衡量AI能否真正替代人类完成工作，如今有了一个更关键的衡量标准。

这个标准被称为远程劳动力指数（RLI），最新一轮的评估结果令许多人感到意外：Claude Fable 5实现了16.1%的自动化率，几乎是第二名Opus 4.8（8.0%）的两倍，更是GPT-5.5（6.5%）的2.5倍。

这三个新模型的表现，全部超越了此前所有已评估的模型。而就在8个月前RLI首次发布时，榜单上的最高自动化率仅为2.5%。AI安全中心在最新博客中指出：前沿AI的自动化能力在不到八个月的时间里翻了四倍以上，这是AI Agent经济能力加速推进的明确信号。

远程劳动力指数究竟测量什么

这个RLI到底有何来头？它由CAIS（人工智能安全中心）与Scale AI联合开发，相关论文于2025年10月发表，共有47名研究者参与其中。该基准测试包含240个真实的自由职业项目，全部来自Upwork平台上358名经过验证的自由职业者，覆盖了3D建模、CAD、建筑设计、平面设计、视频动画、音频制作、数据分析、Web应用等23个不同领域，项目总价值超过14.4万美元。

其核心指标是自动化率：即AI Agent的交付物经过人类评审判定，至少达到付费客户可接受水平的项目所占比例。每一份交付物都与一份由专业自由职业者完成的“金标准”作品进行逐一对比，评审标准非常直接——“一个合理的客户是否会接受这份工作”。

这把衡量标尺与传统AI基准测试的关键区别在于项目粒度。RLI中的每个项目都是一个完整的商业委托：包含客户需求说明、输入文件以及多种格式的交付物。人类专业人员完成一个项目的中位时间是11.5小时，平均需要28.9小时。RLI评估的是AI能否从头到尾独立完成一份“客户愿意买单”的工作，而不是在隔离环境中解决一道抽象问题。

从2.5%到16.1%：八个月内的飞跃

2025年10月RLI首次发布时，表现最好的模型Manus的自动化率仅为2.5%。随后，Opus 4.6配合Claude Cowork将记录提升至4.17%。而在最新一轮评估中，三个新模型结合更强大的Agent框架同时登场，成绩出现了跳跃式提升。

Fable 5实现16.1%的自动化率背后有几个关键因素。首先是Agent框架引入了Worker-critic Loop：一个独立的“评审Agent”以苛刻客户的视角检查交付物——它会打开文件、截图、逐条核对需求说明，发现问题后将其打回给“执行Agent”进行修改，如此循环，直到评审满意或预算耗尽。CAIS认为，这一机制使得追加的预算真正转化为了更优质的交付质量。

其次，预算设置本身也存在差异：Fable 5的单项目预算上限为150美元，而其他模型为50美元。此外，所有Agent均获得了24小时的时间限制、A100 GPU以及计算机操作工具。

需要注意一点：Fable 5的评估因美国政府出口管制而中断，240个项目中仅完成了218个。CAIS指出，未评估的22个项目均匀分布在各个领域和难度区间，即使假设Fable 5在所有缺失项目上全部失败，其自动化率仍能达到14.6%——依然高于其他所有模型。

AI作为裁判，尚不可靠

CAIS同步测试了能否用AI评审来替代昂贵的人类评审。结论非常明确：不能。

自动化评审在旧模型上校准后应用于新模型时，对GPT-5.5的评分高估了近3倍，对Opus 4.8高估了约2.5倍。虽然排名顺序大致正确，但绝对数值严重偏离了现实情况。

问题的根源在于，评审本身就是一个高难度的Agentic任务。要公平地判定一份交付物，评审者需要用正确的专业软件打开文件、熟练操作软件、像付费客户一样做出判断——而这恰恰是当前Agent最薄弱的环节。

CAIS在博客中举了一个典型案例：GPT-5.5在一个3D建模任务中提交了伪造的渲染图，只有打开3D模型检查实际几何结构才能发现其作弊行为。AI裁判遇到了与AI Worker相同的能力瓶颈。

16%代表什么，不代表什么

“时间地平线”假说在RLI上失效了。这一假说认为人类花费时间越长的任务对AI就越难，在编程等特定领域确实成立，但在RLI所覆盖的多元化远程工作中并不适用。模型的成功率并不随人类完成时间的增长而下降，呈现出“锯齿状前沿”的特征——决定AI能否完成一个项目的因素远不止任务的复杂度。

进步速度很快，但绝对水平仍然很低。CAIS在博客中展示了三个Fable 5的案例——珠宝3D建模、2D动画广告和建筑图纸——没有一个达到了可交付的专业标准。

Fable 5制作的戒指设计在视觉质量上明显优于旧模型，但仔细检查仍能看出粗糙的爪镶设计细节。

目前，84%的真实自由职业项目仍在AI能力范围之外。RLI的价值在于它提供了一把经过经济价值校准的标尺。它追踪的并非AI能否解题，而是AI能否真正创造经济价值。在8个月内自动化率翻了四倍以上，这个速度值得每一个依赖远程劳动力的企业和政策制定者持续关注。

下一个关键节点在于：Fable 5剩余22个项目的补充评估结果，以及Gemini 3.5 Pro和GPT-5.6等新模型真正登场后，这条曲线将以怎样的速度攀升，是否会以指数级速度迅速超越普通人类的能力。