IT之家 6 月 30 日音尘，普林斯顿大学本月发布基准测试 CEO-Bench，模拟创业公司，评估 AI 模子担任企业首席彭胀官（CEO）的智商，服从大量模子收歇。

CEO-Bench 主要面向企业蓄意场景，用于评估智能体在恒久、多变量环境中的惩办智商。该测试模拟创业公司运行 500 天，启动资金为 100 万好意思元（IT之家注：现汇率约合 680.4 万元东说念主民币），条款模子联贯处理订价、预算、竞争分析和策略制定等复杂关系事务。

该基准围绕着 AI 交代恒久周期中的不细目性、在噪声环境中取得信息、相宜变化中的外部天下、互助多个变量以干事和洽蓄意四项智商联想。

智能体按周活动，可无穷轮调用 34 个器具，笼罩订价、增长、居品、运维、信息取得、环球传播和企业销售等类别，同期可查询 19 个业务 SQL 数据库。

模拟环境包含 26 个客户群体，客户的价钱承受力和质地偏好对智能体不行见，智能体只可从订阅、流失、营救工单、收入、声誉和外交媒体响应中迤逦猜度。

居品性量由多项干涉共同决定，包括浅薄诞生、磋磨神气、模子层级、定向诞生、基础设施容量、客服营救、使用配额和期骗内告白强度等。

服从流露，大量现时模子难以在 500 天后保住开动 100 万好意思元现款。最好单次运行中，Claude Fable 5 期末现款为 4715 万好意思元。

模子 收歇 最高期末现款

最长运营天数 平均运营天数 每周彭胀轮数 最好 API 运行资本

Claude Fable 5

*

0/2 $47,148,164 500 500.0 ± 0.0 15.4 $386.46 Claude Opus 4.8 0/3 $27,777,568 500 500.0 ± 0.0 10.9 $213.41 GPT-5.5 2/3 $21,297,707 500 333.7 ± 229.7 34.7 $200.49 Qwen 3.7 Max 0/3 $417,918 500 500.0 ± 0.0 6.1 -- Claude Opus 4.7 0/3 $389,959 500 500.0 ± 0.0 14.6 $128.72 Kimi K2.6 1/3 $98,050 500 343.0 ± 110.0 30.5 -- GLM 5.2 0/3 $91,371 500 500.0 ± 0.0 12.9 -- Claude Sonnet 4.6 2/3 $69,766 500 282.3 ± 136.0 13.3 $82.84 GLM 5.1 3/3 $0 324 214.7 ± 91.1 51.5 -- Claude Haiku 4.5 3/3 $0 231 144.7 ± 70.5 23.1 $6.68 Gemini 3 Flash 3/3 $0 226 154.0 ± 37.0 18.5 $2.98 DeepSeek V4 Pro 3/3 $0 176 114.3 ± 38.6 19.3 -- Grok 4.20 3/3 $0 37 28.3 ± 8.5 8.2 $0.75 Rule-based baseline $15,756,408 Estimated final cash upper bound $2,200,000,000

在彭胀的 3 次测试中，包括 Grok 4.20、DeepSeek V4 Pro 和 Gemini 3 Flash 在内，多款模子一都以收歇告终，其中 Grok 4.20 清楚最为灾祸，平均仅防守 28 天。

Claude Fable 5、Claude Opus 4.8 和 GPT-5.5 在最好运行中最终余额均高于 100 万好意思元的开动余额，而 Qwen 3.7 Max、Claude Opus 4.7、Kimi K2.6、GLM 5.2 和 Claude Sonnet 4.6 的最终现款流为正，但低于开动余额。

在通盘评估的模子中，Claude Fable 5 是唯独一个屡次运行服从均高于开动余额的模子，基于端正的基准模子最终余额为 1580 万好意思元。