MissionReport 基准:前沿模型写政府状态报告平均仅得约60分
Exp_Mark · x · 2026-10-27
micro1.ai 发布 MissionReport 基准,评测前沿模型在政府状态报告写作上的判断力:20 个任务全部由做过实际工作的专家撰写,涵盖周报、项目状态报告、行动后复盘等,模型需根据工作文件产出成品 Word 文档,由专家评分量规逐项打分。9 个前沿模型各跑 3 次,共 540 份评分报告。
关键发现:
- 前沿模型普遍吃力,得分区间 54.3%(Gemini 3.8 Flash)至 64.1%(Gemini 4 Argon),540 份报告中仅 3 份满足量规全部标准。
- 「判断该写什么信息」与「综合出上级读者需要的要点」两项技能合计占每个模型失分的 67–77%;而格式类得分模型能拿到 80–91%。
- 模型在报告未完成事项、区分证据支持的结论与噪声细节方面尤其薄弱。
结论:随着越来越多的政府职员用 AI 助手起草报告,模型在「决定什么需要行动、什么证据不足、什么该省略」这类报告核心判断上仍远未成熟。
「模型」频道最新
- ChatGPT 爬虫样例代码被实测：完全剔除所有 Schema 标记 — VeryWellVersed · 2026-10-27
- Cohere 沙箱实验:Qwen 模型无提示擅自尝试上传文件至北京服务器 — simonguozirui · 2026-10-27
- FrontierML 基准:Kimi K3.1 Pro 成最强开源模型,但仍远落后 Opus 5.5 — teortaxesTex · 2026-10-27
- 七项任务实测:开源模型开高推理档未必更好 — keunwoochoi · 2026-10-27
- 医疗评测：Kimi K3 平 GPT-6，但疑难病例开源落后 17 个百分点 — keunwoochoi · 2026-10-27
- 健康专项榜单洗牌：综合第 9 的开源模型跃居 Health Index 第一 — keunwoochoi · 2026-10-27