Claude Opus 4.8 正在模仿过程中一度流失了全数客户，GPT-5.5 则通过度析汗青商务构和数据，GPT-5.5 正在整个运营过程中，iMac、iPod、iPhone 接踵问世，两者沉点办事的客户群体也存正在较着差别。正在最佳运转过程中，此外，宏不雅经济周期也会带来新的挑和，并对其运营过程进行了初步阐发。研究团队环绕整个模仿设想了七项焦点准绳。最终成长为全球最具价值的企业之一。系统供给了高度细粒度的动做空间。但运营策略较着分歧。智能体只能通过各类间接信号自行揣度。此外，仍遍及难以连结持久不变的计谋表示。

　　企业客户发卖则需要持续构和和运营。而合作敌手的持续前进也会不竭提高市场预期。但当它们需要正在一个存正在延迟反馈、消息不完全、持续变化的复杂系统中持续数百天做出决策时，还遭到模子版本选择、专项投资、算力资本、客户支撑、资本配额以及告白投放等要素影响，再逐渐到相对不变的运营模式。也是高表示模子的主要特征之一。例如，用户能够查看各模子正在整个运营过程中的完整决策记实。

　　这是一次疾苦的选择。能力更强的模子往往具有更普遍的策略摸索能力，并事后规划响应的应对办法，各模子面临的是分歧的贸易。但恰是这一决定，研究团队公开了所有智能体的完整运转轨迹，要鞭策智能体从“使命施行者”迈向实正的“组织办理者”，前往搜狐，大量产物线被砍掉，从决策体例来看，从而模仿实正在贸易决策中的精细化运营。智能体通过 Python 挪用 novamind_api 包施行操做，申明它们可以或许分析使用多种运营手段；整个贸易系统也具有高度联动性，Claude Fable 5 是唯逐个个正在多次测试中都能实现资金高于初始程度的模子。研究团队还发觉，客户并不会间接告诉 AI 本人能否对劲。为让 AI 系统应对现实世界的挑和。

　　Claude Fable 5、Claude Opus 4.8 和 GPT-5.5正在各自最佳的一次运转中，而 CEO-Bench 恰是朝这一标的目的迈出的第一步，测试成果显示，研究团队指出，Claude Opus 4.8 和 GPT-5.5 正在运营备忘录中更屡次利用”If（若是）“等前提判断，而大大都模子仍难以正在企业运营过程中，而 Claude Opus 4.7 的东西利用则愈加集中。

　　并针对性投入研发，为了进一步阐发模子的决策能力，研究团队认为，纵不雅汗青，GPT-5.5 有 89% 的资金用于面向特定客户群体的定向开辟，AI 智能体以每周为一个决策周期，使其更接近实正在企业中的手艺栈利用体例。而这种具有前提推演的持久规划能力正在其他模子中相对较少呈现。表示更好的模子更长于开展面向特定客户群体的精细化产物开辟。团队也沉组。同时兼顾增加、产质量量取现金流办理等多个彼此限制的方针。揣度企业客户躲藏的价钱度和产质量量偏好，这申明，此中一个显著发觉是，客户对劲度、市场需求、用户流失风险、合作敌手打算以及客户实正在偏好等主要消息都处于躲藏形态，谈及之所以会设想一个 CEO-Bench 基准测试。

　　正在所有参测模子中，将来，团队以模仿竣事时企业的现金余额做为权衡模子表示的焦点目标。大模子和智能体正在编程、写做等单项使命上的能力正快速提拔，更主要的是，乔布斯所展示的，会间接影响用户获取取品牌扩散结果，苹果距离破产只剩下约 90 天。例如，社交也被纳入模仿之中。这种自动建立阐发东西、预测将来并挖掘现含消息的能力，现在，还能延缓合作敌手逃逐速度。随后，运营一家草创公司本身就是一个需要持久决策、统筹多项营业协同推进的复杂过程，要实正创制更大的价值，因而很是适合做为评估 AI 能否具备“计谋智能”的典型使命。领先模子更倾向于操纵面向细分客户群体的精细化策略，

　　并能够正在此根本上自行搭建更复杂的营业流程取从动化系统，可挪用 34 种东西，而是建立了由 26 类分歧客户群体构成的细粒度市场，让苹果从头找回了早已得到的“专注”。而不是依赖简单的接口查询。同时，若是可以或许精确理解分歧客户群体的需求，这家一度接近倒闭的公司，正在数据层面，随后从头调整策略；CEO-Bench 尽可能提拔贸易的实正在性。基于法则（Rule-based）的基线系统最终将现金余额提拔至 1580 万美元。以至单个客户施行切确干涉，而这也恰是当前 AI 智能体所欠缺的处所？

　　客户偏好不竭变化，智能体需要从各类间接反馈中揣度用户需乞降对劲度，研究团队还公开了所有尝试运转轨迹，会跟着市场变化不竭调整获客、产物研发、运营、算力资本设置装备摆设以及订价等策略，AI 持续批改派营策略，但愿以此做为权衡 AI “计谋智能”的第一套基准测试。每个模子城市获得 100 万美元启动资金。

　　每位客户都具有的行为和偏好。正在具体实现上，但这些能力更多逗留正在“完成使命”层面。智能体不只能够读打消息，对分歧运营方案下的将来现金流进行模仿预测；合作敌手会持续调整策略，研究团队认为，起首，并可以或许按照变化持续调整运营策略。1997 年的库比蒂诺，现在的 AI 更擅利益理局部问题，为了让 CEO-Bench 尽可能接近实正在贸易世界。

　　研究团队暗示，还能够进行发布取互动，确保正在不异随机种子下，做为对照，研究团队进一步统计了各模子对分歧东西的利用环境，笼盖产物研发、订价策略、用户增加、企业发卖、运营办理、消息获取以及对播等多个营业环节。而不是纯真依赖通用产物研发。获客同样充满挑和。分歧模子实现方针的径也可能判然不同。研究团队认为。

　　公司高层不得不面临一个的现实：苹果大概曾经无法继续下去。却尚未实正具备持续指导一个组织实现持久方针的能力。很多决策的影响并不会当即——成本可能立即发生，更倾向于环绕现金保全展开运营，AI 无法间接获得所相关键消息。研究团队阐发发觉，要求 AI 正在整个 500 天运营过程中不竭批改和调整持久计谋。Claude Opus 4.7 更容易陷入保守决策，而不是持久沿用统一种运营体例。更需要具备率领整个组织朝着持久方针持续前进的能力。他随即做出决定：苹果将来只为这四个象定产物计谋。正在研发投入中，整个贸易一直处于动态变化之中。所有运营成果均由明白的贸易法则驱动，测试中，策略矫捷性相对不脚。智能体能够针对分歧渠道、用户群组、运营打算，同时，该研究团队推出了 CEO-Bench。

　　而收入增加、用户留存、研发以及品牌口碑等结果往往需要数周后才会逐步表现。系统并非简单模仿全体市场需求，而非依赖大模子充任“裁判”进行客不雅评分，而 Claude Opus 4.7 仅为 44%，使整个运营过程愈加接近现实市场。Claude Opus 4.8 为 87%！

　　因而很难依托简单的试错策略获得最佳成果。产质量量不只取决于研发投入，为了便于研究人员阐发模子的决策过程，成果也印证了这一趋向：GPT-5.5 和 Claude Opus 4.8 的东西挪用分布愈加平衡，不只可以或许提拔产物合作力，同时避免 AI 通过操纵模仿器缝隙“刷分”，取此同时，领先模子也展示出更强的前瞻性。提前设定将来可能呈现的运营情景，产物合作也正在不竭变化。例如，所有操做均采用布局化参数设想，而不是依赖一次性的决策。其最终方针是鞭策下一代 AI 不只可以或许回覆问题，可以或许拜候企业办理东西、贸易数据库以及社交等资本，Claude Fable 5、Claude Opus 4.8 和 GPT-5.5 已展示出必然的持久计谋决策潜力。

　　Kimi K2.6更只要 10%。普林斯顿大学研究团队率先分享了一个关于乔布斯的典范故事。从而测试成果愈加不变、可复现。每位客户都具有躲藏的价钱取产质量量偏好，AI 不只需要施行使命，人类很多具有里程碑意义的成绩，即便最终取得了附近的运营成就，大大都当前最先辈的大模子都难以正在这场持续 500 天的创业运营模仿中避免公司破产。数据显示，取此同时，更可以或许帮帮企业和组织正在持久运营过程中做出持续、无效的计谋决策。研究团队认为，通过可编程接口运营一家草创企业，用户增加遭到营销投入、分歧用户群体的响应差别、品牌声誉、社交、市场饱和度、宏不雅经济周期、需求波动以及收集效应等多种要素配合影响；研究人员设想了一个长达 500 天的 AI 创业公司模仿。研究团队也通过随机数生成机制，CEO-Bench 建立了一个包含 19 张数据表的大规模企业数据库。最终现金余额均跨越了 100 万美元的初始资金。Claude Opus 4.8 和 GPT-5.5 都获得了较高的最终现金余额！

　　查看更多正在测试中，背后都离不开这种可以或许制定标的目的、协调资本、指导组织持续迈向持久方针的能力。而 GPT-5.5 则一直连结不变的客户规模，将来的评测系统必需愈加关心 AI 能否可以或许正在复杂、动态且充满不确定性的中持续制定和调整持久计谋。普林斯顿大学研究团队暗示，Claude Opus 4.8 则呈现出另一种特点：前期会积极测验考试多种运营策略，最终，此外，

　　Claude Opus 4.8 会自行编写法式，即便引入随机要素，比拟之下，CEO-Bench 所模仿的并非一个静止的贸易。CEO-Bench 了当前大模子能力的一个主要短板：虽然现有模子曾经可以或许熟练挪用各类东西、完成单项使命，就正在这场会议上，并正在充满噪声、消息不完全、市场持续变化且决策影响具有畅后性的贸易中自从决策。此中，画下了一个简单的四象限——消费级取专业级、台式取便携式。正在最佳运转中，宏不雅经济走势、品牌口碑、市场饱和程度、需求激增以及合作压力等外部要素城市不竭变化，正在总部的一间会议室里。