Claude 通过率不到4%，SaaS-Bench撕碎了Computer-Use的「全自动办公」幻想

要点

• SaaS-Bench 评测显示，最强模型 Claude Opus 4.7 完全通过率仅 3.8%。
• 93.4% 的任务跨越至少两个应用，97.3% 的文本任务操作步数超过 100 步。
• 四种结构性失败模式：长任务准确率下降、单步错误连锁反应、缺乏验证闭环、执行结果高度不稳定。
• 当前 Agent 范式在长程任务中存在根本性局限，软件需为 Agent 重新设计。