伯克利釋出全新智慧體基準 ALE：GPT-5.5 險勝 Claude Fable 5 登頂

過去一年，大模型在各種程式設計和做題榜單上刷分刷得飛起，但在真實職場裡，讓 AI 獨立幹完一個複雜專案，往往還是漏洞百出。

加州大學伯克利分校負責任與去中心化智慧中心（RDI）聯合 300 多位行業專家，釋出了一套名為 Agents' Last Exam（ALE）的全新基準測試。這套測試不考刷題，專門測試 AI 能否完成 55 個行業裡真實、具有經濟價值的長流程工作。

結果讓人大跌眼鏡。4 月推出的 OpenAI GPT-5.5 配合 Codex harness，以 24.0% 的通過率拿下榜首。而 Anthropic 昨天剛釋出的全新 Mythos 級模型 Claude Fable 5，只拿到 22.0%，屈居第三。

拒絕「作弊」，讓 AI 像打工人一樣操控電腦

以往的 Agent 測試經常出紕漏。比如在 SWE-Bench Pro 等榜單上，自動化評分容易誤判，甚至有模型被抓到直接去翻 Git 歷史記錄裡的答案來「作弊」。

ALE 直接把這些空子堵死了。它要求模型遵循通用計算機使用代理（GCUA）框架，把能力拆解為大腦推理、眼睛視覺、身體排程、雙手呼叫工具以及雙腳執行環境五個層面。

AI 不能光在黑底白字的終端裡敲命令列，而是要通過視覺和模擬點選，在真實的桌面作業系統裡乾重活。測試任務全部來自各行業從業者的實際工作，比如在 Siemens NX 裡面建 3D 模型、在虛幻引擎裡搭建場景、用 FSLeyes 分析神經影像，或者在 Adobe After Effects 裡面做特效合成。

更狠的是打分機制。ALE 拋棄了不靠譜的「AI 評判 AI」，僅有 6.8% 的工作流使用大模型打分，其餘全部用確定性的程式碼，把 AI 做出來的成果與專家標準答案逐項比對。

為了防止模型把考題背進訓練集，ALE 現有的 1490 個任務中，只有約 10% 放在 GitHub 和 Hugging Face 上公開，剩下的 1300 多個任務嚴格保密，並通過動態輪換機制讓測試長期有效。

頂尖模型在最難關卡集體拿零分

雖然 GPT-5.5 拿了第一，但 24.0% 的通過率說明大家其實都沒及格。

第三方分析認為，OpenAI 的模型在執行多步驟、複雜指令時咬得更緊。相比之下，Anthropic 的 Claude 架構經常有點「健忘」，做著做著就漏掉中間某個關鍵要求，在這種嚴苛的長鏈條任務裡直接成了致命傷。

ALE 把任務分成三個難度。在最難的 Last-Exam 級別裡，包括 Anthropic 的 Claude Opus 4.8 和 Google 的 Gemini CLI 在內，絕大多數模型配置的通過率全是 0.0%。

這說明在代表行業前沿的高難度專業工作面前，現有 AI 連一道題都還沒做對。

為什麼重要

對於企業和開發者來說，ALE 戳破了過去靠做題榜單營造的幻覺。如果你正打算讓 AI Agent 接管複雜的專業軟體工作流，現在必須清醒一點：行業最頂級模型的成功率也才兩成出頭，指望它們獨立交付嚴肅工作還不現實，人機協同依然是唯一的選擇。

對行業競爭而言，這場測試逼著大家把戰場從「黑燈瞎火跑指令碼」轉移到「真實桌面長流程」。OpenAI 憑藉老模型反超 Anthropic 的新旗艦，說明大模型在純邏輯推理之外，抗遺忘能力和複雜指令遵循才是 Agent 落地的分水嶺，這會倒逼所有大模型廠商重新審視後訓練的重心。

我們認為，ALE 最聰明的地方在於斬斷了評測汙染和模糊判分。它把 90% 的題目藏起來定期輪換，並用確定性程式碼取代主觀打分，讓刷分變成了不可能的事。這套基準就像一塊試金石，終於把 AI 的實際生產力拉回到了真實的地表。