Epoch AI 交出的答案是 65%。不是 95%，不是「接近人类水平」，就是 65%。这份名为 Epoch Automation Reports 的新评估，考的并不是竞赛题或者代码题库，而是这家研究机构里员工每天真正在干的活：画一张能直接贴进报告的图表，排一份下一阶段的研究计划。上考场的是当前最能打的两个模型，Claude Fable 5.1 和 GPT-6 Astra，平均得分落在了 65%。而 Epoch 给「可自动化」划的门槛是 100%，一分都不能少。
100% 这条线，比大多数人想的狠得多
「能搭把手」和「能替你干」中间隔着一整条街
业界讨论 AI 替代工作时，习惯用一种模糊的说法：某个岗位「有一部分任务可以被自动化」。这句话听着温和，实际什么也没说。Epoch 的做法是把模糊地带切掉——任务要么能被机器完整接手，要么不能。65 分意味着这个模型的产出仍然需要一个人类坐下来检查、修改、补齐，那么这段时间人力就没有被释放，自动化在成本账上等于没发生。
人类员工成了对照组，而不是陪衬
评估标准的参照系是机构内部的人类员工表现，不是某个抽象的「专家水平」。这个选择很关键。人类员工知道这份图表是给谁看的、上一版被老板打回来是因为哪句话、这个研究计划要绕开哪个已经踩过的坑。这些信息从来不会完整地写进任务描述里，却决定了产出能不能用。模型拿不到这层上下文，只能靠猜。
平均分是最容易骗人的那个数字
65% 是个平均数。平均数的问题在于，它会把「几乎完美」和「彻底跑偏」抹成同一个数字。图表设计类任务可能拿到七八十分，因为格式和配色有规律可循；研究规划类的分数大概率被拉得很低，因为那需要判断什么值得做、什么现在做不了。把两类任务混在一起算总账，读者看到的是一个温和的中间值，实际情况更可能是两头分化。评估报告如果要真正有用，拆开看子项比看总分重要得多。
偏偏挑图表和研究规划，是有讲究的
一张图里藏着多少条没写下来的规矩
做一张能用的图表，表面上是数据可视化，实际上是一连串隐式约束的求解：这张图要放进第几页、和旁边的图怎么呼应、坐标轴从零开始还是截断、配色要不要跟前文一致、哪些数据点必须标出来免得被误读。人类做这些决定时几乎不用思考，因为规则长在经验里。模型看到的是「画一张趋势图」这几个字，剩下的全靠推断。它给出的图单看可能挺漂亮，放进上下文就露馅。
研究规划考的是判断力，不是生成能力
让模型写一段文字很容易，让它决定接下来三个月该做哪个方向，是另一码事。研究规划的核心是取舍：这个想法有意思但做不出来，那个方向稳妥但没新意，还有个方向需要的外部数据根本拿不到。做这类判断需要知道失败的成本由谁承担。模型没有这个约束，它给出的计划往往面面俱到、逻辑通顺，但缺乏那种「先做这个，因为其他都可以等」的锋利感。而锋利感恰恰是规划的价值所在。
最有意思的一点：Epoch 测的是 Epoch 自己
评估方下场当被试，样本从哪来
这套评估的题目来自 Epoch 的内部真实任务。也就是说，出题的人、被模拟的岗位、判分的标准，全部指向同一家机构。好处显而易见：任务是真的，不是编出来的玩具题，避免了那种「基准测试分数很高、实际用起来一塌糊涂」的老毛病。代价也存在——一家研究机构的工作方式有很强的自身特色，它衡量出的能力分布，未必能平移到一家芯片公司或者一家医院的行政岗上。
内部任务没法靠刷题通过
不过换个角度看，这种评估的防作弊能力比公开基准强得多。公开题库会被反复训练、反复调优，最终分数反映的是模型对题目的熟悉程度。内部任务没有公开样本，模型第一次见到就是第一次做，这个条件下的 65 分，含金量比某些榜上的 90 分更实在。评估方法本身在这里成了一个值得关注的样本：用真实工作衡量 AI，正在取代用考试衡量 AI。
两个头部模型打成平手，这件事值得多说两句
停在同一位置，不是巧合
Claude Fable 5.1 和 GPT-6 Astra 分属两家路线不同的公司，训练方法、数据配比、对齐策略都不一样，最终却在这个评估上落在同一档。这种收敛通常意味着瓶颈不在模型各自的工程细节上，而在它们共享的那部分能力边界。换句话说，继续加大算力、继续堆数据，未必能把 65 推上去——因为缺的可能不是知识量，是任务中那些没有被言明的约束条件。
缺的那部分，规模解决不了
模型做不好的地方，集中在需要读取隐性上下文、承担后果、做价值排序的环节。这些能力不会随着参数增长自动出现。它们要么依赖更深的机构内部信息接入，要么依赖某种形式的反馈循环——做完之后被告知哪里错了，下次改。而现有的一次性调用模式下，这个循环根本不存在。
剩下的 35 个百分点，不会自己消失
从初稿到交差，中间隔着一整轮返工
很多人对 AI 效率的估计，建立在一个错误的前提上：只要模型能产出 80 分的东西，人类就省了 80% 的力气。真实情况是，修改一份 80 分的产出，有时候比从零开始更累——你得先读懂它的思路，找出它偏离的地方，再决定是改还是推倒重来。65 分正好落在这个尴尬区间：有用，但不足以托付。这也是为什么「可自动化门槛」被定在 100%，而不是某个看起来更宽容的数字。
现在该做的事，不是等下一代模型
如果这份评估有一个实际可用的结论，大概是这个：机构在引入 AI 时，应该先把任务拆成两类——上下文清晰、验收标准明确的那部分，现在就可以交出去；需要读空气、扛责任、做取舍的那部分，还得留给人。同时，把隐性规则写下来这件事本身，正在变成一项有价值的投资。规则写得越清楚，模型能接手的工作就越多，那 35 分的差距也就缩得越快。
65 分不是一个让人失望的数字，它是一个诚实的数字。它说明模型已经能碰到真实工作的边缘，也说明从「碰到」到「接手」之间，还有一段需要靠工程、流程和制度去填的路。这条路没人能跳过。
