OpenAI 给 Agent 找了个「陪练」：Ironclad 合同流变成 11 道训练题，Astra 得分超 Sol 三成

陪练时代来了：OpenAI 给 Agent 找的第一份"真工作"是合同

先说结论：OpenAI 的 Computer Use（计算机使用）能力，正式从"通用能力展示"转向"按应用定制训练"。10 月 6 日（日期口径见文末），OpenAI 官方博客发布《Advancing computer use with Ironclad》，开篇第一句就把调子定死了："Our first partner is Ironclad, a leader in AI contracting." 第一位合作伙伴，是做合同管理软件的 Ironclad。而 GPT-6 Astra，是"our first frontier model trained on Ironclad tasks"——第一款在 Ironclad 真实任务上训练过的前沿模型。

这件事为什么值得一篇深度稿？因为它标志着 agent 训练范式的一个转折点：以后可能不再是"一个通用模型学会用所有软件"，而是"每个专业软件都值得一份专属训练"。OpenAI 把话挑明了：正在邀请 "a small number of software companies to work directly with our research and engineering teams"——一小批软件公司，直接跟 OpenAI 的研究和工程团队合作。注意，这不是 API 对接合作，是训练合作。

11 道训练题，每道 8 到 50 条评分标准

训练到底长什么样？OpenAI 的配方写得很具体："Ironclad employees and people who use Ironclad at OpenAI helped our researchers identify 11 tasks across legal, commercial, and procurement work." Ironclad 自己的员工，加上在 OpenAI 内部日常使用 Ironclad 的人，一起从法务、商务、采购三条业务线里挑出了 11 个任务：搭一份保密协议（NDA）流程、建一个采购审批流、按对方选择的管辖区更新一条可复用的法律条款——全是法务和采购每天真实会干的活。

关键不在 11 这个数字，而在评分密度："We evaluated each task against 8 to 50 criteria"——每个任务有 8 到 50 条评分标准，视复杂度而定。这就是 RL（强化学习）训练里最贵的那部分：reward 信号不是"做完了吗"这种二值判断，而是一份由领域专家手写的细粒度 rubric（评分细则）。管辖区写对了吗？审批链节点齐了吗？NDA 的生效日期逻辑对吗？8 到 50 条，每条都是一次判分，模型每走一步都在被这套尺子量。

这是我的判断：这篇博客真正的标题不该是"OpenAI 找了个合作伙伴"，而是"RL 训练的原材料第一次被摆上台面"。过去一年，agent 圈把 RL 挂在嘴边，但公开谈的几乎都是算法和算力；真正决定能力上限的东西——真实软件环境、专家设计的任务、细粒度评分标准——一直藏在各家实验室里。这次 OpenAI 把配方公开了：11 个任务、8~50 条标准、领域专家出题。以后再讨论"为什么我的 agent 在专业软件上总翻车"，先对照这三样，看看自己缺了哪样。

数字：55.0% 对 41.6%，19.2 分钟对 37.0 分钟

成绩单原文是这么写的："Astra's average score was 55.0%, compared with 41.6% for GPT‑5.6 Sol, while estimated average time per attempt fell from 37.0 minutes for Sol to 19.2 minutes for Astra." 平均分从 41.6% 涨到 55.0%，OpenAI 自己算的是 32% higher；单次尝试的估计耗时从 37.0 分钟降到 19.2 分钟，48% lower。对比口径也交代了：Astra 开 Max 推理档、Sol 开 High 推理档，各取各自表现最好的设置。

算一笔直白的账：分数涨了三分之一，时间砍了一半。又好又快，而且是同时发生的——这在 agent 评测里不常见。通常"更快"意味着"更草率"，分数和速度是跷跷板；这里两头都赢，说明提升不是靠"少想几步"，而是靠"真的更会干这活"。这正是定制训练和通用模型最本质的区别：通用模型是在"推理"，定制模型是在"熟练"。熟练工干活，又快又好，天经地义。

还有一个容易被一扫而过的数字："An internal model used in the development of Astra achieved an even stronger 63.7% on these tasks"——开发过程中用过的一个内部模型，在这 11 道题上拿到了 63.7%。官方没细说这是什么模型，但信号很清楚：这套 rubric 还有 headroom（上升空间），55% 不是天花板。我的判断是，63.7% 这个数字是写给下一批合作伙伴看的：瞧，路还长，蛋糕还大，赶紧上车。

诚实注脚，官方原话必须先摆出来：所有时间数字都是 "estimated time per attempt"——模拟估算，不是真实客户省下来的时间。二级来源也都专门强调了这一点：时间是基于假设的模型处理与生成速度算出来的模拟值。所以看 48% 的时候，脑子里要自动换算成"实验室条件下的相对提速"，而不是"法务部明年能砍一半人头"。数字是真的，但口径是模拟的——这篇稿子后面所有的"快"，都带着这个限定词。

55% 和 41.6% 之间，差的不是"会不会用软件"

55.0% 对 41.6%，只差 13.4 个百分点。看起来不大？换个角度想：这 13.4 个点，买的是"懂业务规则"。Sol 不是不会点 Ironclad 的按钮——Computer Use 的通用能力早就教会了模型"看屏幕、点按钮、填表单"。Sol 丢的分，丢在"管辖区选错了""审批链少了一个节点""条款版本用旧了"这种地方。翻译一下：操作都会，业务不懂。

这恰恰是过去一年企业 agent 落地最痛的地方。Demo 里 agent 把 CRM、ERP 点得飞起，一上线就翻车：不是点错了按钮，而是违反了业务规则——给客户发了不该发的折扣、把审批跳过了关键节点、合同里留了合规窟窿。"会操作软件"和"会干这份工作"之间，隔着一整套隐性业务规则，而这套规则写在老员工脑子里、写在公司 wiki 里，从来没写进过训练数据。Ironclad 这 11 道题做的，就是把这套隐性规则显性化：8 到 50 条评分标准，本质上是一份"这份工作到底怎么做才算对"的操作手册。

所以我的判断是：以后评价一个企业 agent，别先看它"支持多少软件"，先问"它在每个软件上做过多少道带评分标准的题"。前者是 marketing 数字，后者才是能力数字。OpenAI 这次等于公开了一种新的能力货币：任务数 × 评分标准密度。Ironclad 是 11 ×（8~50），下一个合作伙伴会是多少？这个乘积，会成为各家 agent 厂商心照不宣的军备竞赛指标。

护城河搬家了：从模型到"合作伙伴名单"

把视角拉高一层。这篇博客最耐人寻味的不是数字，而是这句："We're inviting a small number of software companies to work directly with our research and engineering teams." 翻译一下：OpenAI 在公开招募下一批"陪练"。名额有限（small number），合作深度是"直接跟研究和工程团队一起工作"。

想想这意味着什么。过去 agent 的护城河在模型：谁的模型更聪明，谁赢。现在 OpenAI 把护城河往下挪了一层，挪到了"谁手里有真实软件环境 + 专家任务 + 评分标准"。模型可以追，算力可以买，但"Ironclad 的法务专家愿意坐下来给你出 11 道题、写几百条评分标准"——这种合作资源是排他的、慢的、不可复制的。今天是 Ironclad，明天可能是 Salesforce、ServiceNow、Workday……名单每长一个名字，就有一类专业工作的 agent 能力被"定制"走一块。

这对做垂直 SaaS 的读者是个直接信号：窗口期现在是开着的，而且是"small number"限量版。如果你的软件有一套复杂的专业 workflow（法务、财税、医疗、工程），而你还没有 agent 战略——OpenAI 正在找的就是你。反过来想：如果你的竞争对手先上了这份名单，agent 版本的"某某软件熟练工"就先长在对面家里了。这种合作一旦开始，数据飞轮（任务→评分→训练→更好的 agent→更多用户行为）是向合作方倾斜的，先上车和后上车吃的不是同一个红利。

再补一个呼应：本站之前写过的 Decisions API 那篇，讲的是"判断模型"解决"选什么"；这次 Ironclad 合作，解决的是"怎么干"。判断层 + 执行层，OpenAI 在 agent 基础设施的两层同时落子：Decisions API 把"做决定"变成标准件，Ironclad 合作把"干专业活"变成可训练、可评分、可复制的流程。两篇连起来看，OpenAI 的 agent 路线图已经很清楚了：通用底座 + 按应用定制 + 按环节标准件。

给开发者的信号：别再只卷 prompt 了

说点今晚就能动手的东西。如果你正在给某个专业软件做 agent（自己的 SaaS，或者客户的内部系统），这篇博客给了一套可以直接抄的作业：

• 先找"出题人"，再调模型。Ironclad 模式的第一步不是"换更大的模型"，而是"找最懂这份工作的人写 11 道题"。你团队里最资深的那位业务专家，比任何 prompt 工程师都值钱。让他把"这份工作做对的标准"一条条写下来——那就是你的 rubric，就是你的 reward 信号。
• 评分标准要细到"业务规则"级别，别停在"操作完成"级别。8 到 50 条这个密度是参考线：只评"表单提交成功了吗"是 1 条，评"管辖区、审批链、条款版本、生效日期逻辑"才是 30 条。agent 在专业软件上翻车，翻的永远是后者。
• 时间指标也要进评测。OpenAI 同时报了分数和 "estimated time per attempt"，模拟口径也坚持要报。企业 agent 的 ROI 叙事里，"又快又好"是两个独立维度——只报准确率，业务方是无感的。
• 想清楚你要不要当"陪练"。如果你是垂直 SaaS 厂商，OpenAI 的招募是双向选择：你出环境、出专家、出任务，换回来的是"你的软件"在最强模型上的原生熟练度。这笔账值得算一算，窗口期不会一直开着。

质疑同样要说在前面

掌声放一放，质疑有四条，每条都硬。

第一，出题的人和判分用的是同一套题。FourWeekMBA 的点评一针见血：Astra 是 "trained on Ironclad tasks"，考的也是"11 research tasks chosen with the same partner"——训练和测试同源。32% 的提升里，有多少是"真学会了合同工作"，有多少是"把这 11 道题背熟了"？官方没有做跨软件、跨合同类型的泛化测试。在看到"Ironclad 上训出来的模型，去用别家的合同软件也好使"之前，这个数字先打个折听。

第二，时间口径是模拟的，前面已经说过，这里不再赘述，但必须再钉一遍：48% lower 是 "estimated"，不是客户实测。任何把这个数字直接写进 ROI 测算 PPT 的人，都是在拿实验室数据当生产数据。

第三，55% 的绝对值仍然不高。11 道题，专家手把手出题、几百条标准喂进去，前沿模型也才 55%。合同是高风险场景：一条管辖区写错，可能就是一场官司。55% 意味着"几乎每两道题就错一道"——这个水平离"无人值守"还差得远，离"有人监督下提效"倒是近了。看绝对值，别只看相对提升。

第四，"small number"本身就是个问题。OpenAI 的名单是有限的、先到先得的。这意味着 agent 的"专业能力"正在变成一种分配制资源：谁先合作，谁的软件先被"定制熟练"。小厂商、开源软件、长尾行业的软件，可能根本排不上这趟车。护城河从模型转向合作伙伴名单的同时，能力的分配也从"技术问题"变成了"关系问题"——这对生态不一定是好事。

但这四条都不动摇我的核心判断：范式是真的，数字是打折的。Computer Use 的下半场不是"更通用的模型"，而是"更专用的训练"；agent 做专业软件，从此不再是 prompt 工程的活，而是"真实环境 + 专家任务 + 细粒度评分"三件套的活。Ironclad 是第一块多米诺骨牌，名单上的下一个名字，才是真正值得盯的。

本文一手来源：OpenAI 官方博客《Advancing computer use with Ironclad》。日期口径透明说明：官方博客页正文无可见日期戳；mediarelease.co、fourweekmba、bytewatchr、subagentic 四家独立二级来源及 OpenAI 官方 LinkedIn 帖一致标注为 2026-10-06，本篇采用该日期。二级核实：FourWeekMBA、Subagentic。