【洞察】「更难、更真实、更不可刷题」——这三条标准本质上是在要求 benchmark 向「真实工作」靠拢，而非向「考试题」收敛。但这恰恰引出了一个悖论：越真实的 benchmark，越难自动化评分，越贵（METR 每题 8000 美元），越慢发布。AI 评测体系正在面临「评测速度 vs 评测质量」的根本性权衡。

452 个任务跨越投资银行、管理咨询、公司法三个领域——这三个领域是全球「知识密集型工作」的代表，也是最难被 AI 替代的白领职业。APEX-Agents 选择这三个领域作为 benchmark，本身就是一个宣言：AI 已经准备好挑战那些曾经被认为「最安全」的专业工作。而最高分只有 33.3% 这个事实同样是一个宣言：这个挑战才刚刚开始。