Epoch AI 基準測試:六大領先 LLM 均未達到其內部員工的工作品質水準
重點速覽
- •Epoch AI 於 2026 年 10 月 8 日發布的自動化報告發現,六個受測大型語言模型中,沒有任何一個達到以其自身人類員工工作所定義的 100% 品質標準。
- •Claude Fable 5.1 與 GPT-6 Astra 以約 65% 的人類水準工作品質並列最高分,Gemini 3.8 Flash 以 42% 墊底,兩者相差超過 20 個百分點。
- •評測採用取自 Epoch 真實內部工作的開放式任務,包括平面設計與研究設計,並由人類評審依機構內部標準為輸出評分。
- •所有受測模型在編程與數據分析等結構化任務上表現較佳,但在需要判斷力或須針對特定受眾調整的開放式工作上,每個模型都顯得吃力。
- •2026 年 10 月 8 日至 11 月 17 日期間模型排名沒有變動,且在這類開放式工作上尚無任何開發者取得決定性領先。

Epoch AI 讓六個最強的大型語言模型接受了一場宛如求職面試的考驗——結果沒有一位「候選人」獲得錄取。根據該研究機構最新發布的自動化報告,頂尖模型在真實內部任務上的平均工作品質約為人類水準的 65%。
這家研究機構於 2026 年 10 月 8 日發布的 Epoch Automation Reports 顯示,受測模型中沒有任何一個達到 Epoch 為自身人類員工工作所設定的品質門檻。表現最好的模型大約達到三分之二的水準。由於 100% 的標準是由 Epoch 自家員工與內部任務所定義,這項結果衡量的是真實雇主的接受門檻,而非抽象的測試上限。
評測如何進行
Epoch 的評測採用取自機構內部真實工作的開放式任務,包括平面設計與研究設計。隨後由人類評審依 Epoch 的內部標準為每項輸出評分,目標是衡量更接近實際工作表現的結果,而非問答競賽式的測驗。這項設計選擇對任何追蹤職場 AI 應用的人都很重要:在傳統基準測試上表現出色,並不代表模型的輸出是雇主願意簽核的成果。
評分標準以人類為基準:100 分代表 Epoch 人類員工預期應達到的工作品質。
評分結果
兩個模型並列第一,Claude Fable 5.1 與 GPT-6 Astra 在各項任務上的平均成績約為 65%。墊底的是 Gemini 3.8 Flash,得分 42%——領先者與落後模型之間相差超過 20 個百分點。
沒有任何模型跨越 100% 的門檻,也沒有一個達到設定標準的人類員工的水準。
模型在結構化工作上表現較佳,編程與數據分析是相對強項。但每一個模型都在需要判斷力、或必須針對特定受眾調整內容的開放式任務上遭遇困難。
排行榜也維持穩定。截至 2026 年 11 月 17 日,排名自 10 月發布以來未曾變動。
Epoch 為何打造另一項基準測試
Epoch 的自動化報告旨在反映人們在職場中實際執行的任務,以彌補傳統效能評測的不足。該項目隸屬於 Epoch 更廣泛的使命:準確追蹤 AI 的進展與能力。這樣的定位將模型比較轉化為雇主真正關心的問題:模型的輸出與受雇人類所交付的工作有多接近?
研究結果的意義
在結構化測試中看似超越人類的模型,一旦工作需要判斷決策,表現便遠低於人類品質。編程與數據分析等結構化工作似乎是當前模型能發揮所長的領域,而仰賴受眾意識與分寸拿捏的任務,似乎仍需要在流程中加入人工把關——或至少由人工檢查輸出結果。
兩家相互競爭的實驗室並列最高分,顯示在這類開放式工作上,尚無任何開發者取得決定性的領先。同時,Gemini 3.8 Flash 的 42% 成績也說明了市面上標榜可用於嚴肅用途的模型之間,差距可能有多大。
從 2026 年 10 月 8 日到 11 月 17 日,沒有任何模型在排名上有所上升。下一個發布的模型將面臨一場明確而公開的考驗:能否在真實員工每天執行的工作上突破約 65% 的水準。
披露:本文基於 CryptoBriefing 的報導,由 Diego Almada Lopez 編輯。原文:https://cryptobriefing.com/epoch-ai-llms-fail-employee-quality-standard/