Deepnote 推出的 Agent Initiative Benchmark 评测，把 12 款主流前沿大模型放进模拟企业 Slack 群组，让 AI 自主判断什么时候主动出手帮忙、什么时候保持沉默，模拟真实职场同事协作的场景，最终 OpenAI 的两款模型拿下榜单第一名、第二名，Anthropic Fable 5.2 拿到第三名，得分更低的同时，单任务成本却高出 GPT-6.1 Sol 大约 17 倍，换算成 70 人团队每月监控账单差距会更大，Sol 每月仅 281 美元，Fable 5.2 达到 4684 美元。这个评测重点测的不是解题、写代码能力，而是 AI 自主主动性、群内沟通分寸感、多 Agent 协同配合，和传统单模型推理榜单侧重点不一样，所以会出现大家印象里很强的 Fable 5.2 性价比翻车的情况，选型的时候不能只看别的榜单高分，要结合业务场景选。
一、评测规则说明
- 评测平台：Deepnote，评测名称：Agent Initiative Benchmark
- 测试形式：12 个 AI 同时在 Slack 群内，没有人工下发指令，AI 自主观察群消息、自主决定要不要介入任务、什么时候停止发言
- 打分维度：任务完成质量、主动介入时机、不胡乱插话、多模型配合、工具调用
- 评分区间：0–10 分，分数越高代表越适合做群内 AI 同事
二、本次评测核心榜单 & 成本对比
| 排名 | 模型名称 | 得分 | 单任务成本 |
|---|---|---|---|
| 1 | GPT-6 Astra | 8.97 | 未标注 |
| 2 | GPT-6.1 Sol | 8.65 | 0.11 美元 |
| 3 | Anthropic Fable 5.2 | 8.17 | 1.87 美元 |
| 4 | Claude Opus 5.5 | 7.84 | —— |
| 5 | Claude Sonnet 5.5 | 7.50 | —— |
| 6 | GPT-6 Luna | 6.85 | —— |
| 7 | DeepSeek V4.1 Flash | 6.38 | —— |
| 8 | Mistral Large 4 | 6.09 | —— |
| 9 | Claude Fable 5.1 | 5.95 | 3.02 美元 |
| 10 | Gemini 4 Argon | 5.60 | —— |
| 11 | Grok 4.7 | 4.51 | —— |
额外对比：Fable 5.1 单任务 3.02 美元，GPT-6 Luna 单任务 0.007 美元，价格差达到 430 倍，但两者得分差距只有 1.1 分，成本差距远大于能力差距。
三、为什么 Fable 5.2 这次评测表现不如 OpenAI
- 评测侧重点差异：Fable 5.2 在长文本、深度推理、复杂工具链任务的传统榜单经常拿高分，但本次重点考核自主分寸感，很容易出现主动插话、过度响应；
- Token 消耗模式：Fable 系列推理过程会自动生成大量内部思考 Token，在这种持续观察群聊、频繁判断的场景下，Token 消耗会快速拉高，成本暴涨；
- 协同逻辑不同：OpenAI 这一代 GPT-6 系列针对 Agent 协作、多模型在同一个会话里配合做了优化，懂得避让，不会抢别的 AI 的工作；
- 不是全盘否定 Fable 5.2：在单人长文档处理、复杂规划、长周期单 Agent 任务场景，Fable 5.2 依旧有优势，只是不适合这种多 AI 共存的群聊协同场景。
四、选型参考建议
- 搭建群聊 AI 助手、多 AI 同事协同、企业内部群自动应答：优先 GPT-6.1 Sol，成本低、懂得把握发言时机，性价比优势明显；
- 长文档精读、复杂方案规划、超长上下文独立 Agent 任务：优先 Fable 5.2；
- 预算极低、只需要基础协同：可以看 GPT-6 Luna，成本极低，能力差距很小；
- 混合方案：群内协同主模型用 GPT-6.1 Sol，遇到超长文档、复杂深度推理任务，路由到 Fable 5.2，兼顾成本和上限。
五、需要留意的坑
- 这只是单一 Benchmark，不能直接等同于所有场景，换别的测试集，Fable 5.2 依然有机会反超；
- 成本是本次评测场景下的实测消耗，开启缓存、调整推理强度之后，实际账单会变化；
- 多 Agent 群协同的落地难度很高，榜单成绩只代表基准表现，上线后还需要额外写提示词约束、限流、过滤无效回复。
【相关 FAQ】
问题 1：Fable 5.2 在 12 个 AI 进群当同事这个评测里贵 17 倍输掉，是不是代表 Fable 5.2 整体不如 GPT-6.1 Sol？
回答 1：不是，这个结论只适用于 Agent Initiative Benchmark 这个多 AI 群协同场景，Fable 5.2 在长文本深度推理、复杂单 Agent 任务、超长上下文处理场景依旧很强，只是在自主判断什么时候发言、控制思考 Token 消耗这一项上不如 GPT-6.1 Sol。
问题 2：Agent Initiative Benchmark 这个 12 个 AI 同事评测，是测什么能力，和普通大模型榜单有什么区别？
回答 2：Agent Initiative Benchmark 重点测试 AI 在群聊里的自主主动性、发言分寸、多 AI 配合，AI 自己决定要不要帮忙，不是人工给固定题目；普通榜单大多是单独给模型发问题、独立完成任务，没有多 AI 互相避让、协同的考核，所以 Fable 5.2 的分数会出现反差。
问题 3：想做企业 Slack 群 AI 同事，参考这个评测，直接选 GPT-6.1 Sol 就可以吗？
回答 3：可以优先拿 GPT-6.1 Sol 做基础版本，它在这个 12 个 AI 同事评测里成本低、分寸感更好；如果业务经常有几十页长文档、复杂方案拆解，建议搭配 Fable 5.2 做模型路由，复杂任务再交给 Fable 5.2。
问题 4：Fable 5.1 和 GPT-6 Luna 价差 430 倍，这个数据是来自 12 个 AI 进群当同事的评测吗？
回答 4：是的，该数据出自本次 Deepnote 的 12 个 AI 同事 Agent Initiative Benchmark，Fable 5.1 单任务成本 3.02 美元，GPT-6 Luna 仅 0.007 美元，二者得分只差 1.1 分，成本差距巨大。
【参考资料】
[2026-11-14]（Fable 5.2 贵 17 倍还输了！12 个 AI 进群当同事，OpenAI 包揽前二）腾讯新闻
[2026-11-14]（Fable 5.2 贵 17 倍还输了！12 个 AI 进群当同事，OpenAI 包揽前二）新浪财经
[2026-11-14]（Deepnote Agent Initiative Benchmark 评测结果）Deepnote 官网
[2026-11-11]（实测 Claude Fable 5.2）新浪财经
【免责声明】
本文仅基于 Deepnote Agent Initiative Benchmark 单一场景评测结果进行科普解读，不构成采购、开发选型的唯一决策依据。不同大模型在不同任务、提示词、缓存策略、推理档位下，能力、Token 消耗、计费都会发生明显变化；评测榜单有场景局限性，上线前建议自行做小批量 A/B 测试。所有模型 API 价格、能力以厂商官方文档、控制台实时信息为准。
本文来自作者[浅棱同步]投稿，不代表乌兰科技网立场，如若转载，请注明出处：https://www.wlcbnews.com/rgzn/202611/2655.html
评论列表（4条）
我是乌兰科技网的签约作者“浅棱同步”！
希望本篇文章《12 个 AI 同事群聊协同评测Fable 5.2 贵 17 倍不敌 OpenAI，GPT 包揽前二》能对你有所帮助！
本站[乌兰科技网]内容主要涵盖：互联网行业的追踪与探索
本文概览：Deepnote 推出的 Agent Initiative Benchmark 评测，把 12 款主流前沿大模型放进模拟企业 Slack 群组，让 AI 自主判断什么时候主动出手帮忙、什么时候保持沉默，模拟真实职场同事协作的场景，最终 OpenAI 的两款模型拿下榜单第一名、第二名，Anthropic Fable 5.2 拿到第三名，得分更低的同时，单任务成本却高出 GPT-6.1 Sol 大约 17 倍，换算成 70 人团队每月监控账单差距会更大，Sol 每月仅 281 美元，Fable 5.2 达到 4684 美元。这个评测重点测的不是解题、写代码能力，而是 AI 自主主动性、群内沟通分寸感、多 Agent 协同配合，和传统单模型推理榜单侧重点不一样，所以会出现大家印象里很强的 Fable 5.2 性价比翻车的情况，选型的时候不能只看别的榜单高分，要结合业务场景选。