AI 老板 500 天模拟经营：多数模型亏惨，Claude Fable 5 独占鳌头

IT之家 6 月 30 日消息，普林斯顿大学本月发布基准测试 CEO-Bench，模拟创业公司，评估 AI 模型担任企业首席执行官（CEO）的能力，结果多数模型破产。CEO-Bench 主要面向企业经营场景，用于评估智能体在长期、多变量环境中的管理能力。该测试模拟创业公司运行 500 天，启动资金为 100 万美元（IT之家注：现汇率约合 680.4 万元人民币），要求模型连续处理定价、预算、竞争分析和战略制定等复杂关联事务。该基准围绕着 AI 应对长期周期中的不确定性、在噪声环境中获取信息、适应变化中的外部世界、协调多个变量以服务统一目标四项能力设计。智能体按周行动，可无限轮调用 34 个工具，覆盖定价、增长、产品、运维、信息获取、公共传播和企业销售等类别，同时可查询 19 个业务 SQL 数据库。模拟环境包含 26 个客户群体，客户的价格承受力和质量偏好对智能体不可见，智能体只能从订阅、流失、支持工单、收入、声誉和社交媒体反馈中间接推断。产品质量由多项投入共同决定，包括日常开发、研究项目、模型层级、定向开发、基础设施容量、客服支持、使用配额和应用内广告强度等。结果显示，多数当前模型难以在 500 天后保住初始 100 万美元现金。最佳单次运行中，Claude Fable 5 期末现金为 4715 万美元。模型破产最高期末现金最长运营天数平均运营天数每周执行轮数最佳 API 运行成本Claude Fable 5*0/2$47,148,164500500.0 ± 0.015.4$386.46Claude Opus 4.80/3$27,777,568500500.0 ± 0.010.9$213.41GPT-5.52/3$21,297,707500333.7 ± 229.734.7$200.49Qwen 3.7 Max0/3$417,918500500.0 ± 0.06.1--Claude Opus 4.70/3$389,959500500.0 ± 0.014.6$128.72Kimi K2.61/3$98,050500343.0 ± 110.030.5--GLM 5.20/3$91,371500500.0 ± 0.012.9--Claude Sonnet 4.62/3$69,766500282.3 ± 136.013.3$82.84GLM 5.13/3$0324214.7 ± 91.151.5--Claude Haiku 4.53/3$0231144.7 ± 70.523.1$6.68Gemini 3 Flash3/3$0226154.0 ± 37.018.5$2.98DeepSeek V4 Pro3/3$0176114.3 ± 38.619.3--Grok 4.203/3$03728.3 ± 8.58.2$0.75Rule-based baseline$15,756,408Estimated final cash upper bound$2,200,000,000在执行的 3 次测试中，包括 Grok 4.20、DeepSeek V4 Pro 和 Gemini 3 Flash 在内，多款模型全部以破产告终，其中 Grok 4.20 表现最为糟糕，平均仅维持 28 天。Claude Fable 5、Claude Opus 4.8 和 GPT-5.5 在最佳运行中最终余额均高于 100 万美元的初始余额，而 Qwen 3.7 Max、Claude Opus 4.7、Kimi K2.6、GLM 5.2 和 Claude Sonnet 4.6 的最终现金流为正，但低于初始余额。在所有评估的模型中，Claude Fable 5 是唯一一个多次运行结果均高于初始余额的模型，基于规则的基准模型最终余额为 1580 万美元。参考CEO-Bench