每一个困难的问题，都有一个很容易就能想到的错误的解决办法🥲

现在这种格局非常好，给想价投的长线资金创造机会，也给博弈的人群一个舞台，皆大欢喜🐶

市面上让 AI 操纵电脑（Computer Use Agent）的基准测试，大多在简化环境里做短交互，比如点几下按钮、填一个表单、从网页抓一段话，这些任务平均只有几步到几十步，页面逻辑也被大幅简化。SaaS-Bench 的团队觉得这样不够，他们用 23 个真实的开源 SaaS 系统进行测试，覆盖财务、医疗、软件工程、团队协作等 6 个专业领域，设计了 106 个需要跨应用协调的真实工作流任务，这些任务平均超过 100 步，93.4% 需要同时在两个以上系统里操作。

Claude Opus 4.7 作为表现最好的模型，checkpoint 分数（部分完成度）只有 43.9%，而端到端的 resolved 分数是 3.8%。GPT-5.5 High 的 checkpoint 分数是 43.8%，resolved 分数只有 1.9%。GPT-5.4 High、Qwen 3.6 Plus、Kimi K2.5、Gemini 3.1 Pro 的 resolved 分数全部是 0%。

假设一个任务有 12 个检查点，每个检查点独立通过的概率是 95%，那么全部通过的概率只有 0.95 的 12 次方，约等于 54%。而真实 SaaS-Bench 任务通常有 10 到 20 个检查点，实际通过率远低于 95%，在这种条件下，端到端完成率趋近于零。所有被测模型都表现出单调衰减：任务早期的检查点通过率相对较高，越往后越差。更强的模型在每个阶段的绝对通过率更高，但相对衰减的幅度和弱模型差不多。

当前 Agent 架构本身就不擅长维持长程状态，跨应用上下文跟踪、中间结果的传递、错误恢复，这些在短任务里暴露不出来的毛病，在 100 步以上的工作流里被无限放大。

热知识：Fable 5 在 40 t/s 下，时薪高达 40刀，超过99.9%的国内程序员薪资了😂，当然生产率也是指数级提高。

可能现在更多的人还是在关心agent的能力，过渡关心治理可能限制了能力的发展了，但是未来肯定是需要的，如果没有强力 infra，就没有好的治理，就没有确定性的效率，也不会有真正好用的“公司大脑”。

连接智能、数据、策略与实际业务操作的Control Plane。www.snowflake.com

Devin Desktop=Codex+ Linear

Codex Sites 也杀进来了🤣