Fable 5 đạt được tỷ lệ tự động hóa 16.1% trên Chỉ số Lao động Từ xa (Remote Labor Index, RLI), gần gấp đôi so với Opus 4.8 (8.3%) ở vị trí thứ hai và gấp 2.5 lần so với GPT-5.5 (6.3%) ở vị trí thứ ba.
Cả ba mô hình mới này đều vượt trội hơn tất cả các mô hình đã được đánh giá trước đó.
Ngay cả khi RLI được công bố cách đây 8 tháng, điểm số cao nhất trên bảng xếp hạng chỉ là 2.5%.
Trung tâm An toàn AI (CAIS) đã đưa ra nhận định trong bài blog mới nhất: Biên giới khả năng đã tăng hơn gấp bốn lần trong chưa đầy tám tháng, đây là tín hiệu cụ thể cho thấy năng lực kinh tế Agent đang được đẩy nhanh.
Chỉ số Lao động Từ xa đo lường điều gì
RLI được phát triển chung bởi CAIS và Scale AI, bài báo được công bố vào tháng 10/2025 (https://arxiv.org/pdf/2510.26787), với sự tham gia của 47 nhà nghiên cứu.
Benchmark bao gồm 240 dự án freelancer thực tế, tất cả đều từ 358 freelancer đã được xác minh trên nền tảng Upwork, bao phủ 23 lĩnh vực như mô hình 3D, CAD, thiết kế kiến trúc, thiết kế đồ họa, hoạt hình video, sản xuất âm thanh, phân tích dữ liệu, ứng dụng web, v.v., với tổng giá trị hơn 144.000 USD.
Chỉ số cốt lõi là Tỷ lệ Tự động hóa (Automation Rate): Tỷ lệ phần trăm các dự án mà thành phẩm do Agent giao, sau khi được con người đánh giá, ít nhất đạt đến mức có thể chấp nhận được đối với khách hàng trả phí.
Mỗi thành phẩm được so sánh trực tiếp với một tác phẩm "tiêu chuẩn vàng" được hoàn thành bởi một freelancer chuyên nghiệp, tiêu chí đánh giá là "một khách hàng hợp lý có chấp nhận công việc này hay không".
Thước đo này khác với các Benchmark AI truyền thống ở quy mô hạt của dự án.
Mỗi dự án trong RLI là một nhiệm vụ thương mại hoàn chỉnh — có bản Brief của khách hàng, có file đầu vào, có đầu ra đa định dạng (bao gồm 72 loại file), thời gian hoàn thành trung vị của một chuyên gia con người cho một dự án là 11.5 giờ, trung bình là 28.9 giờ.
Nó đo lường xem AI có thể độc lập hoàn thành một công việc "mà bên A sẽ trả tiền" từ đầu đến cuối hay không, chứ không chỉ là giải một bài toán trong môi trường biệt lập.
Từ 2.5% đến 16.1%: Điều gì đã xảy ra trong tám tháng
Khi RLI được công bố vào tháng 10/2025, mô hình Manus có tỷ lệ tự động hóa tốt nhất là 2.5%.
Sau đó, Opus 4.6 kết hợp với Claude Cowork đã đẩy kỷ lục lên 4.17%.
Trong đợt đánh giá mới nhất, ba mô hình mới kết hợp với các khung Agent mạnh hơn cùng xuất hiện, mang lại sự cải thiện vượt bậc.
Con số 16.1% của Fable 5 phía sau có một vài biến số then chốt.
Thứ nhất, Khung Agent đã giới thiệu Vòng lặp Người làm việc - Người phê bình (Worker-critic Loop): Một "Agent đánh giá" độc lập kiểm tra thành phẩm dưới góc nhìn của một khách hàng khó tính -> mở file, chụp màn hình, kiểm tra từng điểm trong brief -> nếu phát hiện vấn đề thì trả lại cho "Agent thực thi" để sửa đổi, lặp lại cho đến khi người đánh giá hài lòng hoặc hết ngân sách.
CAIS cho rằng cơ chế này đã biến việc bổ sung ngân sách thực sự thành chất lượng giao hàng tốt hơn.
Thứ hai, bản thân việc thiết lập ngân sách có sự khác biệt: Ngân sách tối đa cho mỗi dự án của Fable 5 là 150 USD (do giá Token cao hơn), trong khi các mô hình khác là 50 USD.
Thứ ba, tất cả các Agent đều được cấp thời hạn 24 giờ, GPU A100 và các công cụ thao tác máy tính.
Cần lưu ý một điểm: Việc đánh giá Fable 5 bị gián đoạn do lệnh cấm xuất khẩu của chính phủ Hoa Kỳ, chỉ 218 trong số 240 dự án được hoàn thành.
CAIS chỉ ra rằng 22 dự án chưa được đánh giá phân bố đều trên các lĩnh vực và phạm vi độ khó, ngay cả khi giả định Fable 5 thất bại trong tất cả các dự án bị thiếu, tỷ lệ tự động hóa của nó vẫn là 14.6% — vẫn cao hơn tất cả các mô hình khác.
AI làm trọng tài, không đáng tin cậy
CAIS đã đồng thời kiểm tra xem liệu có thể sử dụng đánh giá bằng AI để thay thế cho việc đánh giá bằng con người đắt đỏ hay không.
Kết luận rất rõ ràng: Không thể.
Khi đánh giá tự động được hiệu chỉnh trên các mô hình cũ và áp dụng cho các mô hình mới, điểm số đánh giá cho GPT-5.5 bị đánh giá cao gần gấp 3 lần, cho Opus 4.8 bị đánh giá cao khoảng 2.5 lần.
Thứ tự xếp hạng về cơ bản là đúng, nhưng các giá trị tuyệt đối lại sai lệch nghiêm trọng so với thực tế.
Nguyên nhân gốc rễ của vấn đề nằm ở chỗ, bản thân việc đánh giá cũng là một nhiệm vụ Agentic khó khăn.
Để phán định công bằng một thành phẩm, người đánh giá cần mở file bằng phần mềm chuyên môn phù hợp, thao tác phần mềm, đưa ra phán đoán như một khách hàng trả phí — và đó chính xác là điểm yếu nhất của Agent hiện tại.
CAIS đã đưa ra một trường hợp điển hình trong bài blog: GPT-5.5 đã nộp hình ảnh render giả trong một nhiệm vụ mô hình 3D, chỉ khi mở mô hình 3D để kiểm tra cấu trúc hình học thực tế mới phát hiện ra gian lận.
Trọng tài AI đã gặp phải điểm tắc nghẽn về năng lực tương tự như Người làm việc AI.
16% đại diện cho điều gì, không đại diện cho điều gì
Giả thuyết "Đường chân trời Thời gian" (Time horizon) đã không còn đúng trên RLI.
Giả thuyết này cho rằng nhiệm vụ càng tốn nhiều thời gian của con người thì càng khó đối với AI, điều này đúng trong các lĩnh vực cụ thể như lập trình, nhưng lại không áp dụng cho công việc từ xa đa dạng mà RLI bao phủ.
Tỷ lệ thành công của mô hình không giảm khi thời gian hoàn thành của con người tăng lên, mà thể hiện đặc trưng "biên giới răng cưa" (jagged frontier) — các yếu tố quyết định liệu AI có thể hoàn thành một dự án còn nhiều hơn cả độ phức tạp về thời gian.
Tốc độ tiến bộ nhanh, nhưng trình độ tuyệt đối vẫn còn rất thấp.
CAIS đã trình bày ba trường hợp nghiên cứu về Fable 5 trong bài blog — mô hình 3D trang sức, quảng cáo hoạt hình 2D, bản vẽ kiến trúc — không có trường hợp nào đạt được tiêu chuẩn chuyên nghiệp có thể giao hàng.
Thiết kế nhẫn do Fable 5 thực hiện có chất lượng hình ảnh vượt trội hơn hẳn so với các mô hình cũ, nhưng kiểm tra kỹ vẫn có thể nhận ra thiết kế móng vuốt còn thô ráp.
84% dự án freelancer thực tế vẫn nằm ngoài khả năng của AI.
Giá trị của RLI nằm ở chỗ nó cung cấp một thước đo đã được hiệu chỉnh theo giá trị kinh tế.
Nó không theo dõi việc AI có thể giải bài toán hay không, mà theo dõi việc AI có thể kiếm tiền hay không.
Tỷ lệ tự động hóa tăng hơn gấp bốn lần trong vòng 8 tháng, tốc độ này đáng để mọi doanh nghiệp và nhà hoạch định chính sách phụ thuộc vào lao động từ xa theo dõi liên tục.
Mốc then chốt tiếp theo là: Kết quả đánh giá bổ sung 22 dự án còn lại của Fable 5, và đường cong này sẽ tăng tốc như thế nào, liệu có nhanh chóng vượt qua người thường với tốc độ cấp số nhân hay không, sau khi các mô hình mới như Gemini 3.5 Pro (hiện chỉ 1.25%) và GPT-5.6 thực sự ra mắt.
Tài liệu tham khảo:
https://labs.scale.com/leaderboard/rli
https://safe.ai/blog/significant-increase-in-digital-labor-automation
Bài viết từ tài khoản công chúng WeChat "Xinzhiyuan", tác giả: ASI Apocalypse
