50 项 Salesforce 任务实测：GPT-6.1 得 72% 落后 Claude Opus 的 87%
TruthDeep8659 · reddit · 2026-10-28
开发者分享了一轮 CRM agent 横评：五个模型在 Salesforce 开发者组织中完成 50 项任务，评分依据是数据库里的实际改动而非模型回复。
- 总通过率：Claude Opus 87%、Sonnet 85%、DeepSeek 82%、Haiku 80%，GPT-6.1 Sol 仅 72%，是唯一明显掉队的模型
- GPT-6.1 的亮点：能捕捉全部由阶段变更触发的概率重置（DeepSeek 和 Haiku 大多漏掉），长任务中最擅长上报系统自动改动（36 项中 21 项）
- 失分集中在少数具体任务：如撤销"已成交"订单时未恢复原始成交日期、重开成交日期在过去六个月的订单且未作说明
- 评测将任务分为 L1 日常到 L5 异常场景五级；L5 层各模型都大幅下滑（Opus 48%、GPT-6.1 仅 35%）
作者附了完整 write-up 和开源评测代码与 transcript（crm-agent-bench）。
所属事件:五模型实测 Salesforce 任务：Claude Opus 87% 夺冠(3 条相关)→
「编程与Agent」频道最新
- 构建过 400+ Agent 的 AI 科学家总结 15 种必知记忆模式 — MaryamMiradi · 2026-10-28
- Agent 自建推理引擎:AMD MI350X 跑 GLM 5.3 比 B200 快 37% — yisongyue · 2026-10-28
- Kiro 团队复盘：3 名工程师加 agent 每周合并 1000 个 PR 的质量保障法 — rseroter · 2026-10-28
- 单智能体 vs 多智能体实测:同一任务跑 4 种编排,成本差 3 倍 — latent_lurker8587 · 2026-10-28
- 给 Agent 配邮箱、电话、钱包:一张「Agent 基础设施」版图 — Similar_Confusion534 · 2026-10-28
- 独立开发者化解 WhatsApp 号码 3441038 错误的完整方案 — Fit-Stretch-182 · 2026-10-28