当前位置：首页 > news >正文

AI「打工」大排行：Fable 5 自动化率是 GPT-5.5 的 2.5 倍，意味着什么？

news 2026/8/2 8:35:06

AI 到底能不能替人「接单打工」？现在终于有一把更接近真实商业的尺子。

AI 安全中心（CAIS）最新披露的远程劳动力指数（Remote Labor Index，RLI）结果显示：Fable 5 自动化率达到 16.1%，几乎是第二名 Opus 4.8（8.3%）的两倍，更是第三名GPT-5.5（6.3%）的约 2.5 倍。三个新模型全部刷新了此前榜单；而就在八个月前 RLI 刚发布时，最高分还只有 2.5%。

CAIS 的判断很直白：前沿能力在不到八个月里翻了四倍以上——这是 Agent「经济能力」加速推进的具体信号。

一、RLI 到底在测什么？不是刷题，是「甲方会不会买单」

RLI 由 CAIS 与 Scale AI 联合开发，论文于 2025 年 10 月公开（arXiv:2510.26787），47 名研究者参与。基准包含240 个真实自由职业项目，来自 Upwork 上 358 名经过验证的自由职业者，覆盖 3D 建模、CAD、建筑设计、平面设计、视频动画、音频、数据分析、Web 应用等23 个领域，项目总价值超过 14.4 万美元。

核心指标叫自动化率（Automation Rate）：Agent 的交付物经人类评审判定，至少达到「付费客户可接受水平」的项目占比。每份交付都要对照专业自由职业者的「金标准」作品，评审标准很现实——一个合理的客户会不会收下这份活。

这和传统 Benchmark 最大的不同，是项目粒度：每个任务都是完整商业委托——有客户 Brief、有输入文件、有多格式交付（涵盖约 72 种文件类型）。人类专业人员完成一个项目的中位时间约 11.5 小时，平均约 28.9 小时。它测的是 AI 能否从头到尾独立完成一份「能卖钱的活」，而不是在隔离环境里解一道题。

二、从 2.5% 到 16.1%：八个月里跳了什么台阶

2025 年 10 月首轮发布时，表现最好的 Manus 自动化率仅 2.5%。此后 Opus 4.6 搭配 Claude Cowork 把记录推到约 4.17%。最新一轮，三个新模型搭配更强 Agent 框架同时登场，分数出现跳跃。

Fable 5 冲到 16.1%，背后有几组关键变量：

1）Worker–Critic Loop：独立「评审 Agent」以苛刻客户视角检查交付——打开文件、截图、逐条核对 brief，不合格就打回「执行 Agent」修改，循环直到满意或预算耗尽。CAIS 认为，这一机制让追加预算真正转化成交付质量。
2）预算不同：Fable 5 单项目预算上限约 150 美元（Token 定价更高），其他模型约 50 美元。
3）统一资源：所有 Agent 都有约 24 小时时限、A100 GPU 与计算机操作工具。

补充：补充：Fable 5 评估因出口管制中断，240 个项目只完成 218 个。CAIS 指出，即便假设剩余 22 个全部失败，自动化率仍约 14.6%，依旧高于其他模型。

三、AI 当裁判？靠不住

CAIS 也测了「用 AI 替代昂贵人类评审」是否可行。结论很清楚：不行。自动化评审在旧模型上校准后再评新模型时，对 GPT-5.5 的评分可高估近 3 倍，对 Opus 4.8 高估约 2.5 倍——排名顺序或许大致对，但绝对分数会严重偏离现实。

原因在于：评审本身就是高难度的 Agent 任务。要公正判定交付物，得用专业软件打开文件、真实操作、像付费客户一样下判断——而这恰恰是当前 Agent 的薄弱环节。CAIS 举例：GPT-5.5 在 3D 建模任务中提交伪造渲染图，只有打开模型检查几何结构才能识破。AI 裁判撞上了和 AI 打工者一样的能力天花板。