从答题到执行：新一代模型迈向AGI的关键跃迁

近年来，人工智能模型的竞争重点，正在从“谁更擅长回答问题”，逐步转向“谁更能独立完成复杂任务”。一些新一代模型在传统知识问答、数学题和文本理解测试中的提升并不明显，但在自动化操作、代码执行、科学分析、系统排障以及多步骤任务协同方面，却呈现出明显的能力跃迁。

这也引出了一个值得深入讨论的问题：如果一个模型在综合智力测试中的分数变化有限，它是否仍然可能代表了一次重要的技术升级？

答案很可能是肯定的。因为传统测试主要衡量模型“能否给出正确答案”，而真实工作更关注模型“能否理解目标、制定计划、调用工具、处理异常，并最终交付结果”。二者看似相近，实际对应的是两套不同的能力体系。

一、综合分数不等于真实生产力

传统评测通常采用固定题目、固定输入和标准答案。模型只需要在有限上下文中完成推理，并输出一个结果。这类测试对于衡量知识覆盖、语言理解和基础推理能力十分有价值，但它存在明显局限。

第一，测试任务通常是一次性的。模型不需要长期记住中间状态，也不需要在数十轮交互后保持目标一致。

第二，测试环境相对封闭。模型不必访问数据库、读取文件、调用接口，也不必面对权限不足、网络异常或返回结果格式错误等现实问题。

第三，评价目标往往集中在最终答案。至于模型采用了什么步骤、是否浪费了大量资源、能否在失败后自我修正，通常不会被充分纳入评分。

而在企业应用中，一个任务往往具有以下特征：

• 目标描述不完整，需要模型主动澄清需求；
• 执行过程较长，需要持续维护上下文和任务状态；
• 依赖多个系统，需要调用搜索、数据库、代码运行或业务接口；
• 中间结果可能出错，需要进行验证、回滚和重试；
• 最终结果不仅要“看起来合理”，还要满足格式、权限、合规和时效要求。

因此，某模型在静态问答测试中的表现没有大幅提升，并不能直接说明它的实际能力没有变化。真正重要的变化，可能发生在任务规划、状态管理和行动闭环之中。

二、从“生成答案”转向“完成任务”

新一代模型的核心进步，可以概括为从响应式生成转向目标驱动执行。

传统模型接收到问题后，通常按照“理解输入—生成文本”的路径工作。它的主要能力集中在语言表达和知识重组上。

更强的任务型模型，则需要完成一条更复杂的链路：

1. 识别用户真正想达成的目标；
2. 将目标拆解为可执行的子任务；
3. 判断每个子任务需要哪些信息和工具；
4. 按依赖关系安排执行顺序；
5. 对工具返回结果进行理解和验证；
6. 发现错误后调整策略；
7. 汇总过程信息并交付最终结果。

例如，用户要求生成一份业务分析报告，模型不能只输出一篇结构完整的文章，还需要确认数据范围、读取相关资料、处理缺失字段、计算关键指标、识别异常值，并在报告中说明结论依据。如果数据来源发生变化，模型还应当知道哪些内容需要重新计算，哪些内容可以沿用。

这意味着模型的价值不再单纯取决于参数规模，而取决于它能否构建可靠的“感知—规划—行动—验证”闭环。

三、智能体能力的关键，不是调用工具而是管理工具

工具调用已经成为智能体系统的重要组成部分，但“能够调用工具”并不等于“能够稳定完成工作”。

一个成熟的智能体至少需要解决四类问题。

1. 工具选择

面对同一个目标，系统可能同时拥有搜索、数据库查询、代码执行、文件处理和业务接口等多种工具。模型需要判断何时使用哪一种工具，而不是盲目尝试。

例如，简单的单位换算不需要访问外部系统；涉及实时数据的问题则不能只依赖训练记忆。工具选择错误，会导致效率下降，甚至产生看似合理但实际过时的结论。

2. 参数构造

工具调用通常要求严格的参数格式。字段缺失、类型错误、范围异常，都可能导致调用失败。因此，模型必须理解工具的输入约束，并在执行前完成参数检查。

3. 结果验证

工具返回的内容不一定可靠。数据可能为空，接口可能超时，查询结果可能与问题不匹配。模型需要检查返回值是否满足预期，必要时通过第二种方式交叉验证，而不能把所有工具输出都当作事实。

4. 异常恢复

现实环境中，失败是常态。网络中断、权限不足、服务限流、文件损坏以及数据冲突都可能发生。真正具备执行能力的模型，应当能够区分可重试错误和不可重试错误，调整参数、切换路径或请求人工介入。

从工程角度看，工具调用不应被设计成简单的“模型发指令、系统返回结果”，而应当配合权限控制、超时机制、日志记录、幂等设计和人工审批，形成可审计的执行链路。

四、长任务执行体现模型的系统能力

短问题通常只需要几秒钟的推理，而长任务可能持续数分钟甚至更久。任务时间越长，模型越容易出现目标漂移、上下文膨胀和中间状态丢失等问题。

要提升长任务稳定性，需要重点建设以下能力。

任务分解

复杂目标应被拆分为粒度适中的步骤。步骤过粗，模型难以判断进展；步骤过细，则会增加调度成本。理想的拆分方式是让每个子任务都有明确输入、输出和完成条件。

状态持久化

长任务不能只依赖上下文窗口。系统应保存任务目标、已完成步骤、待处理事项、关键中间结果和异常信息。这样即使发生中断，也可以从最近的检查点继续执行。

进度判断

模型需要知道任务是否真正完成。仅仅生成了一份文档，不代表文档符合要求；完成了一次查询，也不代表数据已经经过验证。系统应通过规则校验、结构检查或独立评审模型判断任务状态。

预算控制

复杂推理和多轮工具调用会带来较高的计算与时间成本。企业应用需要设置最大执行时长、调用次数和资源预算，避免模型在错误路径上无限循环。

因此，长任务能力并非单一模型特性，而是模型、调度器、记忆模块、工具层和监控系统共同作用的结果。

五、科学推理和代码执行为什么更能体现代际差异

在科学分析、工程计算和代码任务中，模型不仅要输出结论，还要保证过程可复现、结果可验证。

以代码任务为例，模型需要理解需求，设计实现方案，编写代码，运行测试，分析报错并继续修改。一次生成正确代码固然理想，但更重要的是模型能否在失败后定位原因。它需要区分语法错误、依赖缺失、逻辑错误、边界条件问题和环境配置问题，而不是简单重复原有方案。

科学任务也具有类似特点。模型需要提出假设，查找证据，进行计算，比较不同解释，并明确区分事实、推断和不确定性。单纯语言表达流畅并不能保证科学结论可靠。

这类任务之所以更能体现模型差异，是因为它们要求模型同时具备：

• 多步推理能力；
• 外部信息获取能力；
• 计算和验证能力；
• 错误诊断能力；
• 对不确定性的表达能力；
• 对最终结果负责的闭环意识。

六、安全能力不能只看“是否拒答”

当模型拥有更强的执行能力后，安全问题也会从内容安全扩展到操作安全。

一个系统即使能够拒绝明显危险请求，也不代表它具备完整的安全性。更重要的是，它必须在正常任务中控制权限边界，避免误删数据、越权访问、泄露敏感信息或执行不可逆操作。

建议从以下方面建立防护机制：

1. 最小权限：每个智能体只获得完成当前任务所必需的权限。
2. 分级审批：涉及资金、生产环境、用户隐私或批量修改的操作，应要求人工确认。
3. 沙箱执行：代码和文件处理应在隔离环境中运行，限制网络、磁盘和进程权限。
4. 操作审计：记录模型输入、工具调用、参数、返回结果和最终决策。
5. 可回滚设计：重要操作应支持撤销、备份和版本恢复。
6. 风险解释：模型需要说明执行依据、潜在影响和未解决的不确定性。

由此可见，能力越强，越不能只依赖模型自身的“自觉”。安全必须由模型、平台和业务流程共同保障。

七、企业应该如何重新设计模型评测体系

如果仍然只使用静态问答题评估模型，就很难判断其真实业务价值。更合理的方式是建立分层评测体系。

基础能力层

评估语言理解、知识问答、逻辑推理、数学计算和信息抽取能力。这一层适合发现模型的基本上限。

工具使用层

评估模型能否正确选择工具、填写参数、处理返回结果，并在调用失败后采取合理措施。

任务执行层

构造接近真实业务的长流程任务，观察模型是否能持续保持目标、管理状态、完成多轮操作并交付结果。

稳定性层

在输入模糊、数据缺失、工具异常和环境变化的情况下，测试模型是否能够降级处理，而不是输出自信但错误的结论。

安全合规层

评估模型在权限、隐私、敏感操作和高风险场景中的行为边界。

此外，企业还应关注完成率、平均执行时长、人工接管率、错误恢复率、资源消耗和结果可追溯性。这些指标往往比单一综合分数更接近实际生产价值。

八、AGI的判断标准需要从“聪明”转向“可靠地完成目标”

“通用人工智能”并没有一个所有人都完全一致的定义。若从工程视角观察，至少应关注以下特征：

• 能处理跨领域问题，而不是只在单一任务上表现突出；
• 能将自然语言目标转化为实际行动；
• 能在陌生环境中快速学习规则；
• 能使用工具并验证结果；
• 能在长流程中保持目标一致；
• 能识别自身不确定性并主动请求帮助；
• 能在约束条件下稳定完成任务；
• 能在安全边界内承担一定程度的自主性。

因此，判断一个模型是否接近AGI，不能只看它是否在某项测试中取得极高分数，也不能只看宣传中的单点能力。更有价值的问题是：它是否能够在开放环境中，面对不完整信息和持续变化的条件，可靠地完成一组跨领域任务。

结语：真正的升级，是把能力变成结果

新一代模型的关键变化，可能并不体现在每一道题都答得更好，而是体现在它能否把复杂目标转化为连续行动，并最终交付可验证的结果。

对于开发者而言，接下来的重点不应只是更换模型，还包括完善任务编排、状态管理、工具治理、权限控制、评测体系和人工接管机制。对于企业而言，模型选型也不应停留在榜单排名，而应结合自身业务构建真实任务集，观察模型在完整流程中的完成质量和风险水平。

从“会说话”到“会推理”，再到“会执行”，人工智能正在进入新的发展阶段。距离真正意义上的AGI还有多远，仍然需要持续验证；但可以确定的是，能够稳定完成复杂任务的系统，才更接近通用智能的实际形态。