在大模型的评比中，尽管不同模型之间的分数相差不大，实际应用中的表现却截然不同。NeoCognition最新的ApprenticeBench评测显示，Fable 5.1与Opus 5在多个标准测试中相距无几，但在模拟建筑公司的真实工作环境中，两者的完成任务率却分别是72%和36%，差距显著。

ApprenticeBench并非一般的能力测评，它将AI Agent放入一个模拟的建筑公司中，要求其担任新员工，阅读员工手册和历史资料，并使用实际的企业软件，以便在主管的反馈下学习公司业务规则。在这个过程中，Fable 5.1与GPT-6 Astra的通过率分别为72%和68%，均超过了表现最好的人工测试者的51%。

此评测引发一个重要问题：如果AI能够自我适应企业软件和学习业务，那么未来是否可以将本需由前线部署工程师负责的工作转交给AI完成呢？尽管会计知识可以早期学习，但针对特定公司的做账方式和最新政策，Agent必须在入职后独立学习。ApprenticeBench通过模拟真实工作场景，使Agent在入职过程中借助员工手册、软件教程及历史账单，逐步完成100张新账单的处理。 千亿球友会

尽管现有的基准评测往往简化了真实工作中的许多细节，Agent在处理账单时却面临各种潜在问题，这些问题需要通过对历史记录的深入理解来解决。此次评测中的任务由两位具有超过30年经验的专家进行验证，确保问题的真实性与可解性。

例如，建筑行业的财务主管Emilie F.表示，这些场景非常贴近实际，AI若能处理这些复杂的沟通和交叉核对，将在会计部门中成为真正的助力。而企业经营者Austen K.也认为，这样的AI能使他从繁琐工作中解放出来，从而处理更多项目，创造显著的经济效益。

这种“生态效度”展示了AI真正适应工作环境的能力，同时也提出了一个新的可能性：企业是否可以利用现有的资源和带教流程，让AI如同新员工一样高效工作？通过完整的工作流程，Agent不仅要掌握软件的使用，还需理解公司的独特规则、调整工作方式，并与供应商进行信息沟通。这些相互影响的挑战，进一步加大了真实工作中AI的应用难度。 千亿球友会