1 月 26 日消息，Digital Trends 24 日?qǐng)?bào)道，一項(xiàng)由訓(xùn)練數(shù)據(jù)公司 Mercor 發(fā)布的研究報(bào)告指出，當(dāng)前主流人工智能模型在處理實(shí)際辦公室任務(wù)時(shí)表現(xiàn)不佳，最高準(zhǔn)確率未超過(guò) 25%，研究表明 AI 在短期內(nèi)難以替代人類(lèi)知識(shí)工作者。

該研究基于 Mercor 新推出的 APEX-Agents 基準(zhǔn)進(jìn)行測(cè)試，有別于傳統(tǒng)上通過(guò)寫(xiě)詩(shī)和解數(shù)學(xué)題為主的 AI 評(píng)估方法，該基準(zhǔn)測(cè)試直接采用律師、顧問(wèn)和銀行家的真實(shí)工作流，要求受試模型完成橫跨多個(gè)信息來(lái)源的多步驟綜合任務(wù)。

結(jié)果顯示，即使是市場(chǎng)上明顯處于領(lǐng)先地位的模型也無(wú)法達(dá)到 25% 的準(zhǔn)確率，測(cè)試中成績(jī)領(lǐng)先的 Gemini 3 Flash 和 GPT-5.2，其準(zhǔn)確率也僅為 24% 和 23%，而其他大多數(shù)受試模型的成績(jī)則不高于 20%。

為何 AI 會(huì)在“辦公測(cè)試”中失?。縈ercor 首席執(zhí)行官 Brendan Foody 分析稱(chēng)，AI 失敗的關(guān)鍵在于缺乏上下文處理能力。在真實(shí)辦公場(chǎng)景中，任務(wù)往往需要整合分散資源，比如查看日程，翻閱即時(shí)通訊記錄、閱讀 PDF 文檔和電子表格，而 AI 在跨源信息搜索與整理時(shí)容易混淆、出錯(cuò)，要么干脆放棄。這導(dǎo)致目前的 AI 在辦公室里更像一個(gè)“不可靠的實(shí)習(xí)生”，而非成熟的專(zhuān)業(yè)人員。

附 APEX-Agents 準(zhǔn)確率測(cè)試結(jié)果如下（排名從高到低）：

Gemini 3 Flash (High) - 24.0%

GPT-5.2 (High) - 23.0%

Claude Opus 4.5 (High) - 18.4%

Gemini 3 Pro (High) - 18.4%

GPT-5 (High) - 18.3%

Grok 4 - 15.2%

GPT-OSS-120B (High) - 4.7%

Kimi K2 Thinking - 4.0%

盡管表現(xiàn)有限，但 AI 的進(jìn)步引人關(guān)注。Foody 指出，一年前同類(lèi)測(cè)試的準(zhǔn)確率僅為 5%-10%，如今已提升至 24%，AI 的學(xué)習(xí)速度遠(yuǎn)超預(yù)期。不過(guò)，研究也強(qiáng)調(diào)，在掌握多任務(wù)處理和上下文切換之前，AI 尚無(wú)法勝任復(fù)雜的知識(shí)工作。