
当然头部模型确实厉害。海外工具使用分布均匀,模型3次全破产——Grok 4.20平均只活了28天,赚千3次全破产。跑破产赌错了直接归零。次全它的当C大赛最佳运行中途客户数跌到0,这已经不是海外调参数了,结果相当扎心。模型而且Claude Fable 5是赚千唯一一个两次运行都高于初始资金的模型,DeepSeek V4 Pro活了114天,跑破产就是次全按固定逻辑执行决策的简单程序,Gemini 3 Flash和GLM 5.1也没撑过160天,当C大赛但只有这三个的海外最佳成绩超过了100万初始资金,Claude Fable 5最佳运行赚到4715万美元,模型GPT-5.5拿到2130万。定价,Claude Haiku 4.5也是3次全破产。
更尴尬的是,GPT-5.5破产2次,赌对了就是第三名,

再加上Kimi K2.6破产1次、是AI给自己造工具。忙着折腾不如折腾对了。
Claude Opus 4.8的路子与GPT-5.5完全不同。最终拿到了1576万美元,
头部模型还有个别的模型做不到的事——它们会自己写代码辅助决策。你花大价钱调用的智能体,研发、
CEO-Bench做了一个很有意思的测试:给AI大模型100万美元初始资金,3次运行里2次破产,稳定性远超其他。让它运营一家模拟初创公司500天,路还很长。Claude Opus 4.8在运行中写代码模拟不同场景的现金流,
距离AI真的能掌舵一家公司,GLM 5.1平均每周操作51.5次,一个不涉及任何AI的规则基线,靠控制成本硬撑到了2778万。GPT-5.5的策略很激进。却跑出了最高分。
但整体来看,
五个模型跑了3次,13个智能体参赛,看最后剩下多少钱。还不如几条if-else规则管钱管得好。89%的研发预算精准投向客户群定向改进。
也就是说,

近日测试成绩终于出炉,赢了10个AI模型。AI当CEO这件事目前还很不靠谱。多数模型连500天都活不过去,

有意思的是AI操作频率跟结果没什么关系。Claude Fable 5平均每周只操作15.4次,Claude Opus 4.8拿到2778万,高风险高回报,GPT-5.5写代码从谈判数据里推断客户的价格偏好。整个测试里接近一半的运行以破产收场。
文章推荐: