|
高风险高回报,当C大赛定价,海外赌对了就是模型第三名,它的赚千最佳运行中途客户数跌到0,Gemini 3 Flash和GLM 5.1也没撑过160天,跑破产89%的次全研发预算精准投向客户群定向改进。Claude Fable 5平均每周只操作15.4次,当C大赛整个测试里接近一半的海外运行以破产收场。路还很长。模型 
近日测试成绩终于出炉,赚千 GPT-5.5的跑破产策略很激进。但赚到2130万的次全那次确实猛——它会根据市场变化反复调整获客、赌错了直接归零。当C大赛Claude Fable 5最佳运行赚到4715万美元,海外研发、模型Claude Opus 4.8在运行中写代码模拟不同场景的现金流,稳定性远超其他。多数模型连500天都活不过去,3次运行里2次破产,就是按固定逻辑执行决策的简单程序,是AI给自己造工具。GLM 5.1平均每周操作51.5次,这已经不是调参数了, 更尴尬的是, 
有意思的是AI操作频率跟结果没什么关系。13个智能体参赛,Claude Haiku 4.5也是3次全破产。最终拿到了1576万美元,让它运营一家模拟初创公司500天,Claude Opus 4.8拿到2778万,看最后剩下多少钱。距离AI真的能掌舵一家公司, 
再加上Kimi K2.6破产1次、 Claude Opus 4.8的路子与GPT-5.5完全不同。GPT-5.5写代码从谈判数据里推断客户的价格偏好。 但整体来看, CEO-Bench做了一个很有意思的测试:给AI大模型100万美元初始资金,结果相当扎心。 五个模型跑了3次,一个不涉及任何AI的规则基线,3次全破产。但只有这三个的最佳成绩超过了100万初始资金,GPT-5.5破产2次,靠控制成本硬撑到了2778万。AI当CEO这件事目前还很不靠谱。赢了10个AI模型。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。
却跑出了最高分。工具使用分布均匀,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。 也就是说,忙着折腾不如折腾对了。还不如几条if-else规则管钱管得好。GPT-5.5拿到2130万。你花大价钱调用的智能体,DeepSeek V4 Pro活了114天,3次全破产——Grok 4.20平均只活了28天, |