一名工程师把自己2018年读工程时接触的一道NP-hard光纤网络设计题，重新丢给了Claude Fable 5和GPT-5.6 Sol，各跑三轮完整配对测试，外加双方各自的持久化执行模式/goal。当年他用C++手写代码，花了一周才解出这道题。
没有悬念的部分是：Fable 5三轮均分全面压过GPT-5.6 Sol。有悬念的部分是，/goal在六次配对里赢了四次，却把两个模型的平均成绩都拖低了。这个反差决定了一件事：/goal该不该在Claude Code、Codex这类工具里当默认开关。
Fable 5 三轮跑赢 Sol，赢在方差更小
测试题目叫KIRO，来自作者2018年的一门工程课：给定格勒诺布尔、尼斯、巴黎三座城市的有向距离矩阵，要求用环形和短链把配电中心与终端连起来，目标是总布线长度最短。仅巴黎一个实例，若限定用19个28节点的环覆盖全部532个终端，可行解数量下界就有10^1223个，穷举没有意义。
测试统一给了30分钟优化预算，每个模型开到最高推理档位，跑在Harbor 0.1.43容器里。作者先让Fable 5、Opus 4.8、Sonnet 5、GPT-5.6 Sol、Terra、Luna六个模型各跑一轮探路，再把Fable 5和GPT-5.6 Sol拉出来各重复三次完整配对。
| 指标 | Fable 5 | GPT-5.6 Sol |
|---|---|---|
| 无 /goal 三轮均分 | 32,386 | 34,261 |
| 开 /goal 三轮均分 | 33,145（+759，变差） | 35,129（+868，变差） |
| 三轮波动区间 | 319分 | 1,958分 |
| 三轮最佳成绩 | 31,934（该次开 /goal） | — |
Fable无/goal均分32,386，比Sol的34,261低1,875分（分数越低说明布线越短，成绩越好）。更值得记的是波动：Fable三次成绩挤在319分的区间里，Sol的区间宽达1,958分，摇摆是Fable的六倍。
作者当年手写C++花了一周才解出这道题，这段经历只能当背景参照，算不上正式对照分数。但模型在30分钟内跑出比手工调一周更紧凑的解，至少说明这不是随手刷榜级的基准。
赢面四比二，均分反而更差：/goal 是放大器不是纠错器
三轮配对下来，/goal让两个模型的均分都变差了：Fable从32,386掉到33,145，Sol从34,261掉到35,129。但只看单次胜负，/goal在六次配对里赢了四次。
矛盾出在分布形状上。/goal通常带来几百分的小幅提升，偶尔造成两千到五千多分的大幅回退。中位数往对的方向挪了一点，坏尾巴却往错的方向挪得远得多，均值就被拖下去了。作者没有公开逐次运行日志和具体失败案例，这个解释目前只能从分数分布倒推，还不能坐实是不是真的沿着错误策略跑得更久。
两种/goal的实现本身也不是同一回事。Claude Code的/goal靠一个独立评估器，默认用Haiku：每轮主模型作答后，这个小模型读对话记录判断目标是否达成，它拿不到工具、看不到文件，只能靠转录文本猜。Codex的/goal完全不同——目标被持久化进SQLite，工作模型自己拿到create_goal、get_goal、update_goal这几个生命周期工具，线程空闲时Codex自动注入续跑指令，评估者和执行者是同一个模型。
胜率四比二，均值却更差，说明赢局多不代表这个开关值得默认打开。它更像放大器：策略对了多赚一点，错了就错得更久。
这个结论能用在哪：单题测试的边界
这次测试只覆盖一道未公开的NP-hard题，只有Fable 5和GPT-5.6 Sol凑齐了三组干净的配对样本，Opus 4.8、Sonnet 5、Terra、Luna每个都只跑了一轮探路，样本量支撑不起横向排行。
测试容器给了8个CPU核心，任务元数据却只声明1个，这对偏爱并行搜索的策略天然占便宜。各轮测试还是顺着订阅制服务依次跑的，中间可能存在服务端漂移，不是严格隔离环境。
对用Claude Code或Codex跑长时间优化任务的开发者来说，更现实的做法是：先跑一次不开/goal的完整流程，看代理自己选的策略稳不稳、有没有中间验证。如果任务是一步走错就回不了头的搜索问题——比如布线、排班这类NP-hard优化——更该先看策略质量，而不是看胜率。
接下来该盯的是样本量。如果换成几十道题、几十次配对，/goal的均分是不是还会继续跑输；现在只有两个模型三组样本，这次的回退到底是策略问题还是运气差，还看不清。