Chat GPT Agent模式发布！

Chat GPT Agent模式发布！ Chat GPT Agent模式发布！ Modified July 18, 2025 性能基准 ChatGPT Agent 在基准测试中得到了验证，超越了以往模型。其在多个领域接近甚至超越了人类专家的。 高难度智能测试 Humanity’s Last Exam (HLE) 是一个衡量 AI 在各学科专家级问题上表现的综合性测试。Agent 模式凭借其动态规划和自主选择工具的能力，取得了 41.6% 的新 SOTA 成绩。 更有趣的是，当采用“学习小组”策略（并行运行 8 次，选择置信度最高的答案）时，分数进一步提升至 44.4% 。 Humanity's Last Exam FrontierMath 是在目前已知的最难数学基准测试，包含了人类专家都需要数小时甚至数天才能解决的新问题，ChatGPT Agent 利用代码执行等工具，取得了 27.4% 的准确率，远超之前的模型。 FrontierMath 真实世界任务基准 WebArena 和 BrowseComp 两个基准测试专注于评估 Agent 的网页浏览和信息检索能力。在 WebArena 上，Agent 模式超越了 o3 驱动的 CUA 模型；在 BrowseComp 上更是创下 68.9% 的新纪录，比 Deep Research 高出 17.4个百分点。 WebArena BrowseComp 在模拟真实电子表格编辑任务的 SpreadsheetBench 中，ChatGPT Agent 的表现尤为突出。在能够直接访问和编辑 .xlsx 文件的情况下，其准确率高达 45.5% ，远超 Copilot in Excel 的 20.0%，并已接近 71.3% 的人类水平。 SpreadsheetBench 在 DSBench 数据科学基准测试中，Agent 的表现更是惊人，在数据分析和数据建模两个子任务上均 大幅超越了人类专家 的表现。 DSBench 在一系列内部专业基准测试中，Agent 的能力同样得到了验证。 例如，在模拟 投资银行分析师（Economically important tasks） 工作（如为财富 500 强公司制作三表模型）的测试中，Agent 的平均准确率高达 41% ，显著高于 Deep research 和 o3。 在其他 具有经济价值的复杂知识工作 中，Agent 的产出在约一半的情况下与人类专家相当或更优。 Economically important tasks 总结 模型的训练与能力 • 模型经过训练，能够根据任务需求智能选择工具，例如在餐厅预订任务中先使用文本浏览器搜索候选餐厅，再切换到视觉浏览器完成预订。 • 模型具备协作能力，能够在任务执行过程中请求用户澄清或确认，确保任务高效完成。 Agent的性能评估 • Agent模型在多个基准测试中表现优异，包括解决复杂问题的能力、网页任务处理和信息检索效率。 • 模型在真实场景中的任务解决率显著提升，尤其是在结合工具使用时。 安全与风险提示 • 团队关注新型攻击如指令注入，已训练模型忽略可疑指令并设置多层监控机制。 • 用户需谨慎处理敏感信息，建议使用接管模式直接输入信息而非通过Agent传递。 发布计划与用户配额 • Chat GPT Agent将首先面向Pro Plus和Team用户推出，Pro用户每月可获得400次查询，Team用户每月40次。 • Enterprise & EDU 用户 ，预计本月底前上线 • 企业版预计在年底前推出。 性能基准 ChatGPT Agent 在基准测试中得到了验证，超越了以往模型。其在多个领域接近甚至超越了人类专家的。 高难度智能测试 Humanity’s Last Exam (HLE) 是一个衡量 AI 在各学科专家级问题上表现的综合性测试。Agent 模式凭借其动态规划和自主选择工具的能力，取得了 41.6% 的新 SOTA 成绩。 更有趣的是，当采用“学习小组”策略（并行运行 8 次，选择置信度最高的答案）时，分数进一步提升至 44.4% 。 Humanity's Last Exam FrontierMath 是在目前已知的最难数学基准测试，包含了人类专家都需要数小时甚至数天才能解决的新问题，ChatGPT Agent 利用代码执行等工具，取得了 27.4% 的准确率，远超之前的模型。 FrontierMath 真实世界任务基准 WebArena 和 BrowseComp 两个基准测试专注于评估 Agent 的网页浏览和信息检索能力。在 WebArena 上，Agent 模式超越了 o3 驱动的 CUA 模型；在 BrowseComp 上更是创下 68.9% 的新纪录，比 Deep Research 高出 17.4个百分点。 WebArena BrowseComp 在模拟真实电子表格编辑任务的 SpreadsheetBench 中，ChatGPT Agent 的表现尤为突出。在能够直接访问和编辑 .xlsx 文件的情况下，其准确率高达 45.5% ，远超 Copilot in Excel 的 20.0%，并已接近 71.3% 的人类水平。 SpreadsheetBench 在 DSBench 数据科学基准测试中，Agent 的表现更是惊人，在数据分析和数据建模两个子任务上均 大幅超越了人类专家 的表现。 DSBench 在一系列内部专业基准测试中，Agent 的能力同样得到了验证。 例如，在模拟 投资银行分析师（Economically important tasks） 工作（如为财富 500 强公司制作三表模型）的测试中，Agent 的平均准确率高达 41% ，显著高于 Deep research 和 o3。 在其他 具有经济价值的复杂知识工作 中，Agent 的产出在约一半的情况下与人类专家相当或更优。 Economically important tasks 总结 模型的训练与能力 • 模型经过训练，能够根据任务需求智能选择工具，例如在餐厅预订任务中先使用文本浏览器搜索候选餐厅，再切换到视觉浏览器完成预订。 • 模型具备协作能力，能够在任务执行过程中请求用户澄清或确认，确保任务高效完成。 Agent的性能评估 • Agent模型在多个基准测试中表现优异，包括解决复杂问题的能力、网页任务处理和信息检索效率。 • 模型在真实场景中的任务解决率显著提升，尤其是在结合工具使用时。 安全与风险提示 • 团队关注新型攻击如指令注入，已训练模型忽略可疑指令并设置多层监控机制。 • 用户需谨慎处理敏感信息，建议使用接管模式直接输入信息而非通过Agent传递。 发布计划与用户配额 • Chat GPT Agent将首先面向Pro Plus和Team用户推出，Pro用户每月可获得400次查询，Team用户每月40次。 • Enterprise & EDU 用户 ，预计本月底前上线 • 企业版预计在年底前推出。 OpenAI 正式推出 ChatGPT Agent，用户可以通过菜单选择或输入指令启动Agent模式。其具备长期和通用任务处理能力，可以无缝切换思考与行动，一键操作就能自动完成网页浏览、报告撰写、PPT制作等。 打开 ChatGPT 后，你便会看到这个 ChatGPT Agent 发布会实录 原视频在这 https://www.youtube.com/watch?v=1jn RpbPbEc 另有一份官方博客，在此： https://openai.com/index/introducing chatgpt agent 开场：Agent 的诞生 发布会由 Sam Altman 开场。 他回顾了之前发布的 Deep Research 和 Operator，指出用户真正的需求是希望将这些强大的能力整合起来，形成一个统一的、能使用电脑完成复杂、长周期真实世界任务的 AI 智能体。 为此，OpenAI 整合了 Operator 和 Deep Research 团队，共同打造了今天的主角——ChatGPT Agent。 核心研发团队亮相 核心能力 ChatGPT Agent 的核心是拥有一个自己的虚拟电脑环境，并配备了各种工具 浏览器（Browser） 包含文本和视觉两种模式。文本模式（类似 Deep Research）可以高效抓取信息，而视觉模式（类似 Operator）能像人一样点击、拖拽，与复杂的网页 UI 交互 终端（Terminal） 允许 Agent 运行代码、生成和分析文件（如 Excel 表格、PPT 幻灯片），甚至调用外部 API API 连接 Agent 可以连接到公共 API，也可以通过连接器安全地访问用户的私有数据源，如 Google Drive、GitHub 等 图像生成 集成了图像生成能力，可以为报告或幻灯片创建视觉素材 Agent 的虚拟电脑屏幕 功能演示：复杂的婚礼策划 团队展示了一个非常贴近生活的复杂任务：帮助朋友策划婚礼行程。 任务下达 用户提供了一个婚礼网站链接，要求 Agent 推荐符合着装要求的服装、寻找酒店并挑选礼物。 执行过程 Agent 首先访问婚礼网站，提取关键信息（日期、地点、着装要求）。接着，它搜索天气信息，并根据温暖气候推荐了合适的服装选项。然后，它在 Booking.com 上搜索并比较了附近的酒店。最后，它还搜索了合适的结婚礼物建议。 Booking.com 结果交付 Agent 生成了一份详细的《婚礼准备报告》，清晰地列出了活动概览、服装推荐、酒店选项和礼物建议，所有信息都有来源链接和截图作为佐证。 Agent 生成的婚礼策划报告 在生成的过程中，可以追加任务，如“为我们团队的启动仪式制作一些 swag 贴纸，并从 StickerMule 订购 500 575 张。” Agent 立即理解了新指令，开始利用图像生成工具设计贴纸，并访问 StickerMule 网站准备下单。 为团队吉祥物设计的动漫风贴纸 功能演示二：Agent 评估自己 为了展示 Agent 处理数据和生成文件的能力，团队进行了一个“元任务”（meta task）：让 Agent 评估自己的性能。 任务 “从 Google Drive 连接器中拉取 ChatGPT Agent 的评测数据，并制作成带图表的幻灯片。不需要引言和结论，只呈现带图表的结果。” 执行 Agent 通过 API 连接到 Google Drive，找到了评测数据文件。接着，它使用终端（Terminal）编写并运行代码，处理数据、生成图表，并最终将所有内容整合到一个 PowerPoint（.pptx）文件中。 结果 Agent 成功生成了一份专业的幻灯片，其中包含了多个基准测试的对比图表。 Agent 自己做的业绩报告 PPT