Anthropic新模型登顶自由职业基准，仍有58%任务不合格

Scale AI在11月12日更新的远程劳动指数（Remote Labor Index，RLI）榜单，给出一组耐人寻味的数字：Anthropic的Fable 5.2以41.3%的项目通过率位居第一。

排在第二的是同家族的Opus 5.5，通过率21.25%。榜首成绩接近次席的两倍——在一个衡量“完整交付物”而非单点问答的基准上，这是一次明显的跃升。Anthropic在11月9日的发布说明中报告了这一结果，标注为“高投入（High effort）”档位，并注明测试时开启了安全防护。

RLI衡量的不是模型会不会写代码、能不能答对题，而是它能否独立完成一份完整的自由职业交付物。该基准由人工智能安全中心（CAIS）与Scale AI的研究人员于2025年10月提出，包含23个自由职业门类下的240个项目，每个项目都配有任务简报、完成任务所需的素材，以及一份专业的人类参考交付物。

交付物类型覆盖文档、音频、视频、3D模型与计算机辅助设计文件。这意味着评测同时考察两件事：对客户需求的理解，以及最终成品的制作质量与文件规范。

评判方式同样严格。经过训练的人类评审会对照简报和参考交付物检查AI的产出，独立评估加多数表决决定结果；只有当一个交付物达到“合理客户可接受”的专业水准、且不逊于参考作品时，该项目才算通过。一个看起来亮眼但只完成一半的原型，仍然会被判为不合格。

58%这个数字的含义正在于此：即便是当前最强的模型，在近六成的项目上仍无法交出达到专业标准的成品。这既说明能力在快速提升，也说明“能演示”与“能交付”之间仍隔着一道门槛。

需要谨慎解读的地方同样明确。RLI的原始研究排除了本质上需要客户沟通、团队协作或体力劳动的工作，也排除了必须等待结果才能评估的项目，因此它对整个远程工作经济的代表性有限。榜单上的通过率并不等于岗位替代率、实际收入或部署成本——公开信息没有披露每个项目的具体花费与人工介入程度。

但方向足够清楚：智能体在真实工作任务上的完成度正快速攀升，而失败率仍是理解这类系统商业价值的关键变量。对把agentic AI当作生产力承诺卖给企业的厂商来说，这六成的差距比榜首排名更值得解释。