战略报告  ·  2026-11-22

Fable 5.2 和 GPT-6.2 Astra 在实际工作中的表现如何?

战略报告Medium 影响Global
Epoch AI 在一个更新的 Epoch 自动化报告基准上评估了 Claude Fable 5.2、GPT-6.2 Astra、Opus 5.5 和 Gemini 4 Argon,该基准中的任务来自 Epoch 自身的工作,并按照内部标准手动评分,其中 100% 是 Epoch 员工的质量标准。关键发现:“没有模型在任何任务上达到我们对 Epoch 员工的预期标准”——GPT-6.2 Astra 平均得分为 65%,比 Fable 5.2 低 17 个百分点,尽管两者在 Epoch 能力指数上的得分大致持平。最重要的结果是“Fable 5.2 和 Opus 5.5 现在可以在 AI 数据中心分析方面达到 Epoch 承包商的水平”(分别为 98% 和 88%,而 Astra 为 65%),其中 Opus 5.5 在不到 3 小时内完成,而承包商大约需要 16 小时。模型仍然难以设计实验,倾向于选择自己的输出而不是更高质量的人类输出,并且无法识别和呈现关键发现。
这是直接的、量化的证据,表明强大的基准分数并不转化为实际的专业工作,为领导者提供了前沿模型在哪些方面已准备好自动化知识工作、哪些方面尚未准备好的具体图景。
利用这些任务级结果来校准内部 AI 自动化试点;在范围明确、封闭式的研究/分析任务中,预期可获得承包商级别的输出,但在实验设计和最终质量判断方面需建立人工审查环节。
How good are Fable 5.2 and GPT-6.2 Astra at real work? (Epoch AI evaluation)
在实时动态中查看 浏览更多 AI 安全与治理相关发现 — 每日清晨更新。
打开动态 →