OpenAI近日披露了与合同管理软件公司Ironclad的研究合作成果：将法务运营、商务、采购领域的11项真实流程任务，转化为智能体可反复练习与评分的训练场。参与评测的GPT-6 Astra平均得分55.0%，高于GPT-5.6 Sol的41.6%，单次任务估算耗时从37.0分钟降至19.2分钟。
从"会用电脑"到"懂业务规则"
这项合作的核心问题意识是：不再只问模型能不能操作电脑，而是问它能否在专业软件里理解企业规则、执行多步骤流程，并核对结果是否满足最初要求。以"搭建软件采购流程"为例：超过一定金额需财务批准、部分请求需安全团队审查、非标准条款需法务审核——智能体必须把这份简短清单转化为采购申请表单、文件模板、审批规则与协议记录，并在额度上下、不同司法辖区等各种情形下都保持正确。
Ironclad提供了其产品的托管软件环境供模型反复练习，OpenAI研究人员则围绕代表性工作流构造合成训练任务，用强化学习让模型在"练习—反馈"循环中持续改进。每项任务依据8到50条细粒度标准评分，而非简单的成败二值判断。
数字背后的克制解读
需要指出的是，这11项任务样本量有限，且是OpenAI自家的研究评测而非独立第三方基准；耗时为估算的模拟时间而非生产实测；两代模型还使用了不同的推理档位。因此它更适合被视为方向性证据：在真实软件环境+分项评分+强化学习的组合下，针对特定软件做专项训练，确实能同时提升完成度与效率。OpenAI称，一个内部更强的模型在这些任务上已达到63.7%，相关收益有望带入后续模型。
行业信号：垂直工作流成为新燃料
对行业而言，信号明确：前沿实验室正在与垂直软件厂商结对，把专业工作流变成可训练、可评分的任务。谁掌握高质量的任务定义与练习环境，谁就握有下一轮智能体能力提升的原料。对企业买家而言，评估智能体时也应要求类似的逐项验收标准，而不只看演示中的最终成败。