伯克利发布全新智能体基准 ALE：GPT-5.5 险胜 Claude Fable 5 登顶

过去一年，大模型在各种编程和做题榜单上刷分刷得飞起，但在真实职场里，让 AI 独立干完一个复杂项目，往往还是漏洞百出。

加州大学伯克利分校负责任与去中心化智能中心（RDI）联合 300 多位行业专家，发布了一套名为 Agents' Last Exam（ALE）的全新基准测试。这套测试不考刷题，专门测试 AI 能否完成 55 个行业里真实、具有经济价值的长流程工作。

结果让人大跌眼镜。4 月推出的 OpenAI GPT-5.5 配合 Codex harness，以 24.0% 的通过率拿下榜首。而 Anthropic 昨天刚发布的全新 Mythos 级模型 Claude Fable 5，只拿到 22.0%，屈居第三。

拒绝「作弊」，让 AI 像打工人一样操控电脑

以往的 Agent 测试经常出纰漏。比如在 SWE-Bench Pro 等榜单上，自动化评分容易误判，甚至有模型被抓到直接去翻 Git 历史记录里的答案来「作弊」。

ALE 直接把这些空子堵死了。它要求模型遵循通用计算机使用代理（GCUA）框架，把能力拆解为大脑推理、眼睛视觉、身体调度、双手调用工具以及双脚运行环境五个层面。

AI 不能光在黑底白字的终端里敲命令行，而是要通过视觉和模拟点击，在真实的桌面操作系统里干重活。测试任务全部来自各行业从业者的实际工作，比如在 Siemens NX 里面建 3D 模型、在虚幻引擎里搭建场景、用 FSLeyes 分析神经影像，或者在 Adobe After Effects 里面做特效合成。

更狠的是打分机制。ALE 抛弃了不靠谱的「AI 评判 AI」，仅有 6.8% 的工作流使用大模型打分，其余全部用确定性的代码，把 AI 做出来的成果与专家标准答案逐项比对。

为了防止模型把考题背进训练集，ALE 现有的 1490 个任务中，只有约 10% 放在 GitHub 和 Hugging Face 上公开，剩下的 1300 多个任务严格保密，并通过动态轮换机制让测试长期有效。

顶尖模型在最难关卡集体拿零分

虽然 GPT-5.5 拿了第一，但 24.0% 的通过率说明大家其实都没及格。

第三方分析认为，OpenAI 的模型在执行多步骤、复杂指令时咬得更紧。相比之下，Anthropic 的 Claude 架构经常有点「健忘」，做着做着就漏掉中间某个关键要求，在这种严苛的长链条任务里直接成了致命伤。

ALE 把任务分成三个难度。在最难的 Last-Exam 级别里，包括 Anthropic 的 Claude Opus 4.8 和 Google 的 Gemini CLI 在内，绝大多数模型配置的通过率全是 0.0%。

这说明在代表行业前沿的高难度专业工作面前，现有 AI 连一道题都还没做对。

为什么重要

对于企业和开发者来说，ALE 戳破了过去靠做题榜单营造的幻觉。如果你正打算让 AI Agent 接管复杂的专业软件工作流，现在必须清醒一点：行业最顶级模型的成功率也才两成出头，指望它们独立交付严肃工作还不现实，人机协同依然是唯一的选择。

对行业竞争而言，这场测试逼着大家把战场从「黑灯瞎火跑脚本」转移到「真实桌面长流程」。OpenAI 凭借老模型反超 Anthropic 的新旗舰，说明大模型在纯逻辑推理之外，抗遗忘能力和复杂指令遵循才是 Agent 落地的分水岭，这会倒逼所有大模型厂商重新审视后训练的重心。

我们认为，ALE 最聪明的地方在于斩断了评测污染和模糊判分。它把 90% 的题目藏起来定期轮换，并用确定性代码取代主观打分，让刷分变成了不可能的事。这套基准就像一块试金石，终于把 AI 的实际生产力拉回到了真实的地表。