2026年10月26日，Epoch AI公布了一项“用真活考模型”的评测：拿自己日常做的11项任务、横跨5个类别，去考6个前沿模型，看它们离真正接管一份研究工作还有多远。结果并不乐观：领跑的Claude Fable 5.1和GPT-6 Astra平均只拿到65%的评分项，离“可以直接交差”的100%还差一大截。
这次到底怎么考
任务全部取自Epoch内部的真实工作：做一张符合机构风格的信息图、按数据写一篇短分析、搭建数据浏览器、调研一座AI数据中心、提出研究设想并跑一个验证实验。每个模型都拿到最高推理档位和新员工同等水平的资料，中间不再人工干预，最后由人工按员工标准逐项打分。Epoch特意强调，这套办法补的是传统基准的短板：那些只看“能不能算对”的题目，容易把模型在真实工作里的笨拙藏起来。
模型卡在三个地方
第一，学不会一家机构的“家规”。给了几个月的设计稿、配色和模板，Claude Fable 5.1交出的图还是信息过载，而机构设计师给的是干净利落的一张图；GPT-6 Astra写数据洞察时，也没摸准读者到底关心什么话题。第二，判断力跟不上想法。GPT-6 Astra在验证实验里把被测模型的token预算设得太低，导致22%的运行根本没有返回结果，却把这个失误当成“模型对预算敏感”的发现写进结论。第三，开源权重模型落得更远：Kimi K3在分析物理论文时算错了筛选范围，把全站论文当成物理论文，图表走势被严重夸大——而它在Epoch能力指数上的158分，本来和Grok 4.6差不多。
65%不等于能省65%的时间
Epoch把话说得很直白：按员工标准，这些产出每一件都要打回重改，65%只是评分项的比例，不是省下来的工时。不过也有一个例外被拿掉了：Fable 5.1做基础图表已经基本一次过关，Epoch现在就把这一步部分自动化了。对普通用户来说，结论是分层的：写代码、做数据分析这类边界清晰的活可以放心交给模型先干；但凡涉及品味、判断和“这结果到底说明了什么”，还得有人在最后把关——模型越能干，审稿这一步越不能省。
