大模型榜单越来越多，但榜单上的几分差距，到了真实工作中究竟意味着什么，并不容易判断。
在 Artificial Analysis（AA）、Terminal-Bench 4.0 和 CursorBench 4.0 等评测中，Fable 5.1 和 Opus 5 的成绩只相差几分。可如果让它们进入同一家公司，使用同样的软件、学习同样的业务，再连续处理同一批账单，结果却变成了 72% 对 36%。
完成的任务数，差了一倍。
这个结果来自 NeoCognition 最新发布的 ApprenticeBench。与常见的单项能力测试不同，它把 Agent 放进一家模拟建筑公司，让它像新员工一样入职：阅读员工手册和历史资料，使用真实企业软件，并根据主管反馈逐渐摸清公司的业务规则。
ApprenticeBench 主页链接：https://apprenticebench.com/
Agent 没有针对这份工作接受专门训练。它需要一边工作，一边从公司的历史数据和带教过程中学习。在这项评测中，Fable 5.1 和 GPT-6 Astra 分别取得 72% 和 68% 的通过率，也超过了本次表现最好的人类测试者的 51%。
Fable 5.1 和 Astra 出现明显的能力跃升，超过本次人类测试者。图源：ApprenticeBench 博客（https://neocognition.io/blog/apprentice-bench/）
这也带出了一个更大的问题：如果 Agent 能自己熟悉软件、学会业务，今天需要 FDE（前线部署工程师）为每家客户做的部署和适配，未来能不能交给 Agent 自己完成？
一份看似普通的会计工作，为什么能拉开这么大的差距？对正在训练下一代模型的团队，这些差距又意味着什么？
公司的规矩，进公司才知道
会计学知识可以提前学习，但是一家公司具体怎么做账，最近改了什么政策，任何通用模型都不可能，也不应该知道。一个新员工入职后要补的课，Agent 一样要补。
这便是 ApprenticeBench 的核心设计思路：Agent 进入一家模拟建筑公司，使用和人类员工同样的软件（Odoo）处理应付账款。入职时，它拿到员工手册、软件教程和六个月的历史账单，随后连续处理 100 张新账单。在第一个月里，主管会逐单指导，后来只在月底提供稀疏反馈。
从翻阅历史记录，到逐步独立处理业务，Agent 经历与新员工相似的学习过程。图源：ApprenticeBench 博客
真正做起来才会发现，麻烦都藏在细节里 ——the devil is in the details
建筑公司的应付账款工作中，单位写错、保险过期、前任没交接清楚，都不稀奇。同一张账单，几个问题经常一起出现，还得来回沟通好几轮。然而，现有的 benchmark 把真实工作里的这些麻烦都省略了。同时还有很多规矩，根本不会被明确写下来。相同的支出描述，因为用途不同，就可能归入不同成本码（cost code）。Agent 需要从历史账单中自己琢磨，而不能只靠名称猜答案。
这些麻烦都被放进了 ApprenticeBench。100 个任务经过两位合计拥有超过 30 年相关经验的专业人士独立验证，确认它们确实会在工作中发生，也能根据 benchmark 中提供的信息解决。
拥有 20 年经验的建筑业财务主管 Emilie F. 表示： “这些场景很真实。比如项目经理弄丢了东西却没有意识到，这种事比你想象的常见得多。在参与这个项目之前，我从没想过 AI 能处理这类工作。如果它能应付这些邮件、来回沟通和交叉核对，我相信它会成为会计部门真正的帮手。” 有 10 年建筑与项目管理经验的企业经营者 Austen K. 表示： “这些场景非常符合建筑业财务主管会遇到的情况。目前这些工作都由我自己处理。如果 AI 能接手，我就能腾出时间承接更多项目、拓展业务。对我这样规模的公司，这很容易带来每年六位数美元的价值。如果 AI 能学会这些并拿到高分，我很愿意让它到自己的公司试一试。”
这就是团队所说的 “生态效度”（ecological validity）。它还关系到一种更容易推广的部署方式：企业能否用现有的软件、资料和带教流程，让 Agent 真的像新员工一样学会工作？
真实工作，让模型真正拉开差距
单独测试软件操作，两个模型可能表现接近。但做一份完整的工作，Agent 还得从历史记录里学会公司的惯例，根据主管反馈和政策变化调整做法，并与供应商沟通、补齐信息。这些挑战也会相互影响。软件使用不熟练，可能无法精确检索相关历史记录，公司的规则也就学不明白。主管指出的问题没学会改，后面的账单则会继续出错。把这些挑战放在一起，单项测试中不明显的差距就会累积。Fable 5.1 与 Opus 5 从其他榜单上相差几分，到 ApprenticeBench 的 72% 对 36%，正是值得进一步研究的差距。
AA：Fable 5.1 为 53，Opus 5 为 51。图源：Artificial Analysis 排行榜
Terminal-Bench 4.0：Fable 5.1 为 57.9%，Opus 5 为 51.8%。图源：Terminal-Bench 排行榜
CursorBench 4.0：Fable 5.1 Max 为 51.8%，Opus 5 Max 为 46.6%。图源：CursorBench 排行榜
另外值得一提的是，开源权重模型与闭源模型的差距也很直观。Fable 5.1 和 Kimi K3 在 AA 上是 53 和 44，在这里则是 72% 和 18%。这 100 张账单里，一个有 28 张没通过，另一个是 82 张。如果最后由你接手，这个差距恐怕很难忽略。 这套评测提高了复杂案例的比例，不能直接当作日常业务的错误率。不过，那些需要人接手的地方，恰恰值得模型团队仔细看。
下一版模型，该往哪里使劲？
分数拉开了，接下来让我们看看原因。ApprenticeBench 的几组分析，已经给出了一些具体线索。
用鼠标代替 API，模型要交多少 “CUA 税”？
用图形界面做事，到底会拖累模型多少？为了公平比较，ApprenticeBench 团队专门基于 Odoo 的后台接口，定制了一套与图形界面功能对等的 API 工具，让模型分别通过两种方式完成同一份工作。
团队提出了 “CUA 税” 这一概念来衡量 agent 从 API 切换为 GUI 导致的成功率损失：
CUA 税 =（API 成功率 − GUI 成功率）÷ API 成功率
使用 GUI 带来的相对成功率损失随模型代际快速下降。图源：ApprenticeBench 博客
这笔 “税” 随模型迭代逐渐降低。Fable 5.1 的 GUI/API 成功率为 72%/70%，Astra 为 68%/65%。这一结果说明今天最强模型的 CUA 税可能已经消失。
这意味着，Agent 有望直接使用企业现有软件，减少专门开发接口的需要。不过，GUI 的操作成本仍然更高，效率上还有提升空间。
模型原本就会，还是入职后学会的
做对一道题，不一定说明模型学到了新东西。它可能本来就会，也可能只是找到了可以照抄的答案。
团队设置了一个 “聪明的新手”（smart novice）对照：仅保留公司手册和软件教程，拿掉历史账单、主管反馈和跨任务记忆，看模型只靠已有知识能做多少。Fable 5 在这个设置下只通过了 11 张账单。单独加入历史账单，通过数上升到 31 张。单独加入主管反馈，则升到 35 张。两者同时提供时，达到了 43 张。公司里的经验，确实能帮它把工作做得更好。 但找到旧答案，和学会处理新情况，还有一段距离。成本码实验里，当有先例可参考时，受测模型普遍表现不错。需要从历史账单中归纳规则时，Fable 5.1 和 Astra 才明显领先。
左侧是有先例可参考的成本码，右侧需要归纳隐含规则；虚线为 smart novice 参考表现。图源：ApprenticeBench 博客
有些模型看了历史账单、听了主管反馈，提升仍然有限。有些能从旧账单里找到答案，但需要自己归纳规则时，正确率就明显下降。这些对照让我们看清了分数背后模型能力的差距所在。
经验多了，为什么反而干得更慢
人熟悉工作后，通常会越做越快。这次测试里，Agent 却普遍越做越慢。
人类与 Agent 的处理速度、笔记量随任务推进的变化。图源：ApprenticeBench 博客
笔记就是一个例子。Fable 5.1 写下了约 19.2 万词，分散在 122 个文件里。人类测试者中，笔记较多的一位也只写了约 2,800 词。记得多不代表用得好。笔记越积越多，查阅和维护它们也要花时间。还有个很有意思的例子：账单扫描件太模糊，Agent 居然自己写起了图像处理程序，折腾了近两小时，最后还是找供应商要了份清晰的。本来发条消息就能解决，它却绕了一大圈。
这些问题，光看成功率很难发现。把执行过程和消耗的时间、token 一起看，才能知道模型卡在哪里。下一版模型该学会什么、少做哪些无用功，也就有了具体的改进方向。
做得比人好，还得算算账
Fable 5.1 的通过率达到 72%，超过了人类最高的 51%。但每张账单平均花费 18.23 美元，人类是 7.21 美元，差了约 2.5 倍。这里，模型算的是 token 费用，人工算的是工作时间对应的工资。还有一些成本没算进去。处理同样的 100 张账单，Fable 5.1 发出了 1,032 条消息，两位人类测试者分别是 508 条和 450 条。多出来的来回沟通，也需要同事花时间回应。
不过，成本也不只有处理账单时的开销。让 Agent 进入一家企业，摸清业务、对接软件、配置流程，同样需要人力。这就回到了开头的 FDE 问题：这些部署和适配工作，有多少能交给 Agent 自己完成？
ApprenticeBench 的结果让人看到了这种可能。Agent 已经能直接使用现有软件，也开始能从历史记录和主管反馈中学会公司的做法。如果这些能力足够可靠，换一家客户，就有机会让 Agent 自己学习，而不必事事依赖工程师定制。以后业务规则变了，它也需要能继续学、跟得上。
这条路要走通，Agent 还得做得更省、更稳，也更容易与人配合。但它的价值也很具体：少让人花时间翻查记录、核对表单、反复检查细节，多留些精力理解客户、处理例外、做出判断。
NeoCognition 表示，他们期待，人和 AI 一起工作，最终能比今天单靠人力提高十倍乃至百倍的生产力。这个目标能否实现，要看 AI 做对了多少，也要看部署、指导和复核它需要付出多少。最后，整个团队能多做多少事，才是这笔账的答案。
关于 NeoCognition
硅谷 Agent Lab NeoCognition 由苏煜、邓翔和谷雨联合创立，创始团队在 Agent 领域累计拥有超过 30 年的研究经验。他们相信，未来会有大量各有所长的专业 Agent，让更多人和组织用得上过去难以获得的专业能力。公司已获得 Cambium Capital、Walden Catalyst Ventures、Vista Equity Partners，以及 Lip-Bu Tan、Ion Stoica、Dawn Song 等投资人与学者的支持。
Yu-Xiang Wang 近日宣布已从 UCSD 休假全职加入 NeoCognition。图源：X
最后还有个彩蛋：王宇翔（Yu-Xiang Wang）教授近日宣布，已从 UCSD 休假，全职加入 NeoCognition 担任机器学习总监（Director of Machine Learning）。他从今年 7 月起就已与团队并肩工作，而这次发布的 ApprenticeBench，只是他们正在做的事情的一部分。
References:
[1] ApprenticeBench: The first end-to-end benchmark of computer use, continual learning, and long-horizon agentic capabilities, set in a real job. https://neocognition.io/blog/apprentice-bench/
[2] NeoCognition’s $40M seed funding. https://neocognition.io/press
[3] https://x.com/yuxiangw_cs/status/2098150506560659960?s=20
