Einsia AI 联合清华大学等 11 月 10 日发布 WorkflowArena，专门测模型能不能自己拆任务、派子 Agent、写工作流并整合结果。基准含 8 个专业领域 145 个长程任务，用隐藏验证器打分，并记录每一次委派。论文测了 9 个模型在 Claude Code 和 Codex 中的 25 种配置：最强的 Claude Opus 5.5（max）平均只完整解决 36.95% 的任务，SWE 最高 29.41%，法律不超过 9.09%。Claude 系倾向少而大的委派，GPT 系则多而小；Opus 写的工作流能让较弱执行模型平均多得 6.41 分。代码和论文已公开。
核心要点速览
- ✓规模：145 个长程任务、8 个领域、17 种任务形式（软件工程、Lean 形式化证明、法律、金融、科学、运维、内容、3D 等），测 9 个模型的 25 种配置
- ✓完整解决率：Opus 5.5（max）36.95%、Opus 5.5（high）34.11%；数学最高 95.83%，SWE 最高 29.41%，法律与金融分别不超过 9.09% 和 18.75%
- ✓成本：Opus（high）每任务约 736 万 token、6.66 美元；GPT-6.1 Sol（low）27.59%、3.61 美元；GPT-6 Astra（xhigh）30.80% 却要 29.26 美元（按 API 价格估算）
- ✓委派风格（high 档）：Opus / Sonnet 每任务 0.86 / 0.76 次工作流调用、每次 5.55 / 6.14 个 worker；Astra / Sol 2.09 / 1.94 次、每次仅 1.72 / 1.69 个
- ✓固定执行模型时，Opus 编写的工作流让 4 个较弱执行模型的连续得分平均提高 6.41 分，Astra 编写的则帮助有限，还让其中两个下降
开发者 3 秒速决决策指标
Claude Code 高频使用：比较订阅额度与 API 账单
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
Claude Code、Codex 这类 Agent 工具已经能让模型自己派生子 Agent、编写协调它们的工作流。但现有基准要么只看最终任务有没有完成，要么在预先定好的协作结构里测协调能力，都看不出模型「组织工作」的水平。Einsia AI 联合清华大学等 11 月 10 日发布 WorkflowArena，把工作流编排单独拿出来评测。
架构亮点与底层机制
每个任务给出初始工作区和一个由多个相互依赖部件组成的交付物，比如要在整组合同里互相对齐的条款分析，或层层依赖的数学证明。模型自行决定要不要委派、怎么委派；所有委派都经过一个有记录的接口，编排时间也算进同一个时间预算。隐藏验证器会专门检查「单个部件都对、但没整合好」的提交。
权威 Benchmark 与实测跑分对比
以下为论文数据：最强的 Opus 5.5（max）平均完整解决 36.95%，没有任何配置在所有领域都领先。Opus（high）以每任务 6.66 美元拿到 34.11%，GPT-6 Astra（xhigh）30.80% 却要 29.26 美元。Claude 系在 Claude Code 中委派少而大，GPT 系在 Codex 中多而小。Opus 写的工作流让较弱执行模型平均多得 6.41 分，说明编排能力和单独完成任务的能力并不相同。
开发者实战落地与开箱指南
任务、评测框架和论文已在 GitHub（Einsia/WorkflowArena）和 arXiv（2611.12856）公开，可在自己的 Agent 系统上复现。团队用 Claude Code、Codex 等多 Agent 工具时，可以参考：高难度长任务优先让强模型负责拆分和写工作流，再交给便宜模型执行；Claude 模型的 effort 档位对结果影响明显，值得单独调。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察