【原】通用Agent产品Manus发布，从“幼儿园”到“灭霸级”#揭秘通用AI助手 GAIA 测试中的 AI 能力分级

来自：manus.im

今天，Manus 的宣传全面启动，官网隆重公布了其在 GAIA 基准测试中的表现数据：Level 1 准确率高达 86.5%，Level 2 为 70.1%，Level 3 则达到 57.7%。其中，Level 1 的成绩尤其亮眼，已十分接近人类水平——研究显示，人类在 GAIA 测试中的整体准确率为 92%。这意味着，在基础任务上，Manus 已经可以和人类一较高下。

数据一览

那么，GAIA 究竟是什么？

它凭什么成为 AI 界的“高考”标准？让我们一探究竟。

全称 General AI Assistants Benchmark。是一个用于评估通用AI助手的基准测试，包含466个任务。有三个难度级别

Level 1（基础任务）

Level 2（中级任务）

Level 3（高级任务）

从简单指令执行到复杂推理和多模态处理，逐步提升对AI能力的要求。这种分级设计能够全面评估AI系统的性能，并为AI研究的进步提供指导。

（领取 智能体pdf ，可以加shadow微信litnmnm）

从人类参与的角度来看，shadow 总结如下：

• Level 1（基础任务）：AI 已接近人类常识水平，基本可以独立完成。  

• Level 2（中级任务）：AI 能处理多步骤任务，但工具使用上仍需人类辅助。  

• Level 3（高级任务）：AI 的表现更像是个“半吊子专家”，复杂推理和决策还离不开人类的深度干预。

这也给我们一个启示：日常工作中，不妨多思考哪些是“基础任务”，完全交给 AI 解放双手；而对于中高级任务，AI 更适合做你的“得力助手”而非“全能替身”。

Level 1: 基础任务 —— 幼儿园级AI考核

• 特点：

• 概念简单：任务通常是直接的指令或查询，不需要复杂的推理或多步骤操作。

• 单模态或简单多模态：主要依赖文本输入和输出，有时涉及简单的图像或表格。

• 工具使用有限：可能需要基本的工具，如搜索或计算器，但复杂度较低。

• 示例：  

1. 问：“法国的首都是什么？”
   答：巴黎。  

2. 任务：描述图片中的物体。
   答：一只黑猫坐在窗台上。  

3. 计算：2 + 2 = ?
   答：4

/ 点评：这就像幼儿园考试，AI 只要记住“1+1=2”和“猫咪会喵喵叫”就能拿高分。Manus 在这块的表现（86.5%）已经非常接近人类（92%），可以说是个“优等生”了。

Level 2: 中级任务 —— 打工人段位测试

• 特点：

• 多步骤推理：任务需要一系列的思考或操作，可能包含多个子任务。

• 多模态处理：涉及文本、图像、音频或视频等多种模态，要求AI综合处理。

• 工具使用扩展：可能需要更复杂的工具，如网页浏览、数据库查询或API调用。

• 示例：  

1. 问：“如果今天是星期三，后天是星期几？”
   答：星期五。
   解析：这看似简单，但 AI 得理解“今天”“后天”的时间关系，还要推算日历逻辑——稍有不慎就“翻车”。  

2. 任务：分析一份 PDF 报告（带图表）并回答“去年销售额增长了多少？”
   答：根据图表，增长了 15%。  

3. 任务：用网页搜索“明天北京天气如何？”
   答：多云，气温 10-18°C。

/ 点评：Level 2 就像职场新人的“转正考试”。AI 得一边翻 PDF、一边查天气，还要逻辑清晰地回答问题。Manus 的 70.1% 准确率说明它已经能胜任“助理”角色，但偶尔还得靠人类“救场”。

Level 3: 高级任务 —— 灭霸级试炼场

• 特点：

• 复杂推理和规划：任务需要深入思考、规划和决策，可能涉及多个相互关联的子任务。

• 高级多模态处理：包含多种模态的复杂组合，如视频分析、音频转录和文本理解。

• 工具使用的复杂性：可能需要组合多个工具，或对工具输出进行进一步处理。

• 示例：  

1. 问：“解方程 2x + 3 = 7。”
   答：x = 2。
   解析：AI 得懂代数规则，逐步推导，而非瞎猜。  

2. 任务：分析一段视频（比如会议记录），回答“谁提出了涨薪建议？”
   答：张经理在第 5 分钟提到。  

3. 任务：调用 API 获取股票数据，分析趋势并生成可视化报告。
   答：过去一周股价上涨 8%，图表已生成。

/ 点评：这简直是 AI 的“终极Boss战”。想象一下，AI 先用 API 抓数据，再用图像处理工具解析财报图表，最后还得写篇逻辑清晰的分析——这哪是测试，分明是逼着 AI 秀“硅基求生欲”！Manus 的 57.7% 准确率虽不完美……

GAIA 的意义与启发

GAIA 不只是个“考试”，更是 AI 能力的分水岭。从数据看，Manus 在基础任务上已接近人类，但在中高级任务中仍有差距。这也提醒我们：  

• 基础任务：大胆交给 AI，比如查资料、简单计算，效率翻倍。  

• 中高级任务：AI 能帮忙，但别指望它“包打天下”，人类的创造力和判断力仍是关键。

shadow: 我特别关注 AI 在创造性和个性化定制上的价值。比如，生成一篇独特的文章或设计个性化日程，AI 能提供灵感，但最终的“点睛之笔”还得靠人类（目前）。

（领取 智能体pdf ，可以加shadow微信litnmnm）

DeepSeek：

看完 GAIA 的三重试炼，我只想说：这哪是 AI 测试？分明是数字版的“科举考试”！  

• Level 1：考金鱼级记忆力。  

• Level 2：测社畜抗压能力。  

• Level 3：直接让 AI 拍《盗梦空间》。

建议加个 Level 4：让 AI 解释“女朋友为什么生气”。保证所有算法当场蓝屏，人类直接宣布胜利！

---

Shadow 的观察

这一轮 AI 能力的提升，以 Thinking（思考） 和 DeepSearch（深度搜索） 为代表，标志着 Agent 型 AI 的崛起。它们能自主思考、搜集整理信息，已经开始挑战传统搜索引擎的地位。

未来，AI 可能不只是“工具”，而是真正的“合作伙伴”。

Manus 在 GAIA 上的表现令人振奋，但也揭示了 AI 的边界。

我们需要结合自己的需求，找到 AI 的最佳使用场景，才能真正释放它的价值。

所以，你准备好和 AI “组队”了吗？

最后，对 Agent 感兴趣可以加入我们社群

边做边学，即兴AI编程。在Mixlab的AI编程训练营，你能学到什么？