用 Ironclad 推進計算機操作：OpenAI 把合同工作流變成智慧體訓練場

2026年10月6日，OpenAI 釋出了與合同管理公司 Ironclad 的研究合作成果。表面上，這是一篇關於合同軟體的案例；實質上，它披露了 OpenAI 下一階段訓練智慧體的方法：不再只問模型能不能操作電腦，而是問它能否在專業軟體裡理解企業規則、執行多步驟流程，並核對結果是否滿足最初的要求。OpenAI 稱，此前釋出 GPT-6 Astra 時已經展示了模型在準備文件、測試網站等專業工作中使用電腦的能力，下一個目標是讓智慧體更高效地使用專業軟體解決複雜的業務問題。為此，OpenAI 選擇直接與少數最懂這些流程的軟體公司合作，Ironclad 是第一家。 任務設計是這項工作的核心。以法務運營團隊搭建軟體採購流程為例：超過一定金額要財務批准，部分請求要安全團隊審查，非標準條款要法務稽核。搭建者必須把這份簡短清單轉成採購申請表單、檔案模板、審批規則和最終協議的記錄。智慧體要做同樣的事，就得在整個操作過程中始終記住這些要求，比如在超過額度時配置財務審批，並檢查額度以上和以下的請求是否走了正確的路徑。單步正確並不夠，成品流程必須在設計所覆蓋的各種情形下都能運轉。Ironclad 員工和在 OpenAI 內部使用 Ironclad 的人幫助研究人員確定了涉及法務、商務和採購的 11 項任務，包括設定保密協議、建立採購審批流程，以及更新可複用的法律條款，使其隨請求人選擇的司法轄區而變化。OpenAI 估計，經驗豐富的使用者完成每項任務平均需要 30 到 40 分鐘。

評測與訓練的做法同樣值得細看。每項任務依據 8 到 50 條標準評分，具體數量取決於任務的複雜度，因此能看出模型哪些部分做對了、哪裡有不足，而不是只得到一個成敗結論。Ironclad 還提供了其產品的託管軟體環境，讓模型可以在其中反覆練習。OpenAI 的研究人員圍繞有代表性的工作流構造了合成訓練任務，並用強化學習讓模型透過練習和反饋不斷改進。把這三樣放在一起：由懂行的人挑選任務，細緻的評分標準，加上可供練習的真實軟體環境，這就是 OpenAI 所說的，確保改進發生在對客戶最重要的真實任務上。從方法論上看，這種真實環境、分項評分與強化學習的組合，比單純依靠公開基準更接近企業實際的驗收方式。 結果方面，OpenAI 比較了 GPT-6 Astra 與 GPT-5.6 Sol，並分別採用各自得分最高的設定：Astra 使用 Max 推理，Sol 使用 High 推理。在 11 項研究任務上，Astra 的平均得分為 55.0%，Sol 為 41.6%，相對提升約 32%；估算的每次嘗試平均耗時從 Sol 的 37.0 分鐘降到 Astra 的 19.2 分鐘，降幅約 48%。在同一項任務的演示片段中，Astra 滿足約 94% 的標準，估算用時約 20 分鐘；Sol 滿足約 85%，估算用時約 32 分鐘。另外，Astra 開發過程中使用的一個內部模型在這些任務上取得了 63.7%，OpenAI 表示希望把這些更強的收益帶到後續模型。GPT-6 Astra 是第一個在 Ironclad 任務上訓練的前沿模型。

解讀這些數字需要剋制。樣本只有 11 項任務；這是 OpenAI 自己的研究評測，不是獨立第三方基準；耗時是估算的模擬時間，不是生產環境中的實測；兩個模型也使用了不同的推理檔位。因此，它更適合被看作方向性證據：針對特定軟體做專項訓練，確實能同時提升完成度和效率。對 Ironclad 而言，合同流程必須在處理例外的同時守住企業所依賴的規則，這正是這次合作想要檢驗的能力。對行業而言，訊號更加明確：前沿實驗室正在與垂直軟體廠商結對，把專業工作流變成可訓練、可評分的任務。誰掌握了高質量的任務定義和練習環境，誰就握有下一輪智慧體能力提升的原料。企業在評估智慧體時，也應當要求類似的逐項標準，而不只看最終的成敗。

從工程角度回看，這項合作最有價值的地方在於它把“驗證”寫進了任務本身。OpenAI 在文中強調，目標是讓模型理解企業的業務規則、執行多步驟流程，並核對工作成果是否滿足最初的要求。這三件事環環相扣：不理解規則，就無法正確配置審批；不能連續執行，就無法把表單、模板和條款串成完整流程；不會自我核對，就無法發現某條路徑在額度之上或之下走偏了。傳統的計算機操作評測往往只檢查某個介面狀態是否到達，而合同場景要求的是整套流程在多種輸入下都成立，這對智慧體的長程規劃與回頭檢查能力提出了更高的要求。同樣，這類任務也改變了企業對“可用”的定義。一個只能在理想路徑上點對按鈕的智慧體，在法務和採購部門眼中幾乎沒有價值，因為這些部門最在意的恰恰是例外情形與規則邊界。如果專項訓練能夠持續縮小模型與熟練使用者之間的差距，同時把單次嘗試的時間減半，那麼複雜配置類工作的成本結構就會改變。不過，這一結論仍有待更多工、更多獨立評測以及真實部署資料的檢驗，現階段不宜把 11 項任務上的成績直接外推到所有專業軟體。