CEO-Bench基准

普林斯顿大学与芝加哥大学团队通过CEO-Bench基准测试，让14个主流大模型扮演软件公司CEO，在动态商业环境中连续决策500天。结果显示，仅Claude 3.5 Sonnet等极少数模型能够保持战略稳健，GPT-4o、Gemini 1.5 Pro等热门模型因激进定价、策略摇摆或忽视现金流而暴露出严重决策短板。测试揭示当前大模型在长周期、多目标平衡的商业经营中，依然缺乏连贯的战略逻辑和对二阶后果的预判能力，从知识问答到自主战略决策存在巨大鸿沟。这一结果为急于将AI嵌入企业核心决策的产业提了个醒，意味着可信的自主商业智能仍有很长的路要走。