Automation Bench
衡量AI模型在真实业务流程场景下自主完成多步骤任务能力的基准测试，涵盖表格解析、表单填写、工作流触发等实用性任务
核心事实
时间轴 (近 90 天)
Argon 在 VALS 指数、Automation Bench、VALS Finance Agent 和 Harvey 法律 Agent 基准上均取得最优成绩。
WonderFull 在 Harvey Lab 法律工作基准、Val's 金融智能体以及 Automation Bench 上均达到最先进水平。
在Automation Bench榜单上，Claude Opus 5的每任务成本是Sol的11倍
在Automation Bench基准上，Sol取得33.2%的成绩，每任务成本为0.27美元
在Automation Bench办公流程测试中，Gemini 4 Argon得分51.3%，GPT-6 Astra为41.4%，Claude Opus 5.5为42.5%
在 Automation Bench 上 Gemini 4 Argon 得分 51.3%，超过 Fable 5.1 的 31.4% 和 Opus 5.5 的 42.5%
在Automation Bench最高档设置下，Opus 5.5任务成功率为40%，平均模型成本约1.28美元每次尝试
Automation Bench以任务最终是否完整完成作为核心判定标准，而非中间步骤正确率
在Automation Bench测试上，高档的Sol得分超过最高档的Cloud Ops 5，每道题开销仅为对手的9%
在 Automation Bench 中档推理强度下 GPT-6.1 Sol 得分 35.4%，比 Opus 5.5 高 2.2 个百分点，成本为其三分之一
还有 9 条时间轴事件
全部知识事实 (18)
在 Automation Bench 上 Gemini 4 Argon 得分 51.3%，超过 Fable 5.1 的 31.4% 和 Opus 5.5 的 42.5%
70%已验证在Automation Bench办公流程测试中，Gemini 4 Argon得分51.3%，GPT-6 Astra为41.4%，Claude Opus 5.5为42.5%
65%已验证Automation Bench是评估AI在企业级自动化场景实际表现的基准测试，核心指标为端到端任务完成率并记录token消耗
65%部分验证GPT-6 Sol High在Automation Bench上的单项任务成本仅为Opus 5的十分之一
65%待验证在 Automation Bench 测试中，GPT-6 Sol 的 extra high 档拿下 33% 的第一名，而 5.6 的 max effort 得分为 28.8
60%待验证Argon 在 VALS 指数、Automation Bench、VALS Finance Agent 和 Harvey 法律 Agent 基准上均取得最优成绩。
50%待验证WonderFull 在 Harvey Lab 法律工作基准、Val's 金融智能体以及 Automation Bench 上均达到最先进水平。
50%待验证在Automation Bench基准上，Sol取得33.2%的成绩，每任务成本为0.27美元
50%待验证在Automation Bench榜单上，Claude Opus 5的每任务成本是Sol的11倍
50%待验证在Automation Bench最高档设置下，Opus 5.5任务成功率为40%，平均模型成本约1.28美元每次尝试
50%待验证Automation Bench以任务最终是否完整完成作为核心判定标准，而非中间步骤正确率
50%待验证在Automation Bench测试上，高档的Sol得分超过最高档的Cloud Ops 5，每道题开销仅为对手的9%
50%待验证在 Automation Bench 中档推理强度下 GPT-6.1 Sol 得分 35.4%，比 Opus 5.5 高 2.2 个百分点，成本为其三分之一
50%待验证在Automation Bench测试中，成绩从Cell的8.1提高到Astra的41.4，CAD任务从83.3提高到95.9
50%待验证DeepSWE、CyberGym和Automation Bench分别对应软件工程、网络安全和自动化智能体任务的评测
50%待验证发布方宣称DeepSeek-V4.1-Flash在DeepSWE、CyberGym和Automation Bench三项基准测试中表现优于Opus 5和GPT-5.6 Sol
50%待验证在Automation Bench上，旧模型得分17%，Gemini 3.7 Flash达到30.4%
50%待验证在Automation Bench上Claude Opus 5拿到约25%通过率，而其他模型普遍聚集在15%左右
50%