五模型实测 Salesforce 任务：Claude Opus 87% 夺冠

开发者在模拟公司 Salesforce 环境中对 Claude Opus、Sonnet、Haiku、GPT-6.1 Sol 和 DeepSeek 五个模型进行 agent 评测，各完成 50 项任务、可调用 8 个工具，按数据库实际改动而非模型回复评分。结果显示 Claude Opus 以 87% 通过率居首，DeepSeek 以约 1/75 的成本取得 82%，GPT-6.1 为 72%。评测还发现静默失败问题能骗过所有 agent，暴露出当前模型在真实业务场景中的可靠性短板。

2026-10-28 ~ 2026-10-28 · 3 条相关

• 实测 5 模型操作 Salesforce:静默失败骗过所有 agent — TruthDeep8659 · 2026-10-28
• 50 项 Salesforce 任务实测：GPT-6.1 得 72% 落后 Claude Opus 的 87% — TruthDeep8659 · 2026-10-28
• 5 模型 Salesforce 实测：Opus 87% 居首，DeepSeek 以 1/75 成本拿 82% — TruthDeep8659 · 2026-10-28