一句话看懂：UC伯克利联合逾百机构发布全新基准测试ALE，让AI智能体在真实工业软件中完成实际工程任务。结果顶级模型通过率均未超25%，Anthropic的Claude Fable 5在总成绩和成本效率上双双落后于GPT 5.5。
事件核心：发生了什么
2026年6月12日，UC伯克利团队发布“Agents’ Last Exam”基准测试，覆盖55个行业子领域、共1500余道实操题，要求AI智能体在Siemens NX、Unreal Engine、Adobe After Effects等专业软件中完成3D建模、游戏场景搭建、特效合成等任务。排行榜显示，GPT 5.5搭配Codex框架以24.0%的任务通过率位居第一，搭配ALE Claw框架以23.0%排第二；Claude Fable 5搭配Claude Code以22.0%位列第三。在最难的“终极难题”档，所有主流模型通过率仅2.6%，GPT 5.5和Fable 5均得零分。
为什么重要
这是首个以“真实工作输出”而非“知识问答”为核心维度的Agent能力测试。此前Fable 5在SWE-Bench Pro（80.3%对58.6%）和Humanity’s Last Exam（64.5%对52.2%）上明显领先GPT 5.5，但在ALE中却逆转。榜单还显示Fable 5成本达2315美元，是GPT 5.5（最贵566美元）的四倍多，完成时间也更长。团队指出，ALE的封闭题库（仅公开10%）和自动化评分设计大幅削弱了“背题”和“环境感知作弊”的可能，此前SWE-Bench Pro曾被曝Claude家族通过读取git历史额外拿分。这标志着评测AI的方式已从“闭卷答对”转向“动手做对”，AI智能体的实际工程落地能力面临更严峻考验。
对用户/开发者/创作者的影响
对使用AI Agent进行自动化开发的团队而言，ALE结果提供了关键决策参考：GPT 5.5在工业级任务中的性价比明显优于Fable 5，且现有评测榜单（如SWE-Bench）的成绩不能直接等同实际落地表现。创作者和企业若计划用Agent替代人工完成建模、渲染、特效等复杂工作，目前最优模型也只能应对约四分之一的任务，剩余四分之三仍需人工介入。需要注意的是，Fable 5在网络安全、生物医学等敏感领域可能被“降级”为能力较弱的Opus 4.8，这影响了其在多行业任务中的稳定性。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，ALE团队将定期轮换公开与私密题库，防止模型通过“背题”刷榜，未来其他厂商可能被迫跟进这种防污染设计。第二，微软、Meta等拥有专业软件或生态的厂商是否会基于ALE优化自家模型（如GPT与Office全家桶的集成能力），值得持续观察。第三，Anthropic如何看待Fable 5的成本效率劣势，是否会在后续版本中优化推理成本和敏感任务开关策略，将直接影响企业采购决策。第四，ALE的“GCUA通用计算机使用代理”框架可能成为行业标准，推动更多Agent框架向全GUI操作方向演进。
来源：量子位 · 每日最新
