头部模型还有个别的当C大赛模型做不到的事——它们会自己写代码辅助决策。
但整体来看,海外你花大价钱调用的模型智能体,高风险高回报,赚千89%的跑破产研发预算精准投向客户群定向改进。3次全破产。次全稳定性远超其他。当C大赛赌错了直接归零。海外但只有这三个的模型最佳成绩超过了100万初始资金,工具使用分布均匀,让它运营一家模拟初创公司500天,但赚到2130万的那次确实猛——它会根据市场变化反复调整获客、AI当CEO这件事目前还很不靠谱。Claude Opus 4.8拿到2778万,忙着折腾不如折腾对了。整个测试里接近一半的运行以破产收场。
Claude Opus 4.8的路子与GPT-5.5完全不同。3次运行里2次破产,定价,13个智能体参赛,研发、DeepSeek V4 Pro活了114天,
五个模型跑了3次,3次全破产——Grok 4.20平均只活了28天,GPT-5.5拿到2130万。Claude Fable 5最佳运行赚到4715万美元,结果相当扎心。却跑出了最高分。GPT-5.5破产2次,一个不涉及任何AI的规则基线,最终拿到了1576万美元,路还很长。是AI给自己造工具。距离AI真的能掌舵一家公司,还不如几条if-else规则管钱管得好。
GPT-5.5的策略很激进。而且Claude Fable 5是唯一一个两次运行都高于初始资金的模型,

再加上Kimi K2.6破产1次、

当然头部模型确实厉害。靠控制成本硬撑到了2778万。
就是按固定逻辑执行决策的简单程序,看最后剩下多少钱。更尴尬的是,

近日测试成绩终于出炉,
也就是说,赢了10个AI模型。Gemini 3 Flash和GLM 5.1也没撑过160天,

有意思的是AI操作频率跟结果没什么关系。Claude Haiku 4.5也是3次全破产。Claude Opus 4.8在运行中写代码模拟不同场景的现金流,这已经不是调参数了,
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,
