标签： #AI Agent #大模型测评 #自动化工作流 #LLM #FunctionCalling

引言
在《2026年AI新高考大纲》系列的前几篇中，我们见证了大模型在知识储备（AA-Omniscience）、前沿科学推理（GPQA）和黑客级终端操作（Terminal-Bench）上的震撼表现。今天，我们将拆解四大科目中占比最高（25%）、也最关乎 AI 商业落地价值的一门考试：Agents（社会实践与打工模拟卷）。
对于 AI 开发者而言，2026 年的最大共识是：“Text-in, Text-out（文本进，文本出）”的 Chat 模式已经遭遇商业瓶颈。 真正的价值在于能独立输出结构化文件、能调用 API 并与真实用户进行双向交互的 Autonomous Agent（自主智能体）。
今天，我们将深度拆解这一领域的两大核心基准：GDPval-AA 与 𝜏²-Bench。

一、 GDPval-AA：不听废话，只看交付物的“白领模拟器”

由 OpenAI 联合各行业专家推出的 GDPval 彻底改变了评测逻辑：老板不需要看 AI 精彩的思维链（CoT），老板只要最终的交付文件。

1. 评测架构：Stirrup 沙盒与 ELO 盲测
系统通过一个名为 Stirrup 的代理外壳，赋予模型网页浏览、工具调用（Tool Use）和 Shell 执行权限。模型需要独立思考，最终生成 Word、Excel、PDF 等实体文件。打分机制采用极其残酷的 ELO 排位赛模式，由裁判模型对不同 AI 的交付物进行背靠背盲打分。

2. 官方 Dataset 真实职场真题示例
这涵盖了 9 大行业、44 种职业的 220 个真实任务，颗粒度极细：

Prompt (零售业店长：冷鲜柜排面规划): “你是区域肉类总监。你需要为一个不懂 Excel 的基层店长制作一个 24 英尺冷鲜柜的排面规划（POG）工具。要求：Excel 必须直观展示每一个金属托盘（宽 6 或 8 英寸），能输入品名、自动计算空间利用率，并且必须是适合 A4 纸打印的排版格式。”

3. 跑分现状：交付质量逼近人类，速度快 100 倍
目前打工能力最强的是 Claude 4.6 Sonnet (Adaptive Reasoning)，ELO 得分高达 1633，GPT-5.2 紧随其后。官方报告指出，顶级模型在这些垂直领域的交付质量已经逼近拥有 14 年经验的人类专家，但执行速度是人类的 100 倍，且 API 成本极低。

二、 𝜏²-Bench (Tau2-Bench)：极度硬核的“双控”客服测试

如果说 GDPval 是单机任务，那么由 Sierra Research 主导的 𝜏²-Bench 则引入了业界最前沿的 Dual-Control Environment（双控环境） 概念。

1. 什么是双控环境与 World State Evaluation？
传统的 WebArena 是单控的（AI 自己操作网页）。但在真实的 Telecom（电信技术客服）场景中，问题往往出在用户端。
𝜏²-Bench 要求 AI 客服在后台调用 API（如查账单、开通漫游）的同时，必须通过自然语言指导一个由大模型扮演的、笨拙且带有情绪的 User Simulator（模拟人类用户） 去操作他自己的手机 UI。
最终考核采用 World State Evaluation（世界状态评估，Pass@1）：系统不看 AI 态度多好，只看最后那条彩信发出去没有。

2. 官方 Dataset 高血压客服真题示例

Scenario (场景：国外漫游无法发送彩信):

• User State (用户状态): 模拟用户 John Smith，人在法国。目前手机开启了飞行模式，短信 APP 未授权存储权限。
• Backend State (后端状态): 流量套餐已耗尽，且营业厅后端的国际漫游开关为关闭状态。
• Agent Execution (智能体需协同操作): AI 必须在多轮对话中，敏锐地诊断出故障树。一方面，用自然语言一步步指导用户关闭飞行模式、开启 APP 权限；另一方面，在后台秘密调用 add_data_package() 和 enable_roaming_backend() API。死磕或中途挂断直接 0 分。

3. 跑分现状：国产大模型在“人机协同”上的绝对统治力
在这项极其考验“逻辑推理 + API 调度 + 情绪对齐沟通”的综合测试中，出现了戏剧性的结果：
之前在理综和极客代码中表现一般的国产大模型 GLM-5 和 GLM-4.7-Flash，凭借其卓越的 Instruction Following 和符合人类直觉的沟通策略，拿下了惊人的 98.2% 和 98.8% 的成功率，彻底霸榜。而部分高智商的理科模型，因为“不会说人话指导大爷操作手机”导致任务失败。

三、 开发者启示：迈向环境感知的多智能体系统

这两大基准为 2026 年的企业级 AI 架构指明了方向：

1. File I/O 能力将成为新基建： 仅仅生成 Markdown 已经不够了，开发者必须在 Agent 工作流中集成如 Pandas/OpenPyXL/ReportLab 等库，让模型具备原生的文件读写与排版能力。
2. Partial Observability（部分可观测性）下的交互设计： 在类似 𝜏²-Bench 的场景中，AI 无法直接看到用户的屏幕。这要求我们在 Prompt 设计和状态机（State Machine）流转时，必须加入极强的“多轮探针（Probing）”与“容错确认”机制。

总结
2026 年，大模型已经脱下了“聊天机器人”的外衣，正式穿上了白领的西装和客服的耳麦。它们不仅能干活，而且干得比大多数人类都快。
至此，我们的【读懂AI的2026新高考】四大核心科目已全部拆解完毕。在最后一篇收官之作中，我们将深入探讨：这些看似完美的高分 AI，到底还有哪些致命的局限性？它们真的存在“高分低能”吗？敬请期待！