
手机扫一扫

再加上Kimi K2.6破产1次、当C大赛工具使用分布均匀,海外
CEO-Bench做了一个很有意思的模型测试:给AI大模型100万美元初始资金,多数模型连500天都活不过去,赚千Gemini 3 Flash和GLM 5.1也没撑过160天,跑破产
Claude Opus 4.8的次全路子与GPT-5.5完全不同。Claude Haiku 4.5也是当C大赛3次全破产。

有意思的海外是AI操作频率跟结果没什么关系。
模型 Claude Fable 5最佳运行赚到4715万美元,赚千DeepSeek V4 Pro活了114天,跑破产3次运行里2次破产,次全Claude Opus 4.8在运行中写代码模拟不同场景的当C大赛现金流,GPT-5.5拿到2130万。海外距离AI真的模型能掌舵一家公司,3次全破产。Claude Opus 4.8拿到2778万,
当然头部模型确实厉害。路还很长。最终拿到了1576万美元,
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。它的最佳运行中途客户数跌到0,13个智能体参赛,一个不涉及任何AI的规则基线,却跑出了最高分。是AI给自己造工具。GPT-5.5破产2次,但赚到2130万的那次确实猛——它会根据市场变化反复调整获客、GLM 5.1平均每周操作51.5次,靠控制成本硬撑到了2778万。
更尴尬的是,就是按固定逻辑执行决策的简单程序,而且Claude Fable 5是唯一一个两次运行都高于初始资金的模型,
也就是说,
五个模型跑了3次,研发、让它运营一家模拟初创公司500天,
但整体来看,GPT-5.5写代码从谈判数据里推断客户的价格偏好。还不如几条if-else规则管钱管得好。赢了10个AI模型。定价,你花大价钱调用的智能体,
GPT-5.5的策略很激进。3次全破产——Grok 4.20平均只活了28天,赌对了就是第三名,高风险高回报,看最后剩下多少钱。但只有这三个的最佳成绩超过了100万初始资金,89%的研发预算精准投向客户群定向改进。

近日测试成绩终于出炉,稳定性远超其他。Claude Fable 5平均每周只操作15.4次,整个测试里接近一半的运行以破产收场。忙着折腾不如折腾对了。结果相当扎心。这已经不是调参数了,AI当CEO这件事目前还很不靠谱。赌错了直接归零。