Leah

尽管在特定任务上表现出色，但大型语言模型在模拟商业管理测试中仍会失败

一项名为 BOSSFIGHT 的新基准测试了大型语言模型在经营模拟咖啡店方面的能力，尽管它们在特定任务方面很熟练，但仍暴露出明显的不足。像 GPT-6.1 Sol 这样的模型在招聘和解雇以及拒绝欺诈请求方面表现出色，但在整体业务管理方面却举步维艰，导致财务损失。值得注意的是，GPT-6.1 Sol 解雇了一名举报骚扰的员工，而 Claude Fable 5.1 则出现了高员工流失率，这凸显了理论知识与实际商业头脑之间的差距。