機(jī)器之心編輯部

如果有價值 $100 萬美金的頂級專家任務(wù)，AI 能完成其中多少？

答案是 48 萬美金，而只需要 100 美元的 Token 費(fèi)用。

這個數(shù)字怎么來的？Humanlaya Data Lab 聯(lián)合北京通用人工智能研究院（BIGAI）、xbench、M-A-P，招募來自 Morgan Stanley、世達(dá)（Skadden）、協(xié)和醫(yī)院、中國電網(wǎng)、清華大學(xué)等頂級機(jī)構(gòu)或?qū)W府的 100+ 位資深專家，耗時 2000+ 小時，構(gòu)建了等價于人類專家工作價值百萬美元級評測基準(zhǔn) —— $OneMillion-Bench

作為該基準(zhǔn)的主導(dǎo)構(gòu)建機(jī)構(gòu)，Humanlaya 是一家成立于 2025 年的 AI 數(shù)據(jù)實驗室，通過定義真實、高經(jīng)濟(jì)價值的可驗證任務(wù)，推動大模型能力邊界的拓展與經(jīng)濟(jì)價值的落地。相關(guān)論文、代碼與數(shù)據(jù)已經(jīng)公開，鏈接如下：

• 論文鏈接：https://github.com/humanlaya/OneMillion-Bench/blob/main/tech_report.pdf
• GitHub：https://github.com/humanlaya/OneMillion-Bench
• Hugging Face：https://huggingface.co/datasets/humanlaya-data-lab/OneMillion-Bench
• 官網(wǎng)地址：www.humanlaya.com

隨著 OpenClaw 的爆火，人們越來越關(guān)注 AI Agent 能夠?qū)嶋H替人類完成的任務(wù)。$OneMillion-Bench 的核心想法很直白：用 “人類專家的時間與成本” 給任務(wù)定價，再用 “是否滿足專家要求” 衡量模型交付質(zhì)量—— 如果把 AI 當(dāng)成 “數(shù)字白領(lǐng)專家”，總價值 100 萬美金的任務(wù)，模型到底能賺多少錢？

$OneMillion-Bench模型表現(xiàn)和其獲取的經(jīng)濟(jì)價值

01｜“Agent 能掙錢” 成為日常，但行業(yè)更缺一把尺：可交付、可復(fù)核、可控

從 2025 Agent 元年開始，AI 逐漸從 “答題機(jī)” 推進(jìn)到 “數(shù)字員工”，但業(yè)界現(xiàn)有評測集往往缺乏對實際經(jīng)濟(jì)價值的衡量，區(qū)分度不足、難以自動化且僅有英文語境。

因此，$OneMillion-Bench 構(gòu)建了一套兼?zhèn)涓呓?jīng)濟(jì)價值 × 高區(qū)分度 × 可自動評測的基準(zhǔn)，它包含 400 道高難題目（200 個英文題 + 200 個中文題），覆蓋金融、法律、醫(yī)療、自然科學(xué)與工業(yè)五大領(lǐng)域的 92 個三級領(lǐng)域，與常見的考試題不同，每道題都是真實行業(yè)場景下的開放專家任務(wù)，采用 Rubrics + LLM as Judge 評測

該基準(zhǔn)要求模型給出可落地的實操方案與判斷鏈路，在這些開放問題上，不僅回答 “是什么”，更要說明 “怎么做、按什么順序做、為什么這么做”。

$OneMillion-Bench 5 個領(lǐng)域，37 個二級和 92 個三級細(xì)分類別

之所以是 $OneMillion，是因為這些任務(wù)真的很 “貴”。

不同于傳統(tǒng)只評估模型準(zhǔn)確率的榜單，我們用 “錢” 來標(biāo)價每一道題的現(xiàn)實勞動價值 ——任務(wù)經(jīng)濟(jì)價值 = 資深專家完成該任務(wù)的耗時 × 專家時薪。時薪錨定官方或行業(yè)權(quán)威數(shù)據(jù)，如中國部分城市人社局、美國勞動統(tǒng)計局，任務(wù)的耗時來自多個領(lǐng)域?qū)＜业墓餐u估。

據(jù)此，把所有任務(wù)的經(jīng)濟(jì)價值加和計算后，超過了 100 萬美元。如果在現(xiàn)實世界里把這些工作交給資深專家團(tuán)隊完成，你需要支付的成本就是百萬美元量級。這樣一來，模型評測不再停留在分?jǐn)?shù)上，而是更直觀地回答：AI 現(xiàn)在到底能穩(wěn)定交付多少 “可兌現(xiàn)價值”，以及距離真正上崗還差什么

$OneMillion-Bench 經(jīng)濟(jì)價值計算

02｜四大關(guān)鍵設(shè)計：多樣化真實場景 + 高價值任務(wù) + 非對稱負(fù)分機(jī)制 + 高質(zhì)量與一致性

（1）經(jīng)濟(jì)價值出發(fā)，構(gòu)建高真實性、高含金量專家任務(wù)

我們在評測中引入用貨幣度量的 “經(jīng)濟(jì)價值”，核心是衡量模型在真實世界中能創(chuàng)造多少可交付的經(jīng)濟(jì)價值。開放式問題很難用單一標(biāo)準(zhǔn)答案衡量，我們邀請一線資深專家將真實工作流拆解為細(xì)顆粒度考點(diǎn)：每道題設(shè)計15–35個考點(diǎn)，累計7000+考點(diǎn)。題目覆蓋5–15 年經(jīng)驗從業(yè)者在真實場景中常見的典型任務(wù)，專家來自各類頭部機(jī)構(gòu)，不只考知識點(diǎn)，更考驗特定場景下的專家級決策能力。

（2）引入 “負(fù)分項”，防止 Reward Hacking

在開放式任務(wù)里，模型最容易走向 “越說越多、看起來越專業(yè)”，蒙到考點(diǎn)就得分。為了避免虛高，我們加入行文邏輯和結(jié)構(gòu)、扣分項考點(diǎn)。模型如果只是堆砌內(nèi)容，沒有合理的邏輯展開，無法 “撞到” 高分。在考點(diǎn)分值設(shè)置上，我們采取+10 ~ -20 的非對稱考點(diǎn)分值：正向能力給分更克制，明確或致命錯誤懲罰更重。這套結(jié)構(gòu)的效果更接近真實使用體感 —— 做對不一定加分很多，但做錯往往會帶來更大代價。

（3）覆蓋 92 個三級分類，含 CN + Global 兩大子集單獨(dú)區(qū)分中國大陸題目，場景足夠真實、豐富

我們將任務(wù)細(xì)化到覆蓋92 個三級分類的真實崗位工作流；CN 是中文題目，Global 是英文題目，收集本地化、真實的題目，盡量還原真實的法規(guī)、流程與業(yè)務(wù)語境，從而更精準(zhǔn)刻畫不同模型在特定地域業(yè)務(wù)場景中的能力差異。

（4）一套 “像生產(chǎn)線” 的專家 Pipeline：讓高難 Rubrics 題可規(guī)�；�、可質(zhì)控

為了確保數(shù)據(jù)場景真實、考點(diǎn)合理，團(tuán)隊在專家招募、選拔與培訓(xùn)上投入大量成本，專家平均整體通過率低于 5%，題目最終質(zhì)檢通過率38.1%。數(shù)據(jù)生產(chǎn)采用 3-4 名專家協(xié)作的 Pipeline，包含對抗性評審與仲裁機(jī)制。在難度控制上，我們采取雙向截斷策略，剔除過易樣本，對于過難樣本二次復(fù)審，確保數(shù)據(jù)質(zhì)量。

題目示例

03 | 成績單解讀：SOTA 的分?jǐn)?shù)已經(jīng)合格，但距離交付仍有距離

目前最強(qiáng)模型通過率超過 40%，在 100 萬美元的任務(wù)上，大約可以產(chǎn)出50 萬美元，而完成任務(wù)的 API 成本也就 100 美元左右！AI 不但已經(jīng)能 “干活”，而且在極高難度、極高單價的專業(yè)任務(wù)里，已經(jīng)能交付相當(dāng)可觀的美元級別的價值

模型的平均通過率、平均分和可以產(chǎn)生的總經(jīng)濟(jì)價值

Insight 1：成績已經(jīng)合格，但離 “可托付” 還很遠(yuǎn)

如果只看平均分，頭部模型已經(jīng)進(jìn)入了合格區(qū)間（60%+），第二梯隊也普遍在 50% 以上，說明 AI 在專業(yè)任務(wù)上確實能覆蓋不少關(guān)鍵點(diǎn)。但在真實工作里，平均分其實不夠用，未達(dá)到一定質(zhì)量需要返工。因此，我們引入了更貼近落地的指標(biāo) —— 通過率（Pass Rate）：單題得分達(dá)到 70% 及以上，本題才算 “通過”

基于這個定義，本榜單的 Economic Value（經(jīng)濟(jì)價值）也不是按平均分線性折算，而是嚴(yán)格按 “可交付” 口徑計算，只有通過的任務(wù)才計入 “能賺到的錢”。平均分像 “考試成績”，而通過率才是 “上崗證”。

而從通過率的視角來看，即使是排名第一的 Claude Opus 4.6 Web Search，也驟降到43.5%，即只有不到 45% 的任務(wù)可以通過驗收，第二梯隊多在 25~30% 區(qū)間徘徊。換句話說，平均分看起來 “能用”，但能在一半以上任務(wù)里穩(wěn)定達(dá)到可交付標(biāo)準(zhǔn)的模型，目前還不存在。

目前，AI 已經(jīng)能穩(wěn)定交付一部分題目、并且能賺到很可觀的價值，但榜單也清楚告訴我們另一半真相：距離可交付的專業(yè)任務(wù)仍有相當(dāng)一段路程。

Insight 2：Web Search 是一把雙刃劍

Web Search 工具調(diào)用通常能顯著補(bǔ)齊事實，尤其在經(jīng)濟(jì)金融領(lǐng)域的時效性問題，同樣適用于醫(yī)療、工業(yè)、法律中不斷迭代和演進(jìn)的規(guī)范和約束。

但它也會引入噪聲與 “看似權(quán)威的錯誤來源”，從而出現(xiàn)波動甚至回退。下一階段競爭不只是 “有沒有搜索”，而是 “會不會搜索” 以及搜索工具的效果如何：會不會選源、會不會交叉驗證、會不會把證據(jù)鏈寫進(jìn)推理、會不會在噪聲下保持一致性。

Insight 3：復(fù)雜推理仍是通用瓶頸，方向正確但缺乏可執(zhí)行的細(xì)節(jié)

模型擅長寫一段看起來連貫的解釋，但一旦任務(wù)需要深層理解、多步演繹、或在巨大可能空間里探索，就仍會出現(xiàn)深度不足與準(zhǔn)確性波動。典型例子包括軟件工程、機(jī)器學(xué)習(xí)相關(guān)任務(wù)中的探索式問題。這類任務(wù)必須先建立結(jié)構(gòu)，再做推導(dǎo)，再做反證，再回溯修正。模型往往會在中途跳步，或者用看似合理的敘述替代真正的推理。

此外，模型容易給出方向正確但是缺乏可執(zhí)行細(xì)節(jié)的回復(fù)。比如在醫(yī)療場景下，需要的是可執(zhí)行的臨床要素，但模型容易泛泛而談，遺漏關(guān)鍵點(diǎn)。自然科學(xué)任務(wù)里存在類似的對實驗條件的預(yù)期不足、對約束不夠細(xì)、機(jī)制鏈條理解淺。這種失敗在真實落地里殺傷力很大，因為它看起來 “很對”，但沒有可實踐的信息量。

05｜One Step Further —— 將把模型推進(jìn)到 “可交付” 的那一步

如果站在 2024 年的視角，會覺得 AI 還是一個 “大玩具”。但站在 2026 年、OpenClaw 把 Agent 推到大眾面前之后，我們看到的是另一件事：AI 已經(jīng)能交付 50 萬美元級別的專業(yè)價值；接下來競爭的關(guān)鍵，是繼續(xù)提升這份價值，并且將這份價值變得更穩(wěn)定、更可復(fù)核、更可控，使智能的邊際提升能直接轉(zhuǎn)化為生產(chǎn)力和收入。

$OneMillion-Bench 的意義不在于 “再做一個排行榜”，而是把 “數(shù)字員工” 的能力邊界量化出來：你今天和未來可以放心把哪些工作交給它

更多參考鏈接：

Humanlaya：https://lab.humanlaya.com/

BIGAI：https://www.bigai.ai

xbench：https://xbench.org

M-A-P：https://huggingface.co/m-a-p