Agents' Last Exam 是什麼？GPT 5.5 為何在真實任務勝過 Claude Fable 5

重點摘要

• 2026 年 6 月 12 日，UC Berkeley 發布 ALE（Agents' Last Exam）基準，要求 AI agent 在 Siemens NX、Unreal Engine、Adobe After Effects 等真實軟體裡複製人類領域專家已完成的任務；冠軍 GPT-5.5 + Codex 通過率 24%，在多數靜態基準上壓倒 GPT-5.5 的 Fable 5 僅拿到 22%，排第三。
• 最難的 Last-Exam 難度檔，幾乎所有主流模型組合通過率為零，全體平均僅 2.6%。
• Fable 5 完成全部任務耗費 2,315 美元，是冠軍組合 GPT-5.5 + Codex（566 美元）的四倍以上，成績卻低兩個百分點。

2026 年 6 月 12 日，UC Berkeley 研究團隊發布了一份讓業界難以忽視的基準報告。這份名為 ALE（Agents' Last Exam，智能體最後的考試）的測試，把當前最強的 AI agent 拉進 Siemens NX、Unreal Engine、Adobe After Effects 等真實商業軟體環境，要求它們複製人類領域專家已完成的實際任務。結果出人意料：在 SWE-Bench Pro 上以 80.3% 對 58.6%、在 HLE（Humanity's Last Exam）上以 64.5% 對 52.2% 大幅領先 GPT-5.5 的 Claude Fable 5，在這場「幹活考試」裡卻以 22% 的通過率排在第三，輸給了 GPT-5.5 + Codex 組合的 24%。

ALE 和過去的基準有什麼根本差異？

這份基準的背後團隊並不陌生，MMLU、MATH、CyberGym、ExploitGym 都出自同一批人。ALE 的命名致敬了 2025 年初 Scale AI 與 Dan Hendrycks 主導的 HLE，但考核對象從人類知識邊界轉移到了 agent 的工作能力邊界。

核心差異在於：HLE 是靜態的閉卷答題，給一個問題、收一個答案；ALE 要求 agent 直接操作電腦，在真實軟體介面裡完成從無到有的任務。每道題都來自人類專家已完成的真實專案，涵蓋 55 個行業子領域，從量化交易、基因組分析，到航太工程、腦部影像、動畫特效。整個題庫對齊的是美國聯邦職業分類標準 ONET（Occupational Information Network），也就是按「真實勞動力市場的工作項目」來出題。

出題陣容方面，300 多位領域專家來自 100 多家機構：學術側包含 MIT、Harvard、Stanford、Oxford、Caltech、ETH Zurich，產業側涵蓋 Goldman Sachs、JPMorgan、Meta、Amazon、Adobe、Oracle，由 Snorkel AI 透過 Open Benchmarks Grants 計畫提供資助。規模本身就是一個訊號，這不是另一份週末做出來的基準。

為什麼 Fable 5 在靜態基準贏、在 ALE 卻輸？

這個問題的確定答案目前還沒有，但幾組數字值得拆開看。

ALE 設了三個難度檔：Near-Term（近期可解）、Full-Spectrum（全面覆蓋）、Last-Exam（終極難題）。在最難的 Last-Exam 檔，幾乎所有主流配置通過率為零，全體平均只有 2.6%。而這些題目的理論完成率是 100%，因為每道題都源自人類專家已完成的真實專案。換言之，目前最強的 agent 面對真正複雜的跨工具、多步驟專業任務，仍幾乎全面失守。

較低難度的成績雖然有分，但反差依然清晰。GPT-5.5 在前十名中出現五次，搭配不同框架（Codex、ALE Claw、Cursor CLI 等）拿下第 1、2、4、5、8 名；再加上 GPT-5.4 的一席，OpenAI 家族在前十佔了六位。Claude 系列則是 Fable 5 第三（22%）、Opus 4.7 第九（18.4%）、Opus 4.8 墊底第十（15.8%）。

這背後看起來的關鍵在於：ALE 測試的是長程、多工具的操作鏈，而非單一知識問答。靜態基準的優勢能否轉移到真實任務執行，理論上取決於 agent 架構與工具調用策略，而非純粹的模型知識容量。Fable 5 在知識密集型基準上的壓倒性領先，在這裡幾乎沒有顯現。

成本與效率的代價，數字有多難看？

成績之外，這份報告新增了一欄「Estimated Total Cost（預估總費用）」，讓另一層差距浮上檯面。

Fable 5 跑完全部任務花費 2,315 美元，Opus 4.8 為 1,838 美元，Opus 4.7 也要 1,144 美元。相比之下，GPT-5.5 + Codex 566 美元，Cursor CLI 則只要 174 美元。以通過率換算，Fable 5 花了 Codex 四倍以上的預算，成績卻低了兩個百分點，Opus 4.8 更是支出第二高、得分最低。

時間成本同樣觸目。ALE Claw 跑完全部任務花了約 47 小時，Cursor CLI 約 67 小時，而 Opus 4.8 則耗掉 451 小時，接近 19 天。即使按最寬鬆的部分得分計算，目前綜合得分最高也不過 45.8%，意思是最強的 agent 組合也只拿到不到一半的成績。

對工程團隊而言，這組數字的實際意涵是：如果你正在評估用哪個 agent 跑長週期自動化任務，成本與效率的差距已大到不能只靠靜態排行榜來選型。174 美元的 Cursor CLI 組合，在這份報告裡的表現，比 1,800 美元以上的多個 Claude 組合都更有效率。

ALE 核心作者 Yiyou Sun 在描述這份基準時點出：關於 AI agent 將在 2026 至 2027 年超越人類完成幾乎所有工作的預測到處都是，ALE 就是為了驗證這個說法而設計的。從現在的成績看，最難那一檔的平均 2.6% 給出了一個清晰的現實座標。Fable 5 在靜態基準上的領先是真實的，ALE 的結果也是真實的，兩者並不矛盾，它們衡量的根本不是同一件事。靜態基準測的是模型在已知格式下的推理與知識檢索；ALE 測的是 agent 在開放環境裡完成真實任務的能力，包括工具操作、狀態追蹤與錯誤恢復。而當高自主模型的成本開始以千為單位計算，這個能力缺口的代價就不再只是學術討論。