過去幾年，AI界的競爭重點，幾乎都鎖定大型語言模型（LLM）本身的能力。從語言理解、數學推理到程式開發，各家模型不斷刷新評測紀錄，也帶動一波又一波模型軍備競賽。
不過，史丹佛大學人本人工智慧研究中心（HAI）近日發布的AI報告《AI Index Report 2026》指出，AI產業正進入新的發展階段。因為，許多傳統評測基準（Benchmark）已經接近飽和，模型表現越來越接近天花板、前幾名模型的差異甚至小到難以區分，因此，產業關心的重點，開始從模型本身能力，轉向AI能否真正完成任務和執行工作流程。
報告點出，除了模型能力持續提升，今年最值得關注的趨勢還包括，傳統Benchmark逐漸失去區辨能力、Agent評測快速興起，以及頂尖模型能力開始收斂。
頂尖模型都考90分以上，傳統Benchmark開始失去區辨力
進一步來說，《AI Index Report 2026》整理各項技術評測結果，發現AI在語言理解、數學推理、視覺辨識及程式開發等領域持續進步。
這些進步，讓研究社群面臨一道新問題。報告指出，頂尖模型在許多傳統Benchmark的分數，正快速接近上限。例如部分知識問答、推理和學術測驗類基準，頂尖模型已能拿下近乎滿分的成績，代表這些測試越來越難區分模型的能力差異。
這就好比，多數模型都能考到90幾分時，單純比較分數高低，已無法充分反映模型實力。
這也促使專家設計更有挑戰的新型評測基準，比如涵蓋數學、醫學、法律和科學等專家級問題的Humanity's Last Exam，以及專門測試高階數學推理能力的FrontierMath，要更準確衡量AI在複雜推理任務上的真實能力。
Agent評測快速崛起，產業開始重視任務完成能力
除了設計更困難的測試，《AI Index Report 2026》還給出另一個重要趨勢：Agent能力評測越來越重要。
Agent與傳統聊天機器人的差別在於，前者不只是回答問題，還能自主規畫步驟、呼叫工具、操作系統並完成任務。
因此，近年開始出現愈來愈多專門評估Agent能力的基準測試，例如WebArena、BrowserArena與OSWorld等。
報告指出，2025年是Agent從「回答問題」邁向「完成任務」的重要轉折點。以測試Agent操作電腦能力的OSWorld為例，準確率在一年內，從約12%大幅提高到66.3%，距離人類表現僅剩約6個百分點。
不過，報告也提醒，目前Agent在結構化評測中的任務失敗率仍約三分之一，代表Agent雖已具備執行任務能力，但要穩定、可靠地完成複雜工作流程，還是有段距離。
AI Coding成為Agent能力的重要試金石
在眾多Agent應用中，軟體開發是進展最快的一大領域。
報告引用SWE-bench Verified等評測指出，近一年來，頂尖模型在真實軟體工程任務的表現大幅提升。
有別於傳統程式碼生成測試，SWE-bench使用GitHub上的真實問題作為測試資料，要求模型理解程式碼、找出錯誤、提出修正方案，並通過測試驗證。這類評測更貼近軟體開發的實際流程，因此也是觀察Agent能力的重要指標。
報告顯示，AI正在從單純的程式碼補全工具，漸漸走向，有能力解決問題的軟體工程助手。
頂尖模型能力收斂，競爭開始轉向成本與專業能力
除了Benchmark和Agent評測的變化，報告還點出另一項趨勢，也就是頂尖模型能力開始收斂。簡單來說，過去幾年，各界一直在比誰的模型最強，但現在，最頂尖的幾家模型其實已經強到差不多了（即收斂）。
《AI Index Report 2026》引用Chatbot Arena的人類偏好評測指出，截至2026年3月，Anthropic、xAI、Google和OpenAI等業者的頂尖模型評分差距，都落在25 Elo點內。Arena Elo採用類似西洋棋的評分制度，差距在25分內，通常代表實力相當接近，顯示各家領先模型的能力差距正快速縮小。
其中，Anthropic模型以1,503分居首，xAI為1,495分，Google為1,494分，OpenAI則是1,481分，模型競爭開始進入收斂階段。而阿里巴巴和DeepSeek模型表現，也進入排行榜第一梯隊，顯示全球AI競爭從少數領導者主導，轉為多個技術陣營並存。
另一方面，報告指出，當頂尖模型能力逐漸收斂後，未來企業衡量模型的競爭力，將轉向成本、可靠性和特定領域能力。也就是說，當AI考試幾乎都拿滿分後，企業真正關心的問題，已經不是模型答得對不對，而是能否在特定場景中，穩定完成任務、創造實際價值。
Comments (0)