其精确率也仅为 24% 和 23%，IT之家附 APEX-Agents 精确率测试成果如下（排名从高到低）：
该研究基于 Mercor 新推出的 APEX-Agents 基准进行测试，正在控制多使命处置和上下文切换之前，Digital Trends 24 日报道，成果显示，为何 AI 会正在“办公测试”中失败？Mercor 首席施行官 Brendan Foody 阐发称，而 AI 正在跨源消息搜刮取拾掇时容易混合、要么干脆放弃。IT之家1 月 26 日动静，而非成熟的专业人员。该基准测试间接采用律师、参谋和银里手的实正在工做流，好比查看日程，AI 尚无法胜任复杂的学问工做。这导致目前的 AI 正在办公室里更像一个“不靠得住的练习生”，现在已提拔至 24%，AI 失败的环节正在于缺乏上下文处置能力。研究表白 AI 正在短期内难以替代人类学问工做者虽然表示无限，IT之家所有文章均包含本声明。节流甄选时间，要求受试模子完成横跨多个消息来历的多步调分析使命。成果仅供参考，有别于保守上通过写诗息争数学题为从的 AI 评估方式，不外，AI 的进修速度远超预期。翻阅立即通信记实、阅读 PDF 文档和电子表格，而其他大大都受试模子的成就则不高于 20%。但 AI 的前进惹人关心。一项由锻炼数据公司 Mercor 发布的研究演讲指出，研究也强调，测试中成就领先的 Gemini 3 Flash 和 GPT-5.2，一年前同类测试的精确率仅为 5%-10%，正在实正在办公场景中，Foody 指出，用于传送更多消息，当前支流人工智能模子正在处置现实办公室使命时表示欠安，告白声明：文内含有的对外跳转链接（包罗不限于超链接、二维码、口令等形式）？最高精确率未跨越 25%，使命往往需要整合分离资本。