没想到打脸来得如此之快！！
刚刚，UC伯克利放出了一场号称“智能体最后的考试”的全新基准测试。
它把当今最强的AI Agent们拉到考场上，让它们干真正的活——
在Siemens NX里建3D模型、在Unreal Engine里搭游戏场景、在Adobe After Effects里做特效合成。
结果成绩令人傻眼：
最难的一档，当今公认最强的Claude Fable 5、GPT 5.5，全是大写的零蛋。
你说难度稍微放低一点呢？分数倒是有了，但结果也相当令人意外——
GPT 5.5竟然还小胜了Claude Fable 5。
我没听错吧，A家刚发布的最强模型Claude Fable 5，被几个月前的GPT 5.5打败了？？
要知道在此前几乎所有主流benchmark上，Fable 5对GPT 5.5都是碾压级别的存在——SWE-Bench Pro上80.3%对58.6%，Humanity’s Last Exam上64.5%对52.2%。
但换到这场“真干活”的考试里，局面却反了过来。
这个新基准叫Agents’ Last Exam（ALE），背后团队来头不小，之前MMLU、MATH、CyberGym、ExploitGym这些你耳熟能详的基准都是他们提的。
取这个名估计也是参考之前Scale AI那个“Humanity’s Last Exam”（人类最后的考试），只不过这次被考的不是人类知识的极限，而是AI Agent干活的极限。
该说不说，这个测评一出来，以前天天喊着“Agent要取代人类工作”的人，这下是真干沉默了…
“智能体最后的考试”，赢家竟是GPT 5.5！
先看完整排行榜。
从最核心的任务通过率指标来看，GPT 5.5直接包揽冠亚军：
第1名是GPT 5.5搭配OpenAI自家的Codex框架，通过率24.0%。
第2名还是GPT-5.5，只不过换了ALE Claw框架，通过率23.0%。
（ALE Claw是团队自己写的一个baseline Agent，跟Codex、Claude Code、Cursor CLI这些商业框架并列参赛）
直到第3名，我们才看到Claude Fable 5的身影——搭配Claude Code，拿下22.0%的通过率。
往下看更有意思。
第4、第5、第8名全是GPT 5.5，只是换了不同的框架。
前10名里GPT 5.5出场了5次，加上第6名的GPT 5.4，OpenAI模型直接占了6席。
而Claude家族呢？
Fable 5拿了第3，Opus 4.7第9（18.4%），Opus 4.8垫底第10（15.8%），不敌之势一目了然。
也不怪OpenAI研究员喜庆发帖，欢欢喜喜过大年了：
而在成绩之外，这里还有这样几个值得细品的信号。
一是天花板低得惊人。
冠军通过率才24%，综合得分最高也不过45.8%。
意思是，就算按最宽松的“部分得分”算，最强的Agent也只能拿到不到一半的分。
而这些题全部来自真人专家已经完成的项目——人类专家的完成率理论上就是100%。
二是Claude烧钱烧得惊人。
这张榜单新增了一列“Estimated Total Cost”，一下子把贫富差距拉出来了：
Fable 5跑完全部任务花了2315美元，Opus 4.8花了1838美元，Opus 4.7也要1144美元。
而GPT-5.5这边呢？
最贵的Codex也就566美元，Cursor CLI只要174美元。
等于说，Fable 5花了Codex四倍多的钱，成绩还低了两个百分点。
三是效率差距同样触目。
Ale Claw跑完全部任务花了47小时20分钟，Cursor CLI只花了67小时。
而Opus 4.8呢？451小时——将近19天。
干的活最少，花的时间最长，收的钱最多（居然真有模型能同时做到？）
当然如果只看Claude Fable 5、GPT 5.5这两个最顶的，GPT 5.5的时间优势依旧明显。
而最扎眼的数字，还是那个零。
ALE把任务分成了三个难度档：
Near-Term（近期可解）
Full-Spectrum（全面覆盖）
Last-Exam（终极难题）
在最难这一档，所有主流配置的平均通过率只有2.6%，包括GPT 5.5和Fable 5在内的大多数模型直接吃了零蛋。
所以这张成绩单的核心信息很简单：别看平时考试成绩好，一到真干活全露馅了。
答题学霸≠干活能手，这话在AI世界也一样适用。
什么是ALE？
要理解ALE为什么能把这帮“学霸”打回原形，得先看它跟以前的考试有什么不一样。
之前的Humanity’s Last Exam（HLE）是2025年初由Dan Hendrycks和Scale AI搞出来的，2500道跨学科难题，本质上还是闭卷答题——
给你一个问题，你给我一个答案，再难也是静态的知识检索。
而ALE完全不同，它考你“能干什么”。
核心作者Yiyou Sun在
