OpenAI 与 Ironclad 用业务规则细化法律任务的计算机使用评估

Ironclad 与 OpenAI 将法律商业采购流程转成11项端到端计算机使用任务，每项用8—50个细分规则检查最终业务状态。研究使用受控 Ironclad 环境及合成任务，结合经过筛选的公开SEC EDGAR材料，不使用Ironclad未公开客户数据。任务涉及多步骤浏览、信息处理及记录操作，人工耗时由专家估计约30—40分钟。研究先在这些任务上强化训练模型，再比较可公开使用的模型与内部训练结果。官方报告 GPT-6 Astra Max 平均得分55.0，GPT-5.6 Sol High为41.6；对应模拟估计时间为19.2与37.0分钟。时间为评估估计，不能解释成客户现场实测节省；更高的内部结果也不等于公开模型性能。方法价值在于把真实业务约束落实到可重复测试和多项验收规则，帮助区分界面操作完成与业务任务真正成功。