NeoCognition 发布 ApprenticeBench：让 Agent 入职公司处理真实账单
新基准 ApprenticeBench 让 Agent 像新员工一样入职做账，榜上几分的差距在真实工作里被放大到 72% 对 36%。
榜单上的几分差距，到真实工作里可能被放大。NeoCognition 发布 ApprenticeBench，把 Agent 放进一家模拟建筑公司做应付账款：读员工手册、用真实企业软件 Odoo、按主管反馈改进，连续处理 100 张账单。Fable 5.1 通过率 72%，Opus 5 为 36%，超过最好的人类测试者 51%。
正文摘录
.jpg) 大模型榜单越来越多，但榜单上的几分差距，到了真实工作中究竟意味着什么，并不容易判断。 在 Artificial Analysis（AA）、Terminal-Bench 4.0 和 CursorBench 4.0 等评测中，Fable 5.1 和 Opus 5 的成绩只相差几分。可如果让它们进入同一家公司，使用同样的软件、学习同样的业务，再连续处理同一批账单，结果却变成了 72% 对 36%。 完成的任务数，差了一倍。[](https://mp.weixin.qq.com/s/U-cFk1RI2Pmc63VO3o5sBQ) 这个结果来自 NeoCognition 最新发布的 ApprenticeBench。与常见的单项能力测试不同，它把 Agent 放进一家模拟建筑公司，让它像新员工一样入职：阅读员工手册和历史资料，使用真实企业软件，并根据主管反馈逐渐摸清公司的业务规则。