用 Ironclad 推进计算机操作：OpenAI 把合同工作流变成智能体训练场

2026年10月6日，OpenAI 发布了与合同管理公司 Ironclad 的研究合作成果。表面上，这是一篇关于合同软件的案例；实质上，它披露了 OpenAI 下一阶段训练智能体的方法：不再只问模型能不能操作电脑，而是问它能否在专业软件里理解企业规则、执行多步骤流程，并核对结果是否满足最初的要求。OpenAI 称，此前发布 GPT-6 Astra 时已经展示了模型在准备文档、测试网站等专业工作中使用电脑的能力，下一个目标是让智能体更高效地使用专业软件解决复杂的业务问题。为此，OpenAI 选择直接与少数最懂这些流程的软件公司合作，Ironclad 是第一家。 任务设计是这项工作的核心。以法务运营团队搭建软件采购流程为例：超过一定金额要财务批准，部分请求要安全团队审查，非标准条款要法务审核。搭建者必须把这份简短清单转成采购申请表单、文件模板、审批规则和最终协议的记录。智能体要做同样的事，就得在整个操作过程中始终记住这些要求，比如在超过额度时配置财务审批，并检查额度以上和以下的请求是否走了正确的路径。单步正确并不够，成品流程必须在设计所覆盖的各种情形下都能运转。Ironclad 员工和在 OpenAI 内部使用 Ironclad 的人帮助研究人员确定了涉及法务、商务和采购的 11 项任务，包括设置保密协议、创建采购审批流程，以及更新可复用的法律条款，使其随请求人选择的司法辖区而变化。OpenAI 估计，经验丰富的用户完成每项任务平均需要 30 到 40 分钟。

评测与训练的做法同样值得细看。每项任务依据 8 到 50 条标准评分，具体数量取决于任务的复杂度，因此能看出模型哪些部分做对了、哪里有不足，而不是只得到一个成败结论。Ironclad 还提供了其产品的托管软件环境，让模型可以在其中反复练习。OpenAI 的研究人员围绕有代表性的工作流构造了合成训练任务，并用强化学习让模型通过练习和反馈不断改进。把这三样放在一起：由懂行的人挑选任务，细致的评分标准，加上可供练习的真实软件环境，这就是 OpenAI 所说的，确保改进发生在对客户最重要的真实任务上。从方法论上看，这种真实环境、分项评分与强化学习的组合，比单纯依靠公开基准更接近企业实际的验收方式。 结果方面，OpenAI 比较了 GPT-6 Astra 与 GPT-5.6 Sol，并分别采用各自得分最高的设置：Astra 使用 Max 推理，Sol 使用 High 推理。在 11 项研究任务上，Astra 的平均得分为 55.0%，Sol 为 41.6%，相对提升约 32%；估算的每次尝试平均耗时从 Sol 的 37.0 分钟降到 Astra 的 19.2 分钟，降幅约 48%。在同一项任务的演示片段中，Astra 满足约 94% 的标准，估算用时约 20 分钟；Sol 满足约 85%，估算用时约 32 分钟。另外，Astra 开发过程中使用的一个内部模型在这些任务上取得了 63.7%，OpenAI 表示希望把这些更强的收益带到后续模型。GPT-6 Astra 是第一个在 Ironclad 任务上训练的前沿模型。

解读这些数字需要克制。样本只有 11 项任务；这是 OpenAI 自己的研究评测，不是独立第三方基准；耗时是估算的模拟时间，不是生产环境中的实测；两个模型也使用了不同的推理档位。因此，它更适合被看作方向性证据：针对特定软件做专项训练，确实能同时提升完成度和效率。对 Ironclad 而言，合同流程必须在处理例外的同时守住企业所依赖的规则，这正是这次合作想要检验的能力。对行业而言，信号更加明确：前沿实验室正在与垂直软件厂商结对，把专业工作流变成可训练、可评分的任务。谁掌握了高质量的任务定义和练习环境，谁就握有下一轮智能体能力提升的原料。企业在评估智能体时，也应当要求类似的逐项标准，而不只看最终的成败。

从工程角度回看，这项合作最有价值的地方在于它把“验证”写进了任务本身。OpenAI 在文中强调，目标是让模型理解企业的业务规则、执行多步骤流程，并核对工作成果是否满足最初的要求。这三件事环环相扣：不理解规则，就无法正确配置审批；不能连续执行，就无法把表单、模板和条款串成完整流程；不会自我核对，就无法发现某条路径在额度之上或之下走偏了。传统的计算机操作评测往往只检查某个界面状态是否到达，而合同场景要求的是整套流程在多种输入下都成立，这对智能体的长程规划与回头检查能力提出了更高的要求。同样，这类任务也改变了企业对“可用”的定义。一个只能在理想路径上点对按钮的智能体，在法务和采购部门眼中几乎没有价值，因为这些部门最在意的恰恰是例外情形与规则边界。如果专项训练能够持续缩小模型与熟练用户之间的差距，同时把单次尝试的时间减半，那么复杂配置类工作的成本结构就会改变。不过，这一结论仍有待更多任务、更多独立评测以及真实部署数据的检验，现阶段不宜把 11 项任务上的成绩直接外推到所有专业软件。