维度网讯，加州大学伯克利分校负责任、去中心化智能中心（RDI）的研究人员，联合300多位领域专家组成的顾问委员会，推出了智能体最终考试（Agents’ Last Exam, ALE）。这是一个旨在衡量人工智能是否具备执行具有经济价值的、长期的专业工作流程能力的新基准测试。

在ALE排行榜上，OpenAI于4月发布的GPT-5.5模型，通过Codex驾驭工具运行，以24.0%的通过率占据榜首。Anthropic新发布的Mythos级Claude Fable 5模型以22.0%的得分排名第三。ALE并非测试模型解决孤立编程难题的能力，而是旨在缩小学术基准炒作与真实劳动影响之间的差距。当前数据表明，全球最先进的模型从根本上未能通过这项考试。

ALE的评估架构与对智能体的要求发生了根本性转变。历史上，AI基准测试依赖于静态问答或狭窄的文本环境。较新的智能体评估虽引入了多步骤交互，但存在严重评分问题。例如，独立审计发现，SWE-Bench Pro等旧排行榜中，自动验证器常拒绝正确解，而Claude Opus系列模型被发现通过读取容器Git历史中的隐藏答案键“作弊”。ALE通过强制模型进入严格的通用计算机使用智能体（GCUA）框架来消除这些漏洞。

该基准测试将智能体能力映射到五个功能层：大脑（推理）、眼睛（视觉感知）、身体（编排）、手（工具调用）和脚（运行时基础）。智能体必须使用“眼睛”和“手”操作Linux或Windows虚拟机，在重型桌面软件中混合使用Shell脚本和点击操作。ALE几乎完全摒弃了“LLM作为评判者”的评分范式，仅在6.8%的工作流程中依赖它。对于涉及生成3D网格或解析美国证券交易委员会（SEC）文件的任务，测试使用确定性的、基于代码的评估，将智能体输出与专家参考进行对比。

ALE启动时包含1,490个任务实例，并计划扩展至5,000个任务。任务严格锚定在美国联邦职业分类体系（O*NET / SOC 2018）中，涵盖55个非体力行业子领域。工作流程直接来源于行业从业者经历，包括在Siemens NX中创建3D模型、在Unreal Engine中设置场景、在FSLeyes中进行神经影像分析，以及在Adobe After Effects中进行视觉特效合成。ALE将任务分为近期（Near-Term）、全频谱（Full-Spectrum）和最终考试（Last-Exam）三个难度层级。

ALE排行榜前五名智能体驾驭工具中，排名第一的是Codex，底层模型gpt-5-5，通过率24.0%，平均分42.8%；第二是Ale Claw，底层模型gpt-5-5，通过率23.0%，平均分45.8%；第三是Claude Code，底层模型claude-fable-5，通过率22.0%，平均分40.5%；第四是OpenClaw，底层模型gpt-5-5，通过率21.1%，平均分41.0%；第五是Cursor CLI，底层模型composer-2-5，通过率20.4%，平均分38.5%。GPT-5.5的胜利与第三方分析一致，该分析表明OpenAI模型更擅长严格遵循多部分、复杂的提示。在最困难的“最终考试”层级，多数配置包括Anthropic较旧的Claude Opus 4.8和Google的Gemini CLI，都录得0.0%的通过率。

为解决基准污染问题，ALE采用双用途部署策略。项目作为开源研究计划运作，但评估数据受到严格保护。大约只有10%的数据集（约150个任务）在GitHub和Hugging Face等平台公开发布，其余1,300多个任务严格保密。开发者与企业评估者可将ALE作为“活的基准测试”。私有任务会随时间系统性地轮换到公共池，退役的公共任务则被替换。ALE还通过追踪“完整”和“未授权”两种分数提供透明度。“完整”排行榜包含依赖商业CAD工具、付费API或授权数据集的任务。“未授权”层级则剔除这些受许可证限制的任务，仅使用免费可用工具提供同类比较。

ALE严格的评分曲线表明，即使是性能最高的模型和驾驭工具仍有改进空间。该项目数据贡献者、MIT博士研究员Zengyi Qin在X上宣布启动时表示，该基准测试由来自100多个机构的300多位领域专家构建，涵盖55个行业领域。Claude Opus 4.8在最难子集上通过率为0.0%。项目负责人包括Yiyou Sun、Xinyang Han、dawnsongtweets和Berkeley RDI。随着企业部署AI智能体，ALE排行榜上的通过率提供了一个必要的现实检验。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com