$OneMillion-Bench：價(jià)值百萬(wàn)美金的專家級(jí)白領(lǐng)任務(wù)，AI已經(jīng)能做大半了

如果有價(jià)值$100萬(wàn)美金的頂級(jí)專家任務(wù)，AI能完成其中多少？

答案是48萬(wàn)美金，而只需要100美元的Token費(fèi)用。

這個(gè)數(shù)字怎么來(lái)的？Humanlaya Data Lab聯(lián)合北京通用人工智能研究院（BIGAI）、xbench、M-A-P，招募來(lái)自Morgan Stanley、世達(dá)（Skadden）、協(xié)和醫(yī)院、中國(guó)電網(wǎng)、清華大學(xué)等頂級(jí)機(jī)構(gòu)或?qū)W府的100+位資深專家，耗時(shí)2000+小時(shí)，構(gòu)建了等價(jià)于人類專家工作價(jià)值百萬(wàn)美元級(jí)評(píng)測(cè)基準(zhǔn)——$OneMillion-Bench。

隨著OpenClaw的爆火，人們?cè)絹?lái)越關(guān)注AI Agent能夠?qū)嶋H替人類完成的任務(wù)。$OneMillion-Bench的核心想法很直白：用“人類專家的時(shí)間與成本”給任務(wù)定價(jià)，再用“是否滿足專家要求”衡量模型交付質(zhì)量——如果把AI當(dāng)成“數(shù)字白領(lǐng)專家”，總價(jià)值100萬(wàn)美金的任務(wù)，模型到底能賺多少錢？

圖1：$OneMillion-Bench模型表現(xiàn)和其獲取的經(jīng)濟(jì)價(jià)值

「Agent能掙錢」成為日常，但行業(yè)更缺一把尺：可交付、可復(fù)核、可控

從2025Agent元年開(kāi)始，AI逐漸從“答題機(jī)”推進(jìn)到“數(shù)字員工”，但業(yè)界現(xiàn)有評(píng)測(cè)集往往缺乏對(duì)實(shí)際經(jīng)濟(jì)價(jià)值的衡量，區(qū)分度不足、難以自動(dòng)化且僅有英文語(yǔ)境，因此，$OneMillion-Bench構(gòu)建了一套兼?zhèn)涓呓?jīng)濟(jì)價(jià)值×高區(qū)分度×可自動(dòng)評(píng)測(cè)的基準(zhǔn)。

它包含400道高難題目（200個(gè)英文題+200個(gè)中文題），覆蓋金融、法律、醫(yī)療、自然科學(xué)與工業(yè)五大領(lǐng)域的92個(gè)三級(jí)領(lǐng)域，與常見(jiàn)的考試題不同，每道題都是真實(shí)行業(yè)場(chǎng)景下的開(kāi)放專家任務(wù)，采用Rubrics + LLM as Judge評(píng)測(cè)。要求模型給出可落地的實(shí)操方案與判斷鏈路，在這些開(kāi)放問(wèn)題上，不僅回答“是什么”，更要說(shuō)明“怎么做、按什么順序做、為什么這么做”。

圖2：$OneMillion-Bench5個(gè)領(lǐng)域，37個(gè)二級(jí)和92個(gè)三級(jí)細(xì)分類別

之所以是$OneMillion，是因?yàn)檫@些任務(wù)真的很「貴」。

不同于傳統(tǒng)只評(píng)估模型準(zhǔn)確率的榜單，我們用“錢”來(lái)標(biāo)價(jià)每一道題的現(xiàn)實(shí)勞動(dòng)價(jià)值——任務(wù)經(jīng)濟(jì)價(jià)值=資深專家完成該任務(wù)的耗時(shí)×專家時(shí)薪。時(shí)薪錨定官方或行業(yè)權(quán)威數(shù)據(jù)，如中國(guó)部分城市人社局、美國(guó)勞動(dòng)統(tǒng)計(jì)局，任務(wù)的耗時(shí)來(lái)自多個(gè)領(lǐng)域?qū)＜业墓餐u(píng)估。據(jù)此，把所有任務(wù)的經(jīng)濟(jì)價(jià)值加和計(jì)算后，超過(guò)了100萬(wàn)美元。如果在現(xiàn)實(shí)世界里把這些工作交給資深專家團(tuán)隊(duì)完成，你需要支付的成本就是百萬(wàn)美元量級(jí)。這樣一來(lái)，模型評(píng)測(cè)不再停留在分?jǐn)?shù)上，而是更直觀地回答：AI現(xiàn)在到底能穩(wěn)定交付多少“可兌現(xiàn)價(jià)值”，以及距離真正上崗還差什么。

表1：$OneMillion-Bench經(jīng)濟(jì)價(jià)值計(jì)算

四大關(guān)鍵設(shè)計(jì)：多樣化真實(shí)場(chǎng)景+高價(jià)值任務(wù)+非對(duì)稱負(fù)分機(jī)制+高質(zhì)量與一致性

（1）經(jīng)濟(jì)價(jià)值出發(fā)，構(gòu)建高真實(shí)性、高含金量專家任務(wù)

我們?cè)谠u(píng)測(cè)中引入用貨幣度量的“經(jīng)濟(jì)價(jià)值”，核心是衡量模型在真實(shí)世界中能創(chuàng)造多少可交付的經(jīng)濟(jì)價(jià)值。開(kāi)放式問(wèn)題很難用單一標(biāo)準(zhǔn)答案衡量，我們邀請(qǐng)一線資深專家將真實(shí)工作流拆解為細(xì)顆粒度考點(diǎn)：每道題設(shè)計(jì)15–35個(gè)考點(diǎn)，累計(jì)7000+考點(diǎn)。題目覆蓋5–15年經(jīng)驗(yàn)從業(yè)者在真實(shí)場(chǎng)景中常見(jiàn)的典型任務(wù)，專家來(lái)自各類頭部機(jī)構(gòu)，不只考知識(shí)點(diǎn)，更考驗(yàn)特定場(chǎng)景下的專家級(jí)決策能力。

（2）引入“負(fù)分項(xiàng)”，防止Reward Hacking

在開(kāi)放式任務(wù)里，模型最容易走向“越說(shuō)越多、看起來(lái)越專業(yè)”，蒙到考點(diǎn)就得分。為了避免虛高，我們加入行文邏輯和結(jié)構(gòu)、扣分項(xiàng)考點(diǎn)。模型如果只是堆砌內(nèi)容，沒(méi)有合理的邏輯展開(kāi)，無(wú)法“撞到”高分。在考點(diǎn)分值設(shè)置上，我們采取+10~-20的非對(duì)稱考點(diǎn)分值：正向能力給分更克制，明確或致命錯(cuò)誤懲罰更重。這套結(jié)構(gòu)的效果更接近真實(shí)使用體感——做對(duì)不一定加分很多，但做錯(cuò)往往會(huì)帶來(lái)更大代價(jià)。

（3）覆蓋92個(gè)三級(jí)分類，含CN+Global兩大子集單獨(dú)區(qū)分中國(guó)大陸題目，場(chǎng)景足夠真實(shí)、豐富

我們將任務(wù)細(xì)化到覆蓋92個(gè)三級(jí)分類的真實(shí)崗位工作流；CN是中文題目，Global是英文題目，收集本地化、真實(shí)的題目，盡量還原真實(shí)的法規(guī)、流程與業(yè)務(wù)語(yǔ)境，從而更精準(zhǔn)刻畫不同模型在特定地域業(yè)務(wù)場(chǎng)景中的能力差異。

（4）一套“像生產(chǎn)線”的專家Pipeline：讓高難Rubrics題可規(guī)模化、可質(zhì)控

為了確保數(shù)據(jù)場(chǎng)景真實(shí)、考點(diǎn)合理，團(tuán)隊(duì)在專家招募、選拔與培訓(xùn)上投入大量成本，專家平均整體通過(guò)率低于5%，題目最終質(zhì)檢通過(guò)率38.1%。數(shù)據(jù)生產(chǎn)采用3-4名專家協(xié)作的Pipeline，包含對(duì)抗性評(píng)審與仲裁機(jī)制。在難度控制上，我們采取雙向截?cái)嗖呗裕蕹^(guò)易樣本，對(duì)于過(guò)難樣本二次復(fù)審，確保數(shù)據(jù)質(zhì)量。

圖3：$OneMillion-Bench題目示例

成績(jī)單解讀：SOTA的分?jǐn)?shù)已經(jīng)合格，但距離交付仍有距離

目前最強(qiáng)模型通過(guò)率超過(guò)40%，在100萬(wàn)美元的任務(wù)上，大約可以產(chǎn)出50萬(wàn)美元，而完成任務(wù)的API成本也就100美元左右！AI不但已經(jīng)能“干活”，而且在極高難度、極高單價(jià)的專業(yè)任務(wù)里，已經(jīng)能交付相當(dāng)可觀的美元級(jí)別的價(jià)值。

表2：模型的平均通過(guò)率、平均分和可以產(chǎn)生的總經(jīng)濟(jì)價(jià)值

Insight 1：成績(jī)已經(jīng)合格，但離“可托付”還很遠(yuǎn)

如果只看平均分，頭部模型已經(jīng)進(jìn)入了合格區(qū)間（60%+），第二梯隊(duì)也普遍在50%以上，說(shuō)明AI在專業(yè)任務(wù)上確實(shí)能覆蓋不少關(guān)鍵點(diǎn)。但在真實(shí)工作里，平均分其實(shí)不夠用，未達(dá)到一定質(zhì)量需要返工。因此，我們引入了更貼近落地的指標(biāo)——通過(guò)率（Pass Rate）：?jiǎn)晤}得分達(dá)到70%及以上，本題才算“通過(guò)”。

基于這個(gè)定義，本榜單的Economic Value（經(jīng)濟(jì)價(jià)值）也不是按平均分線性折算，而是嚴(yán)格按“可交付”口徑計(jì)算，只有通過(guò)的任務(wù)才計(jì)入“能賺到的錢”。平均分像“考試成績(jī)”，而通過(guò)率才是“上崗證”。

而從通過(guò)率的視角來(lái)看，即使是排名第一的 Claude Opus 4.6 Web Search，也驟降到43.5%，即只有不到45%的任務(wù)可以通過(guò)驗(yàn)收，第二梯隊(duì)多在25~30%區(qū)間徘徊。換句話說(shuō)，平均分看起來(lái)“能用”，但能在一半以上任務(wù)里穩(wěn)定達(dá)到可交付標(biāo)準(zhǔn)的模型，目前還不存在。

目前，AI 已經(jīng)能穩(wěn)定交付一部分題目、并且能賺到很可觀的價(jià)值，但榜單也清楚告訴我們另一半真相：距離可交付專業(yè)任務(wù)仍有相當(dāng)一段路程。

Insight 2：Web Search 是一把雙刃劍

Web Search 工具調(diào)用通常能顯著補(bǔ)齊事實(shí)，尤其在經(jīng)濟(jì)金融領(lǐng)域的時(shí)效性問(wèn)題，同樣適用于醫(yī)療、工業(yè)、法律中不斷迭代和演進(jìn)的規(guī)范和約束。

但它也會(huì)引入噪聲與“看似權(quán)威的錯(cuò)誤來(lái)源”，從而出現(xiàn)波動(dòng)甚至回退。下一階段競(jìng)爭(zhēng)不只是“有沒(méi)有搜索”，而是“會(huì)不會(huì)搜索”以及搜索工具的效果如何：會(huì)不會(huì)選源、會(huì)不會(huì)交叉驗(yàn)證、會(huì)不會(huì)把證據(jù)鏈寫進(jìn)推理、會(huì)不會(huì)在噪聲下保持一致性。

Insight 3：復(fù)雜推理仍是通用瓶頸，方向正確但缺乏可執(zhí)行的細(xì)節(jié)

模型擅長(zhǎng)寫一段看起來(lái)連貫的解釋，但一旦任務(wù)需要深層理解、多步演繹、或在巨大可能空間里探索，就仍會(huì)出現(xiàn)深度不足與準(zhǔn)確性波動(dòng)。典型例子包括軟件工程、機(jī)器學(xué)習(xí)相關(guān)任務(wù)中的探索式問(wèn)題。這類任務(wù)必須先建立結(jié)構(gòu)，再做推導(dǎo)，再做反證，再回溯修正。模型往往會(huì)在中途跳步，或者用看似合理的敘述替代真正的推理。

此外，模型容易給出方向正確但是缺乏可執(zhí)行細(xì)節(jié)的回復(fù)。比如在醫(yī)療場(chǎng)景下，需要的是可執(zhí)行的臨床要素，但模型容易泛泛而談，遺漏關(guān)鍵點(diǎn)。自然科學(xué)任務(wù)里存在類似的對(duì)實(shí)驗(yàn)條件的預(yù)期不足、對(duì)約束不夠細(xì)、機(jī)制鏈條理解淺。這種失敗在真實(shí)落地里殺傷力很大，因?yàn)樗雌饋?lái)“很對(duì)”，但沒(méi)有可實(shí)踐的信息量。

One Step Further ——將把模型推進(jìn)到“可交付”的那一步

如果站在2024年的視角，會(huì)覺(jué)得AI還是一個(gè)“大玩具”。但站在2026年、OpenClaw把Agent推到大眾面前之后，我們看到的是另一件事：AI已經(jīng)能交付50萬(wàn)美元級(jí)別的專業(yè)價(jià)值；接下來(lái)競(jìng)爭(zhēng)的關(guān)鍵，是繼續(xù)提升這份價(jià)值，并且將這份價(jià)值變得更穩(wěn)定、更可復(fù)核、更可控，使智能的邊際提升能直接轉(zhuǎn)化為生產(chǎn)力和收入。

$OneMillion-Bench的意義不在于“再做一個(gè)排行榜”，而是把“數(shù)字員工”的能力邊界量化出來(lái)：你今天和未來(lái)可以放心把哪些工作交給它？

關(guān)于Humanlaya

Humanlaya是一家成立于2025年的AI數(shù)據(jù)實(shí)驗(yàn)室，通過(guò)定義真實(shí)、高經(jīng)濟(jì)價(jià)值的可驗(yàn)證任務(wù)，推動(dòng)大模型能力邊界的拓展與經(jīng)濟(jì)價(jià)值的落地。

網(wǎng)址：www.humanlaya.com

開(kāi)源鏈接：

Paper：https://arxiv.org/abs/2603.07980

GitHub：

https://github.com/humanlaya/OneMillion-Bench

Hugging Face：

https://huggingface.co/datasets/humanlaya-data-lab/OneMillion-Bench

Website：

1. Humanlaya：www.humanlaya.com

2. BIGAI：https://www.bigai.ai

3. xbench：https://xbench.org

4. M-A-P：https://huggingface.co/m-a-p