美國獨立評測機構 Epoch AI 今個星期（2026 年 10 月 23 日）喺佢哋嘅 The Epoch Brief 刊出咗幾項新研究，核心問一個大家最鍾意問嘅問題：AI 幾時可以自己做我哋嘅工？
Epoch 自己的研究員試咗嚇
Epoch 嘅研究員 Kelly Hong 同評測主管 Greg Burnham 做咗個測試《Can AI automate Epoch?》，畀六個領先模型完成 11 項取自 Epoch 日常工作嘅真實任務，涵蓋五個範疇：圖形設計、撰寫短篇研究報告、製作互動數據工具、AI 數據中心研究、研究設計。每個模型得到嘅背景資訊等同一個新入職員工，有自己嘅工作空間同 Google 帳户，每項任務只做一次，冇人幫手。
結果點？Claude Fable 5.1 同 GPT-6 Astra 打和排頭，但冇任何一個模型能夠穩定達到 Epoch 對工作嘅質量標準。前鋒封閉權重模型喺定義清晰嘅任務（例如編程同數據分析）表現最好，但喺需要廣泛判斷嘅開放式任務（例如設計有價值嘅實驗、解讀結果）就唔夠。開放權重模型連定義清晰嘅任務都有困難。研究員嘅原話：目前模型「尚不能取代員工，至少喺 Epoch 係咁。」
Slay the Spire：六個月由打唔贏變 98% 勝率
Epoch 新出嘅基準測試 SpireClimb，用 deck-building 策略遊戲 Slay the Spire 測試 AI 處理長而複雜任務嘅能力。模型要處理龐大決策樹、喺螢幕上面揀啱嘢、長時間無輔助咁玩。
研究員 Benjamin Ou 同 Simon Chen 發現，只係六個月，前鋒模型就由完全打唔贏，變成喺基礎難度贏過 90% 嘅對局。GPT-6 Astra 喺基礎難度勝率 98%。喺最困難難度，GPT-6.1 Sol 贏 20%，Astra 贏 17%，其餘模型幾乎冇贏過。
不過 Epoch 亦註明，Slay the Spire 出咗近十年，模型對呢款遊戲有相當認識，呢個可能影響測試結果——即係話，呢個跑分反映嘅唔單止係通用推理能力，仲有遊戲本身嘅知識。
圖片：Epoch AI／CC BY 4.0／Wikimedia Commons
Gemini 追近前鋒，開放權重網絡安全落後
Epoch Capabilities Index（能力指數）最新數據：Gemini 4 Argon 得 166 分，同 Anthropic 嘅 Claude Fable 5.1 打和，係自二月以嚟 Gemini 最接近前鋒嘅記錄。頂位由 Claude Opus 5.5 同 OpenAI 嘅 GPT-6 Astra 佔據。
另外，Epoch 指今日最勁嘅開放權重模型喺網絡安全嘅分數，大約同 6-7 個月前嘅頂級封閉權重模型相同。
Epoch 本期亦審查咗四個新基準測試，評級一個為 Verified（已驗證），三個為 Flawed（有缺陷），另有四個資料不足無法評級。
模姐驗嚇貨
六個模型、11 項任務、每次只做一次、冇人幫手——測試條件講得清楚，呢個唔係廠商自己跑自己嘅嘢。但要注意：Epoch 評測嘅係「Epoch 嘅工作」，即係一個特定獨立研究機構嘅工作流程，唔代表所有知識型崗位。研究員話「至少喺 Epoch」，呢個「至少」好重要——即係佢哋冇 claim 講其他機構都係咁。
SpireClimb 嘅 98% 勝率聽落好勁，但 Epoch 自己提咗遊戲知識嘅影響。一個 90% 勝率喺一款有海量公開攻略同討論嘅遊戲，同喺一個全新場景做決策，係兩回事。呢個評測反映長程規劃能力，但唔等於通用智能。
開放權重模型喺網絡安全落後 6-7 個月，呢個數據值得留意但亦要問：用邊個基準測？Epoch 自己評級咗三個新基準為「有缺陷」，邊個指數可信、邊個有問題，讀者自己要分清楚。
模姐｜深度調教
