claude Code 使用一个独立评估器（默认是 Haiku）在每个模型交互后判断是否达成目标，评估器不读文件、不用工具；Codex 则将目标作为持久化的线程状态，拥有完整生命周期工具，两个系统在底层机制上完全不同。
为什么重要
这是少有的、对同一道复杂优化题做控制变量对比的公开实验，且问题本身难度明确、搜索空间巨大，能反映模型在推理与规划上的真实能力。Fable 5 极高的稳定性说明其在面对非结构化搜索时具备更强的“原始智能”，而 GPT-5.6 Sol 的波动则暗示其推理链条更容易被局部最优困住。
/goal 模式的表现同样值得警惕：虽然获胜率不错（6 次赢了 4 次），但均值却不如普通模式，说明这个功能不是通用的“再努力一下”开关，而是改变了搜索的控制循环和路径，有时能找到更好区域，有时只是给错误策略更多的成熟时间。这意味着用户如果想靠 /goal 稳定提升推理质量，需要根据问题类型做针对性测试，不能盲目依赖。
对用户/开发者/创作者的影响
对于需要做大模型驱动的优化求解（比如物流调度、网络规划、参数调优）的开发者和研究员来说，选模型时不能只看厂家宣传的 /goal 等模式名，而要用自己的题目做控制实验。本次实验显示，Fable 5 在普通模式下反而是最可靠的选择，而 /goal 模式下它的表现反而最不稳定；GPT-5.6 Sol 的 /goal 也有类似问题。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
普通用户若有类似“让 AI 写出更优方案”的需求，可先尝试模型默认设置，再单独测试 /goal 的效果，不要一上来就开启所有高级选项。此外，由于两家实现完全不同（Claude 靠外部评估器判断，Codex 靠持久线程执行），如果跨模型迁移代码，不能假定 /goal 行为一致。
值得关注的后续
第一，该实验目前仅针对 KIRO 这一道特定题型，不排除在其他 NP 难问题上结果反转的可能，后续若有更多公开基准测试（如 MILP、SAT、约束满足问题）的对比，会更有参考价值。第二，Anthropic 和 OpenAI 都未公布 /goal 的详细算法文档，社区只能通过逆向实验推断内部逻辑，未来若两家公司开放更多关于搜索策略、退火温度或早停判据的信息，值得跟进。第三，Fable 5 的极端稳定性如果能在更多复杂问题上复现，可能促使更多企业将 Claude 纳入决策优化的工作流，进而影响大模型在企业级推理市场的竞争格局。
来源：Hacker News
