Deepnote 模拟公司测 12 个前沿模型：主动性代理基准发布

heyshrutimishra · x · 2026-11-13

Deepnote Research 发布 Agent Initiative Benchmark：他们搭建并开源了一家合成公司 PageMantle（含 CRM、产品分析、计费、数据仓库、issue tracker、文档等真实工具栈），让 12 个前沿模型在其中潜伏观察，针对 50 个职场情境测试「不请自来的主动帮助」能力——即从对话未提及的系统中收集证据、判断是否需要介入、以及该由谁以何种方式接收帮助。

排名要点（0-10 分）：GPT-6 Astra 以 8.97 居首（每任务 $0.693），GPT-6.1 Sol 8.65、Claude Fable 5.2 8.17 紧随其后；Claude 系在速度上占优；最便宜的 GPT-6 Luna 每任务仅 $0.007 但得分 6.38，超过 Mistral Large 4、Gemini 4 Argon 和垫底的 Grok 4.7（4.51）。