给 AI 造一间能反复重来的办公室。Plato 把 Gmail、Excel、Salesforce 复刻成模拟软件，用真人出的题和自动打分陪模型练手，10 月刚拿到 1600 万美元 A 轮，微软 AI CEO 也以个人身份跟投，AI 的能力评测正在变成一门生意。

想象一下，让 AI 替一家公司做第三季度的利润表，做完直接发给财务总监。收入里有一部分是加元，它按美元原样加了进去，收入就多出 3180 美元。这份表格格式整齐，条目齐全，大概不会有人马上发现哪里不对，它就这样送到了管理层手里。

这是 Plato 自己出的一道例题。在真公司里，这是一次让人头疼的事故；在 Plato 的模拟软件里，它只是 7 项检查里没通过的 1 项，改一改，重置，再来一遍。Plato 2025 年成立，总部在旧金山，专门给 AI 实验室造这样的练习环境。10 月 28 日，它宣布完成 1600 万美元 A 轮融资，由 Nava Ventures 领投，Gradient Ventures、Transpose Platform 参与，微软 AI CEO Mustafa Suleyman 也以个人身份投了钱。Nava 的创始人 Freddie Martignetti 进入董事会。加上之前由 Gradient 领投的种子轮，Plato 累计融资 1900 万美元。

这家公司做的事听起来很朴素：把常用的办公软件复刻一份，让 AI 随便练。但在我看来，难的是复刻之后的两件事，题目从哪里来，分数怎么给。

01 AI 开始动手做事以后，练习就不能再放到真软件里了

以前的 AI 主要回答问题，答错了，最多是误导人一下。现在的 AI 要去点软件、下订单、改记录，做错的代价就不一样了。Plato 的判断很直接：一个学着下单的模型，可能真的花掉一笔钱；一个练习行政事务的模型，可能真的改掉一条记录。所以他们把 Gmail、Excel、Salesforce、Jira 这类工具复刻成模拟软件，功能和真的一样，里面的钱和数据却都是假的，随时可以重置，像游戏读档那样重新来一遍。我看重的是重置这一点：能反复重来，同一道题才可以试出不同的做法，再比较哪一种更好。

再把真实岗位里的任务放进去，让模型反复做，做完打分，这就是强化学习（reinforcement learning）：模型自己动手试，根据得到的反馈慢慢变好。Plato 目前复刻了 210 个应用，从 Gmail、Excel 这样人人认识的，到开源的企业管理软件、病历系统、客服工单系统都有。任务覆盖客户支持、人事、财务、会计和医疗行政这些岗位，客户是 AI 实验室。

做这件事的两个人，之前都在训练电脑操作（computer-use）模型，也就是能看屏幕、点鼠标、敲键盘去用软件的模型。CEO Robert Farlow 在一家叫 Yutori 的公司做过标注平台，用来支持这类模型的训练。CTO Pranav Putta 做过计算机视觉、机器人和强化学习的研究，也在 MultiOn 训练过电脑操作模型。Nava 的创始人说，两人是来自 Waterloo（滑铁卢大学）和 Georgia Tech（佐治亚理工学院）的研究者和开发者，Nava 最早被他们吸引，是因为他们有办法成批做出高还原度的环境。

这个背景和 Plato 现在的方向很对得上。做过训练的人都清楚，模型学到什么，取决于它得到什么样的反馈。反馈从哪里来，先要有题目。

02300 道题都来自真正干这一行的人，用的是他们自己的工作

Plato 的题目不是凭空编的，是请真正做这些工作的人，把自己工作中的一小段做成一个环境。他们公布的第一版测试集叫 Computer Work Val v1.0（电脑工作评测第一版），一共 300 道题，来自 10 个领域、36 种岗位。作者所在的职业，都是美国数字化工作里劳动力成本占比最大的那些。金融与会计最多，75 道，占四分之一；工程与设计 64 道；法律与合规 42 道；再往后是医疗行政、市场营销、保险理赔、软件与 IT 等等。出题的有做预算和预测的 FP&A 分析师、做月结对账的会计、负责检验和放行的质量工程师、处理诉讼与和解的律师助理，也有核保员和负责用药安全的护士。

Plato 官网《Computer Work Val v1.0》文章的头图，是各种模拟办公软件的拼图。图片来自 Plato

想成为出题的人，要过五关：在相关机构工作、重度使用 AI、本行业干满 3 年；通过沟通能力和专业能力两轮面试；学习怎么做强化学习的任务；做一次 3 小时的试工；最后由领域专家和 Plato 的任务专员审核。题目里的数据来自作者自己的真实工作，人名和账户换成了假的，提示词也保持简短，就是工作真正派下来的样子。前面那道利润表，作者是一位高级会计，他每天用的 Excel、Gmail、收款用的 Stripe 和银行服务 Mercury 都被做成了模拟软件，上一季度的利润表就放在邮件里，和真实工作里一样。我留意到，数据只是换了名字，内容还是真实工作里的，练出来的东西才带着真实工作里那些杂乱的细节。

这个做法慢，也贵，但我认为它是 Plato 和别家最不一样的地方。据 Value Add VC 的分析，同类的创业公司 Deeptune 也做高还原度的环境，今年早些时候拿到 a16z 领投的 4300 万美元 A 轮，比 Plato 的钱多得多。有些环境公司靠算法批量生成模拟，Plato 选的是花钱请专业人士，把自己的工作搬进去。这轮钱的主要用途也在这里：继续付费请更多专业人士还原他们的工作，同时让 AI 智能体去做真实任务，攒更多经验。但题目只是一半，另一半是怎么给分。

03 最难的是打分，高分必须真的是活干对了

回到那份利润表。Plato 给分用的是一组检查程序（verifier，验证器），去检查 AI 做完以后留在模拟软件里的结果。这道题一共 7 项检查：版式和条目与上一季度一致，通过；发给了财务总监，通过；附上了最终的 .xlsx 文件，通过；退款已经从收入里扣掉，通过；47 笔第三季度交易全部分了类，通过；工资记在运营费用而不是销货成本里，通过；收入数字，没有通过，因为加元被当成美元加了进去，多了 3180 美元。我留意到，这 7 项没有一项是在评价写得好不好，每一项都能直接对着结果核对。

这个错算不算 AI 的错，取决于题目公平不公平。Plato 的要求是，完成任务要用的信息都得在环境里，而且放在这个岗位的人会去找的地方：Stripe 里每一笔加元付款旁边，都列着换算成美元的金额，正确的收入数字找得到。难度来自工作本身，比如在几个来源之间对账、处理互相矛盾的记录，不能来自信息缺失。每道题还要有后果，错了会带来财务或法律上的影响，或者伤到团队之外的人，或者很难撤回、很容易没人发现。每道题由同一职业的两位专家确认真实和公平，Plato 自己的团队再检查环境有没有缺陷、有没有可以钻的空子、提示词和评分对不对得上。

评分还要看过程。买东西买成了，但超出了预算，就不能算成功，这是 Plato 自己举的例子。Plato 的评测还会检查模型有没有利用模拟软件的漏洞去拿高分，这种行为叫 reward hacking（钻评分的空子）。CTO Putta 把要求讲得很直接：“我们做的评测要反映这份工作真正需要什么，这样开发者才能分清高分和真正做对的工作。”

我认为这是 Plato 最值得看的地方。模型训练时，分数就是老师。老师好糊弄，模型学会的就是怎么拿分，而不是怎么做事。模拟环境造得再像，评分有漏洞，练得越多，学偏得越厉害。Plato 自己也这样写过：模型能连续工作的时间变长以后，环境还原得够不够真就更重要了，否则就会出现钻空子和过拟合（overfitting，只会应付练过的题）。

04 最好的模型一次通过的比例是 58.5%，失败里多数代价不小

用这 300 道题，Plato 跑了一批主流模型。下面所有成绩，都是 Plato 在自己的评测上跑出来的，推理强度都开到 high（高）。指标是 pass@1（一次尝试就通过的平均比例），前五名依次是：Gemini 4 Argon 58.5%，Claude Opus 5.5 52.5%，GPT-6 Astra 43.1%，Grok 4.7 39.9%，Muse Wonder 39.6%。在我看来，这组数字最直接的意思是，最强的一个也有四成多的题没做对，还没有哪个模型能让人放手不管。

Plato 没有只给一个通过率。每道题的作者还给每一种失败贴了标签：这件事真发生在工作里，后果是“烦人”“代价不小”还是“严重”，会不会马上被人发现。结果是，各家模型失败的题里，被评为“代价不小”的占 62% 到 70%；被评为“严重”的，从 6% 到 14% 不等，Grok 4.7 最高，Claude Opus 5.5 和 Muse Wonder 最低。再看有没有人会发现：Claude Opus 5.5 有 17% 的失败，要到很晚才会被发现，甚至一直没人发现，GPT-6 Astra 是 20%，Grok 4.7 是 21%，Gemini 4 Argon 只有 9%。

同样是做错，一个错数在下次检查时就被人看出来，和一个错数一直躺在报表里没人发现，是两回事。只看通过率，这两种错分不出来。我比较在意的是，Plato 把它们分开记了。公司最后要问的，不只是模型能做对多少，还有做错的那一部分，会不会出大事，有没有人兜得住。

05 另一个评测让模型照着网站复刻，最强的一次要花 652 美元

10 月初，Plato 还发布了另一个评测，叫 Web Clone Bench（网页复刻评测）。规则是给模型 9 个作为参照的网页应用，要求做出一个功能完全一样的复刻版。模型看不到原来的代码，只能自己去点、去试，推测里面是怎么运作的。比如购物网站里，不同商品的下拉菜单选项不一样，衬衫有尺码，杯子有颜色，模型得自己发现这些差别。

Plato 官网《Web Clone Bench》文章的头图。图片来自 Plato

评分的思路和前面是同一个。Plato 请各领域的专家写下他们日常使用这个软件的详细流程，每条流程变成一个端到端的测试，在模型做出来的复刻版上重新跑一遍，检查每一步的结果、副作用和整个应用的状态是不是和真软件一样，视觉和功能都要比。我喜欢这个设计的一致：从利润表到网页，都是把真人的工作流程变成可以反复跑的检查。

成绩同样是 Plato 公布的。Claude Opus 5.5 在 xhigh（比 high 更高的一档）推理强度下综合得分 34.2%，是第二名 GPT-6 Astra（max 档，17.5%）的近两倍，但一次要花 652 美元、大约 5 小时 36 分钟。GPT-6.1 Sol 在 max 档拿到 12.6%，一次只花 25 美元。9 个模型里最低的 Gemini 3.8 Flash 只有 1.0%。单看得分，Opus 遥遥领先，但我会把 652 美元和五个半小时一起算进去：练一次要花几百美元，环境能不能反复重置、反复使用，这笔账就大不一样了。

再看模型的做法。Plato 把两个模型各一次复刻里的所有工具调用，画在同一条时间线上。Claude Opus 5.5 动手很快：2 分钟内开始改代码，第 8 分钟开始构建，第 13 分钟检查自己做出来的复刻版，26 分钟交出第一版，之后又改了好几个小时，探索、改代码、构建和检查同时进行，同一时刻大约用到五种工具。Grok 4.7 正相反：前 15 分钟只看参照网站，之后在研究和修改之间来回，从没构建过，最后几分钟才对照检查一次，就交了唯一一版，同一时刻平均只用 1.4 种工具。

我认为这个评测对 Plato 有两层用处。一层是看模型会不会主动探索、会不会为长任务做规划，做出一个能长期维护的软件，靠的就是这两样。另一层，它也是 Plato 手艺的展示：他们把复刻做到了可以拿来给最强的模型打分的程度。Plato 也明说，他们手里有几百个这样的网页和桌面应用环境，欢迎合作。

我自己的一点思考

把这些放在一起，Plato 做的事可以概括成一句话：让 AI 在一个错了也不要紧的地方，用真实的工作练习，拿到的分数还不会骗它。Nava 的创始人 Martignetti 把它看成一家“data lab”（数据实验室），在最前沿支持顶级模型的开发。这个判断我同意一半：造环境是体力活，也是手艺，但真正让数据有用的，是评分。

疑问当然也有。我先想到的是成本。请专业人士把工作一道一道搬进模拟软件，比算法批量生成贵得多，要证明这笔钱花得值，得看用 Plato 环境练出来的模型，是不是真的比用便宜的合成环境练出来的更好，这件事目前还没有答案。另一个我在意的是评分的来源。上面所有的成绩，都是 Plato 自己出题、自己定标准跑出来的，所以我更愿意把它们当成观察不同模型怎么做事的参考，而不是一张谁强谁弱的排名。

但我仍然看好这条路的方向。会计、律师、质检工程师、核保员做的工作，每一份都带着具体的软件、乱七八糟的数据和不能出的错。AI 想接手，就得先在一个够像的地方练过，被一个够严的老师打过分。想象一下，有一天一个 AI 要去处理你的报销、你的病历预约、你的合同审阅，你会希望它之前只在聊天窗口里被夸过，还是在一个有人专门盯着“多算了 3180 美元”的地方被扣过分？

让 AI 去上班之前，先让它被认真打几次分。

资料来源：

Plato，Plato Raises $16 Million to Build the Training Grounds for AI’s Next Leap Into Real Work（PR Newswire），2026-10-28原文 https://www.prnewswire.com/news-releases/plato-raises-16-million-to-build-the-training-grounds-for-ais-next-leap-into-real-work-302921832.html

Plato，Computer Work Val v1.0，2026-10-27原文 https://plato.so/research/computer-work-val/

Plato，Introducing Web Clone Bench v1，2026-10-05原文 https://plato.so/research/web-clone-bench/

Value Add VC，Plato Raises $16M Series A, Taps Microsoft AI’s Suleyman As Investor，2026-10-29原文 https://valueaddvc.com/pulse/plato-16m-series-a-ai-job-simulations-2026