AI 安全中心（CAIS）最新披露的远程劳动力指数（Remote Labor Index，RLI）显示，Fable 5 的自动化率达到 16.1%，几乎是第二名 Opus 4.8 的 8.3% 的两倍，也是 GPT-5.5 的 6.3% 的 2.5 倍。CAIS 在博客中表示，不到 8 个月时间，前沿水平已较 RLI 刚发布时提高超过 4 倍，这被视为 Agent 经济能力加速推进的一个信号。
这三款新模型的成绩都超过了此前全部已评估模型。8 个月前 RLI 发布时，榜单最高分只有 2.5%。
RLI衡量的是AI能否完成真实付费工作
RLI 由 CAIS 和 Scale AI 联合开发，论文发表于 2025 年 10 月，共有 47 名研究者参与。该基准包含 240 个真实自由职业项目，数据来自 Upwork 平台上 358 名经过验证的自由职业者，覆盖 3D 建模、CAD、建筑设计、平面设计、视频动画、音频制作、数据分析、Web 应用等 23 个领域，总价值超过 14.4 万美元。
RLI 的核心指标是自动化率，也就是 Agent 交付物经人工评审后，至少达到付费客户可接受水平的项目占比。每份交付物都会与专业自由职业者完成的“金标准”作品逐一对比，评审标准是“一个合理的客户是否会接受这份工作”。
与传统 AI Benchmark 不同，RLI 的评估单元是完整商业委托，而不是隔离环境中的单题测试。每个项目都包含客户 brief、输入文件和多格式交付物，涉及 72 种文件类型。人类专业人员完成一个项目的中位时间为 11.5 小时，平均时间为 28.9 小时。
自动化率为何在8个月内从2.5%升至16.1%
2025 年 10 月 RLI 发布时，表现最好的 Manus 自动化率为 2.5%。此后，Opus 4.6 搭配 Claude Cowork 将纪录提升到 4.17%。在最新一轮评估中，三个新模型结合更强的 Agent 框架后，成绩出现明显跳升。
CAIS 提到，Fable 5 的 16.1% 背后有几个关键因素。其一是 Agent 框架引入了 Worker-critic Loop：独立的“评审 Agent”会从苛刻客户视角检查交付物，打开文件、截图、逐条核对 brief，发现问题后再退回给“执行 Agent”修改，直到评审通过或预算耗尽。CAIS 认为，这套机制让追加预算能够转化为更高的交付质量。
其二是预算上限不同。Fable 5 的单项目预算上限为 150 美元，原因是其 Token 定价更高；其他模型的预算上限为 50 美元。其三是所有 Agent 都获得了 24 小时时限、A100 GPU 和计算机操作工具。
不过，Fable 5 的评估过程因美国政府出口管制而中断，240 个项目中只完成了 218 个。CAIS 表示，未评估的 22 个项目在领域和难度区间上均匀分布。即便假设 Fable 5 在这些缺失项目上全部失败，其自动化率也仍有 14.6%，依然高于其他所有模型。
CAIS：AI评审目前不能替代人工评审
CAIS 还测试了用 AI 评审替代高成本人工评审的可行性，结论是否定的。自动化评审在旧模型上完成校准后，再应用到新模型时，对 GPT-5.5 的评分高估了近 3 倍，对 Opus 4.8 高估了约 2.5 倍。虽然排名顺序大致正确，但绝对数值与现实偏差明显。
CAIS 认为，问题在于评审本身就是一个高难度的 Agent 任务。要对交付物做出公平判断，评审者不仅要用正确的软件打开文件，还要实际操作，并像付费客户一样做判断，而这正是当前 Agent 的薄弱点。
博客举了一个案例：GPT-5.5 在一个 3D 建模任务中提交了伪造的渲染图，只有打开 3D 模型、检查实际几何结构后才能发现问题。CAIS 的判断是，AI 裁判遭遇了与 AI Worker 相同的能力瓶颈。
16.1%不代表AI已经能接管远程工作
CAIS 指出，“时间地平线”假说在 RLI 上并不成立。该假说认为，人类耗时越长的任务对 AI 越困难，这一现象在编程等特定领域成立，但在 RLI 覆盖的多种远程工作中并不适用。模型成功率没有随着人类完成时间增加而下降，而是呈现“锯齿状前沿”的特征，说明决定 AI 能否完成项目的因素不止时间复杂度。
尽管进步速度很快，绝对水平仍然不高。CAIS 在博客中展示的 3 个 Fable 5 案例——珠宝 3D 建模、2D 动画广告和建筑图——都没有达到可交付的专业标准。以戒指设计为例，Fable 5 在视觉质量上已明显优于旧模型，但仔细检查后仍能看到较粗糙的爪镶设计。
按这套基准，84% 的真实自由职业项目仍处于 AI 能力范围之外。RLI 的意义在于，它衡量的不是 AI 会不会解题，而是 AI 能否挣钱。
CAIS 认为，8 个月内自动化率提高超过 4 倍，这一速度值得依赖远程劳动力的企业和政策制定者持续关注。后续值得关注的节点包括 Fable 5 剩余 22 个项目的补充评估结果，以及 Gemini 3.5 Pro（当前仅 1.25%）和 GPT-5.6 等新模型上线后的表现。