事件专题 ·多源确认

Epoch 测试:GPT-6.2 Astra 等 LLM 尚未达到真实工作的人类标准

Epoch AI 在自家基准 Epoch Automation Reports 上测试了 GPT-6.2 Astra 等多款新模型,任务包括制作 Epoch 风格图表和设计基础研究实验等开放式工作,由 Epoch 员工按内部质量标准打分,100% 即员工水准。结果显示所有模型都未达标:Fable 5.2 得分最高,平均 82%;GPT-6.2 Astra 排名第四,平均 65%,尽管它与 Fable 5.2 并列 ECI 最高分 174。在其中一个任务上,Fable 5.2 和 Opus 5.5 达到了合同工水平。这一结果说明,即便在 ECI 等能力指标上登顶的模型,在开放式真实工作场景下与合格人类员工仍有 18%–35% 的差距。

当前结论

Epoch 用自家员工的真实工作当测试题,比抽象基准更接地气。结果挺意外:ECI 并列第一的两款模型,实际干活分数差了 17 个百分点。想了解 AI 能不能替代知识工作者的人,值得看这套评分方法。

11 个信源67° AI 热度最后更新 2026/11/17 21:44:28

证据链

11 个信源
相关来源 4Artificial Analysis
查看原文
相关来源 7Aravind Srinivas
查看原文
相关来源 10Vaibhav Srivastav
查看原文

冲突核查

现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。