12 个真实多应用智能体任务中，Fable 5 与 Kimi K3 同为 7/12

Nearby_Pair_6483 · reddit · 2026-07-28

在真实账号里跑了 12 个跨应用智能体任务，覆盖 Gmail、Slack、Sheets、Salesforce、HubSpot、GitHub 和 Linear，比较了 Fable 5、Kimi K3、GPT-5.6 Sol。

• 评测方式：Claude Code 驱动 Fable 和 Kimi，Codex CLI 驱动 GPT-5.6；三者使用相同的 12 个任务模板和同一套 MCP 工具路由，每次执行后都由 verifier 检查实际写入结果。
• 结果：Fable 5 = 7/12，Kimi K3 = 7/12，GPT-5.6 Sol = 6/12。
• 成本上限（按列表价、未算 cache 折扣）：Fable 5 约 $7.76/例，GPT-5.6 约 $2.69/例，Kimi K3 约 $1.39/例；整套测试大约分别花了 $93 / $32 / $17。
• 最难的是 5 个跨应用对账任务，例如同步工单状态、从多个应用整理退款台账、同步 roster 和 vendor directory；三者在这 5 个任务上都全挂。
• 但看部分得分时，GPT-5.6 往往更接近正确答案，作者认为这类“差一点”的失败在生产环境里反而更危险。
• 在一个 CRM identity dedup 任务里，Fable 和 Kimi 通过，GPT-5.6 只拿到 7 个检查项中的 5 个，最终成为 7/12 和 6/12 的分水岭。

结论是：如果只是普通 SaaS 工具调用，性价比可能更重要；但凡涉及跨应用精确状态写回，三者都不适合无监督直跑，仍然需要 verifier + retry loop。

原文链接 →

「编程与Agent」频道最新

• 「LLM 代码糙」遭反杀:ffmpeg 热门库里就有 if/else 两分支一模一样的代码 — kingslyj · 2026-10-16
• NVIDIA agentic 演示全靠 guardrails,Reddit 作者疾呼:模型外检查不可少 — Creamy-And-Crowded · 2026-10-16
• Vitalik 给 AI Agent 套上 Tor+zkAPI+本地改写，造出「偏执模式」隐私壳 — DavideCrapis · 2026-10-16
• Beam 智能体微调 Qwen3.5-0.8B,工单决策准确率 4.7%→76.3% — ben_burtenshaw · 2026-10-16
• Beam 跑 ProgramBench 实测:单 agent 比五 agent 协作更强 — ben_burtenshaw · 2026-10-16
• Beam+Pi 编码智能体一键生成 macOS 本地听写应用 BeamSpeak — ben_burtenshaw · 2026-10-16

更多「编程与Agent」频道 AI 资讯 →