2026年6月10日，人工智能行业迎来了一场"震撼性"的评测结果发布。由加州大学伯克利分校联合250余位行业专家共同提出的新评测基准——Agents' Last Exam（简称ALE）‍，给当下火热的AI Agent技术泼了一盆冷水。

一场"不讲情面"的考试

和以往常见的AI测试不同，ALE不再是在抽象的数学题或逻辑题上打转，而是直接给AI布置"真实工作"。这项测试收集了1490个来自真实从业者日常工作的任务，涵盖制造、法律、医疗、视觉媒体等多个领域。比如"画3D模型"、"达芬奇绿幕合成"、"音乐转谱生成PDF总谱"等，都是真实行业里每天在发生的工作。

评测对象是Generalist Computer-Use Agent（通用计算机使用代理），这类AI需要会操作界面、运行命令行、处理文件、写代码、调用工具——也就是真正像一个"数字员工"一样去干活。

成绩单让人咋舌

成绩出来，整个行业都安静了。

主流模型在ALE最难层级的平均完整通过率仅为2.6%。就算是目前业界公认的最佳配置组合（Codex + GPT-5.5），完整通过率也只有8.6%。更令人咋舌的是，Claude Code这个被寄予厚望的工具，直接"挂零"，一分未得。

具体来说，Claude Opus 4.7在106个任务中，只完整完成了4个，完全通过率仅3.8%。Kimi K2.5和Gemini 3.1 Pro更是全军覆没，通过率为0%。

考不好，是因为"不够聪明"吗？

有人可能会问：AI不是能下棋赢人类吗？怎么连这种考试都过不去？

研究团队给出的答案很明确：问题不在AI本身，而在评估体系。之前的benchmark已经无法衡量AI在真实、长流程、具备经济价值工作中的表现。

ALE还深入分析了AI失败的原因。以Claude Code + Opus 4.7为例：

理解问题占比31%

方法问题占比47%

执行问题占比22%

两项合计高达78%的问题出在理解和规划上，说明瓶颈在于领域知识，而不是AI会不会执行。换句话说，AI不是不能干活，是不知道"怎么干"和"干这个活需要哪些专业知识"。

行业反思与未来

测试发起人加州大学伯克利分校团队表示，ALE只是一个开始。该基准将持续更新，任务池会扩展至新行业和新工作流，并定期将私有任务轮换进入公开集，确保评测始终走在技术前沿。

目前该测试已公开部分任务，公开集与完整任务池的通过率相关系数为0.89，意味着测试结果具有较好的代表性。

结语

这场"最后的考试"给整个行业敲响了警钟：AI的进步不能只看benchmark上的数字，更要看能不能真正帮人类把活儿干好。正如测试团队所说，"只有当AI真的能通过这场考试，才算具备了持续完成真实专业工作的能力，benchmark上的提升才更有价值"。

未来AI Agent的战场，不在抽象的分数板上，而在真实的业务场景里。谁能在这场"真本事"的较量中胜出，谁才能赢得市场的认可。