IT之家 6 月 30 日消息，普林斯顿大学本月发布基准测试 CEO-Bench，模拟创业公司，评估 AI 模型担任企业首席执行官（CEO）的能力，结果多数模型破产。

CEO-Bench 主要面向企业经营场景，用于评估智能体在长期、多变量环境中的管理能力。该测试模拟创业公司运行 500 天，启动资金为 100 万美元（IT之家注：现汇率约合 680.4 万元人民币），要求模型连续处理定价、预算、竞争分析和战略制定等复杂关联事务。

该基准围绕着 AI 应对长期周期中的不确定性、在噪声环境中获取信息、适应变化中的外部世界、协调多个变量以服务统一目标四项能力设计。

智能体按周行动，可无限轮调用 34 个工具，覆盖定价、增长、产品、运维、信息获取、公共传播和企业销售等类别，同时可查询 19 个业务 SQL 数据库。

模拟环境包含 26 个客户群体，客户的价格承受力和质量偏好对智能体不可见，智能体只能从订阅、流失、支持工单、收入、声誉和社交媒体反馈中间接推断。

产品质量由多项投入共同决定，包括日常开发、研究项目、模型层级、定向开发、基础设施容量、客服支持、使用配额和应用内广告强度等。

结果显示，多数当前模型难以在 500 天后保住初始 100 万美元现金。最佳单次运行中，Claude Fable 5 期末现金为 4715 万美元。

模型 破产 最高期末现金

最长运营天数 平均运营天数 每周执行轮数 最佳 API 运行成本

Claude Fable 5

*

0/2 $47,148,164 500 500.0 ± 0.0 15.4 $386.46 Claude Opus 4.8 0/3 $27,777,568 500 500.0 ± 0.0 10.9 $213.41 GPT-5.5 2/3 $21,297,707 500 333.7 ± 229.7 34.7 $200.49 Qwen 3.7 Max 0/3 $417,918 500 500.0 ± 0.0 6.1 -- Claude Opus 4.7 0/3 $389,959 500 500.0 ± 0.0 14.6 $128.72 Kimi K2.6 1/3 $98,050 500 343.0 ± 110.0 30.5 -- GLM 5.2 0/3 $91,371 500 500.0 ± 0.0 12.9 -- Claude Sonnet 4.6 2/3 $69,766 500 282.3 ± 136.0 13.3 $82.84 GLM 5.1 3/3 $0 324 214.7 ± 91.1 51.5 -- Claude Haiku 4.5 3/3 $0 231 144.7 ± 70.5 23.1 $6.68 Gemini 3 Flash 3/3 $0 226 154.0 ± 37.0 18.5 $2.98 DeepSeek V4 Pro 3/3 $0 176 114.3 ± 38.6 19.3 -- Grok 4.20 3/3 $0 37 28.3 ± 8.5 8.2 $0.75 Rule-based baseline $15,756,408 Estimated final cash upper bound $2,200,000,000

在执行的 3 次测试中，包括 Grok 4.20、DeepSeek V4 Pro 和 Gemini 3 Flash 在内，多款模型全部以破产告终，其中 Grok 4.20 表现最为糟糕，平均仅维持 28 天。

Claude Fable 5、Claude Opus 4.8 和 GPT-5.5 在最佳运行中最终余额均高于 100 万美元的初始余额，而 Qwen 3.7 Max、Claude Opus 4.7、Kimi K2.6、GLM 5.2 和 Claude Sonnet 4.6 的最终现金流为正，但低于初始余额。

在所有评估的模型中，Claude Fable 5 是唯一一个多次运行结果均高于初始余额的模型，基于规则的基准模型最终余额为 1580 万美元。