AI能自己賺錢了：100美元狂賺50萬美金！

$OneMillion-Bench：價值百萬美金的專家級白領任務，AI已經能做大半了

如果有價值$100萬美金的頂級專家任務，AI能完成其中多少？

答案是48萬美金，而只需要100美元的Token費用。

這個數字怎么來的？Humanlaya Data Lab聯合北京通用人工智能研究院（BIGAI）、xbench、M-A-P，招募來自Morgan Stanley、世達（Skadden）、協和醫院、中國電網、清華大學等頂級機構或學府的100+位資深專家，耗時2000+小時，構建了等價于人類專家工作價值百萬美元級評測基準——$OneMillion-Bench。

隨著OpenClaw的爆火，人們越來越關注AI Agent能夠實際替人類完成的任務。$OneMillion-Bench的核心想法很直白：用“人類專家的時間與成本”給任務定價，再用“是否滿足專家要求”衡量模型交付質量——如果把AI當成“數字白領專家”，總價值100萬美金的任務，模型到底能賺多少錢？

圖1：$OneMillion-Bench模型表現和其獲取的經濟價值

「Agent能掙錢」成為日常，但行業更缺一把尺：可交付、可復核、可控

從2025Agent元年開始，AI逐漸從“答題機”推進到“數字員工”，但業界現有評測集往往缺乏對實際經濟價值的衡量，區分度不足、難以自動化且僅有英文語境，因此，$OneMillion-Bench構建了一套兼備高經濟價值×高區分度×可自動評測的基準。

它包含400道高難題目（200個英文題+200個中文題），覆蓋金融、法律、醫療、自然科學與工業五大領域的92個三級領域，與常見的考試題不同，每道題都是真實行業場景下的開放專家任務，采用Rubrics + LLM as Judge評測。要求模型給出可落地的實操方案與判斷鏈路，在這些開放問題上，不僅回答“是什么”，更要說明“怎么做、按什么順序做、為什么這么做”。

圖2：$OneMillion-Bench5個領域，37個二級和92個三級細分類別

之所以是$OneMillion，是因為這些任務真的很「貴」。

不同于傳統只評估模型準確率的榜單，我們用“錢”來標價每一道題的現實勞動價值——任務經濟價值=資深專家完成該任務的耗時×專家時薪。時薪錨定官方或行業權威數據，如中國部分城市人社局、美國勞動統計局，任務的耗時來自多個領域專家的共同評估。據此，把所有任務的經濟價值加和計算后，超過了100萬美元。如果在現實世界里把這些工作交給資深專家團隊完成，你需要支付的成本就是百萬美元量級。這樣一來，模型評測不再停留在分數上，而是更直觀地回答：AI現在到底能穩定交付多少“可兌現價值”，以及距離真正上崗還差什么。

表1：$OneMillion-Bench經濟價值計算

四大關鍵設計：多樣化真實場景+高價值任務+非對稱負分機制+高質量與一致性

（1）經濟價值出發，構建高真實性、高含金量專家任務

我們在評測中引入用貨幣度量的“經濟價值”，核心是衡量模型在真實世界中能創造多少可交付的經濟價值。開放式問題很難用單一標準答案衡量，我們邀請一線資深專家將真實工作流拆解為細顆粒度考點：每道題設計15–35個考點，累計7000+考點。題目覆蓋5–15年經驗從業者在真實場景中常見的典型任務，專家來自各類頭部機構，不只考知識點，更考驗特定場景下的專家級決策能力。

（2）引入“負分項”，防止Reward Hacking

在開放式任務里，模型最容易走向“越說越多、看起來越專業”，蒙到考點就得分。為了避免虛高，我們加入行文邏輯和結構、扣分項考點。模型如果只是堆砌內容，沒有合理的邏輯展開，無法“撞到”高分。在考點分值設置上，我們采取+10~-20的非對稱考點分值：正向能力給分更克制，明確或致命錯誤懲罰更重。這套結構的效果更接近真實使用體感——做對不一定加分很多，但做錯往往會帶來更大代價。

（3）覆蓋92個三級分類，含CN+Global兩大子集單獨區分中國大陸題目，場景足夠真實、豐富

我們將任務細化到覆蓋92個三級分類的真實崗位工作流；CN是中文題目，Global是英文題目，收集本地化、真實的題目，盡量還原真實的法規、流程與業務語境，從而更精準刻畫不同模型在特定地域業務場景中的能力差異。

（4）一套“像生產線”的專家Pipeline：讓高難Rubrics題可規模化、可質控

為了確保數據場景真實、考點合理，團隊在專家招募、選拔與培訓上投入大量成本，專家平均整體通過率低于5%，題目最終質檢通過率38.1%。數據生產采用3-4名專家協作的Pipeline，包含對抗性評審與仲裁機制。在難度控制上，我們采取雙向截斷策略，剔除過易樣本，對于過難樣本二次復審，確保數據質量。

圖3：$OneMillion-Bench題目示例

成績單解讀：SOTA的分數已經合格，但距離交付仍有距離

目前最強模型通過率超過40%，在100萬美元的任務上，大約可以產出50萬美元，而完成任務的API成本也就100美元左右！AI不但已經能“干活”，而且在極高難度、極高單價的專業任務里，已經能交付相當可觀的美元級別的價值。

表2：模型的平均通過率、平均分和可以產生的總經濟價值

Insight 1：成績已經合格，但離“可托付”還很遠

如果只看平均分，頭部模型已經進入了合格區間（60%+），第二梯隊也普遍在50%以上，說明AI在專業任務上確實能覆蓋不少關鍵點。但在真實工作里，平均分其實不夠用，未達到一定質量需要返工。因此，我們引入了更貼近落地的指標——通過率（Pass Rate）：單題得分達到70%及以上，本題才算“通過”。

基于這個定義，本榜單的Economic Value（經濟價值）也不是按平均分線性折算，而是嚴格按“可交付”口徑計算，只有通過的任務才計入“能賺到的錢”。平均分像“考試成績”，而通過率才是“上崗證”。

而從通過率的視角來看，即使是排名第一的 Claude Opus 4.6 Web Search，也驟降到43.5%，即只有不到45%的任務可以通過驗收，第二梯隊多在25~30%區間徘徊。換句話說，平均分看起來“能用”，但能在一半以上任務里穩定達到可交付標準的模型，目前還不存在。

目前，AI 已經能穩定交付一部分題目、并且能賺到很可觀的價值，但榜單也清楚告訴我們另一半真相：距離可交付專業任務仍有相當一段路程。

Insight 2：Web Search 是一把雙刃劍

Web Search 工具調用通常能顯著補齊事實，尤其在經濟金融領域的時效性問題，同樣適用于醫療、工業、法律中不斷迭代和演進的規范和約束。

但它也會引入噪聲與“看似權威的錯誤來源”，從而出現波動甚至回退。下一階段競爭不只是“有沒有搜索”，而是“會不會搜索”以及搜索工具的效果如何：會不會選源、會不會交叉驗證、會不會把證據鏈寫進推理、會不會在噪聲下保持一致性。

Insight 3：復雜推理仍是通用瓶頸，方向正確但缺乏可執行的細節

模型擅長寫一段看起來連貫的解釋，但一旦任務需要深層理解、多步演繹、或在巨大可能空間里探索，就仍會出現深度不足與準確性波動。典型例子包括軟件工程、機器學習相關任務中的探索式問題。這類任務必須先建立結構，再做推導，再做反證，再回溯修正。模型往往會在中途跳步，或者用看似合理的敘述替代真正的推理。

此外，模型容易給出方向正確但是缺乏可執行細節的回復。比如在醫療場景下，需要的是可執行的臨床要素，但模型容易泛泛而談，遺漏關鍵點。自然科學任務里存在類似的對實驗條件的預期不足、對約束不夠細、機制鏈條理解淺。這種失敗在真實落地里殺傷力很大，因為它看起來“很對”，但沒有可實踐的信息量。

One Step Further ——將把模型推進到“可交付”的那一步

如果站在2024年的視角，會覺得AI還是一個“大玩具”。但站在2026年、OpenClaw把Agent推到大眾面前之后，我們看到的是另一件事：AI已經能交付50萬美元級別的專業價值；接下來競爭的關鍵，是繼續提升這份價值，并且將這份價值變得更穩定、更可復核、更可控，使智能的邊際提升能直接轉化為生產力和收入。

$OneMillion-Bench的意義不在于“再做一個排行榜”，而是把“數字員工”的能力邊界量化出來：你今天和未來可以放心把哪些工作交給它？

關于Humanlaya

Humanlaya是一家成立于2025年的AI數據實驗室，通過定義真實、高經濟價值的可驗證任務，推動大模型能力邊界的拓展與經濟價值的落地。

網址：www.humanlaya.com

開源鏈接：

Paper：https://arxiv.org/abs/2603.07980

GitHub：

https://github.com/humanlaya/OneMillion-Bench

Hugging Face：

https://huggingface.co/datasets/humanlaya-data-lab/OneMillion-Bench

Website：

1. Humanlaya：www.humanlaya.com

2. BIGAI：https://www.bigai.ai

3. xbench：https://xbench.org

4. M-A-P：https://huggingface.co/m-a-p