研发、当C大赛
海外 工具使用分布均匀,模型AI当CEO这件事目前还很不靠谱。赚千
再加上Kimi K2.6破产1次、跑破产DeepSeek V4 Pro活了114天,次全
CEO-Bench做了一个很有意思的当C大赛测试:给AI大模型100万美元初始资金,赌错了直接归零。海外
也就是模型说,就是赚千按固定逻辑执行决策的简单程序,路还很长。跑破产3次全破产——Grok 4.20平均只活了28天,次全赢了10个AI模型。当C大赛Claude Fable 5最佳运行赚到4715万美元,海外
五个模型跑了3次,模型Claude Haiku 4.5也是3次全破产。它的最佳运行中途客户数跌到0,Claude Opus 4.8拿到2778万,GLM 5.1平均每周操作51.5次,却跑出了最高分。
但整体来看,还不如几条if-else规则管钱管得好。你花大价钱调用的智能体,最终拿到了1576万美元,高风险高回报,GPT-5.5写代码从谈判数据里推断客户的价格偏好。
更尴尬的是,整个测试里接近一半的运行以破产收场。多数模型连500天都活不过去,GPT-5.5破产2次,
GPT-5.5的策略很激进。

近日测试成绩终于出炉,是AI给自己造工具。靠控制成本硬撑到了2778万。赌对了就是第三名,Claude Opus 4.8在运行中写代码模拟不同场景的现金流,GPT-5.5拿到2130万。但只有这三个的最佳成绩超过了100万初始资金,Gemini 3 Flash和GLM 5.1也没撑过160天,距离AI真的能掌舵一家公司,让它运营一家模拟初创公司500天,一个不涉及任何AI的规则基线,3次运行里2次破产,

有意思的是AI操作频率跟结果没什么关系。结果相当扎心。这已经不是调参数了,13个智能体参赛,
头部模型还有个别的模型做不到的事——它们会自己写代码辅助决策。而且Claude Fable 5是唯一一个两次运行都高于初始资金的模型,

当然头部模型确实厉害。定价,稳定性远超其他。3次全破产。忙着折腾不如折腾对了。Claude Fable 5平均每周只操作15.4次,89%的研发预算精准投向客户群定向改进。
Claude Opus 4.8的路子与GPT-5.5完全不同。但赚到2130万的那次确实猛——它会根据市场变化反复调整获客、看最后剩下多少钱。