NeoCognition's ApprenticeBench: Fable 5.1 and GPT-6 Astra beat human testers in simulated accounting
NeoCognition released ApprenticeBench, a benchmark that places AI agents in a simulated construction company to perform real accounting tasks using Odoo. Fable 5.1 and GPT-6 Astra achieved pass rates of 72% and 68%, respectively, surpassing the best human tester's 51%. The benchmark highlights a 72% vs 36% performance gap between Fable 5.1 and Opus 5, despite similar scores on other benchmarks.
Coverage timeline
机器之心机器之心
大模型榜单越来越多，但榜单上的几分差距，到了真实工作中究竟意味着什么，并不容易判断。 在 Artificial Analysis（AA）、Terminal-Bench 4.0 和 CursorBench 4.0 等评测中，Fable 5.1 和 Opus 5 的成绩只相差几分。可如果让它们进入同一家公司，使用同样的软件、学习同样的业务，再连续处理同一批账单，结果却变成了 72% 对 36%。 完成的任务数，差了一倍。 这个结果来自 NeoCognition 最新发布的 ApprenticeBench。与常见的单项能力测试不同，它把 Agent 放进一家模拟建筑公司，让它像新员工一样入职：阅读员工手册和历史资料，使用真实企业软件，并根据主管反馈逐渐摸清公司的业务规则。 ApprenticeBench 主页链接：https://apprenticebench.com/ Agent 没有针对这份工作接受专门训练。它需要一边工作，一边从公司的历史数据和带教过程中学习。在这项评测中，Fable 5.1 和 GPT-6 Astra 分别取得 72% 和 68% 的通过率，也超过了本次表现最好的人类测试者的 51%。 Fable 5.1 和 Astra 出现明显的能力跃升，超过本次人类测试者。图源：ApprenticeBench 博客（https://neocognition.io/blog/apprentice-bench/） 这也带出了一个更大的问题：如果 Agent 能自己熟悉软件、学会业务，今天需要 FDE（前线部署工程师）为每家客户做的部署和适配，未来能不能交给 Agent 自己完成？ 一份看似普通的会计工作，为什么能拉开这么大的差距？对正在训练下一代模型的团队，这些差距又意味着什么？ 公司的规矩，进公司才知道 会计学知识可以提前学习，但是一家公司具体怎么做账，最近改了什么政策，任何通用模型都不可能，也不应该知道。一个新员工入职后要补的课，Agent 一样要补。 这便是 ApprenticeBench 的核心设计思路：Agent 进入一家模拟建筑公司，使用和人类员工同样的软件（Odoo）处理应付账款。入职时，它拿到员工手册、软件教程和六个月的历史账单，随后连续处理 100 张新账单。在第一个月里，主管会逐单指导，后来只在月底提供稀疏反馈。 从翻阅历史记录，到逐步独立处理
