远程劳动指数出炉：AI 自由职业能力一年翻 6 倍，Fable 5 居首

很多人总觉得 AI 抢饭碗还要等上好几年，但数字往往比感觉跑得快得多。

AI 安全中心（CAIS）与 Scale Labs 联合发布了《远程劳动指数》（Remote Labor Index，简称 RLI）的最新评测结果。这项基准测试不考选择题，而是把 240 个真实的自由职业订单扔给 AI，涵盖 3D 建模、动画广告制作、室内设计、音频处理、网页应用等领域，最后由人类专业评审逐项打分，判断 AI 给出的交付物能不能达到付费客户的验收标准。

评测结果显示，AI 的完全自动化率在一年内提升了近 6 倍。但这枚硬币的反面同样扎眼：即便是当下最强的模型，也只能搞定大约六分之一的任务。

谁在领跑：Fable 5 甩开第二名一倍

RLI 最初在 2025 年 10 月发布时，领跑的 GPT-5.2 自动化率只有 2.5%。后来 Opus 4.6 配合 Claude Cowork 框架把成绩推到 4.17%，但整体来看，AI 独立交付专业任务的能力依然在个位数挣扎。

最新一期的榜单里，Anthropic 旗下的 Fable 5 拿下了 15.8% 的自动化率（在另一些口径中记为 16.1%），不仅刷新了纪录，更几乎是第二名 Opus 4.8（8.3%）的两倍。OpenAI 的 GPT-5.5 则以 6.3% 位列第三。

为了给每个模型公平的发挥环境，测试团队没有搞自研框架，而是直接用行业成熟工具加上原生计算机操作能力。Anthropic 模型跑在 Claude Code 上，OpenAI 模型跑在 Codex CLI 上，背后挂载着配备 30 多款专业软件的 Linux 桌面虚拟机。无论是 Blender、FreeCAD 这样的 3D 软件，还是 Inkscape、GIMP 乃至 LibreOffice，AI 都需要自己截图、点击、输入并最终输出文件。

让 AI 给 AI 评分？当场翻车了

这项测试里还有一个极具戏剧性的插曲：评测成本太高，测试团队曾尝试用大模型当「AI 裁判」来替代人类评审。

这个 AI 裁判在旧模型上表现不错，经过校准后能准确反映 3.3% 的人类基准。然而，当把它放到从未见过的 GPT-5.5 和 Opus 4.8 身上时，裁判打出的分数直接注水了：给 GPT-5.5 的自动化率虚高了大约 3 倍，给 Opus 4.8 虚高了大约 2.5 倍。

翻车的原因很讽刺，也很真实：当裁判本身就是一项极高难度的任务。一个真正的甲方客户需要打开专业软件、旋转 3D 模型的拓扑结构、检查图层和几何体细节。而当下的 AI 裁判连熟练操作图形软件都做不到，它看不到深层穿帮，草草看一眼表面就把及格分批了出去。这也印证了 OpenAI 此前在 GDPval 里的发现：自动化裁判根本无法替代行业专家。

为什么重要

我们认为，这项基准测试给狂热的 AI 替代论泼了一盆很及时的冷水，同时也给从业者指明了方向。

对自由职业者和打工人来说，它证明了完全失业的风险目前被夸大了。即使是独占鳌头的 Fable 5，也只有 15.8% 的成功率，意味着剩下的 84% 任务交上去要么漏洞百出，要么根本通不过商业验收。现在与其担心被取代，不如把顶尖 AI 当作超级助手。把生成草稿、搭建初版代码或整理资产这类粗活丢给模型，产出效率能翻数倍，但核心的审美标准、技术把关和终审交付，依然必须由人类牢牢掌控。

对行业而言，这一年的跨越说明 Agent 工具链的进化方向是对的。给模型挂载系统级桌面操作、融入专业软件生态，让数字劳动的落地速度比大家预想的要快得多。从 2.5% 到 15.8% 看起来不高，但只要这个斜率持续下去，两三年后商业验收的门槛就会迎来真正的大考。

CAIS 和 Scale Labs 这次最聪明的地方，在于坚持用真实交付物和真人专家来做金标准，毫不遮掩地指出了 AI 裁判的系统性膨胀。在各大厂商习惯用刷榜数据自我陶醉的当下，这种脚踏实地的量化评测，才是衡量生产力革命最靠谱的尺子。