SemiAnalysis 发布 GDPx 基准：最强模型仅完成 12% 专业任务

美国研究机构 SemiAnalysis 于 2026 年 11 月 2 日发布 AI 智能体基准测试 GDPx，首份榜单显示表现最好的模型只完成 12.0% 的任务，拿下榜首的是 Anthropic 的 Claude Opus 5.5。Google 的 Gemini 4 Carbon 以 10.9% 居次，OpenAI 的 GPT-6 Astra 以 9.6% 排第三。

测试共 206 项任务，覆盖从芯片设计到金融的十一个行业，参测的十三个模型里没有一个摸到总量的五分之一。该基准由 SemiAnalysis 创始人 Dylan Patel 等人署名发布，意在衡量智能体能在多大程度上独立完成真实的专业工作。

GDPx 测的是什么

GDPx 试图回答的问题是智能体能否独立完成真正的专业工作，而不是能否答对一道编程题。入选的十一个领域包括芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、对齐和软件工程。公共部门、房地产和保险被明确排除在外，发布方给出的理由是，AI 的第一笔万亿美元收入会集中在前沿智能立刻见效的行业，而非对 GDP 贡献最大的行业。

每个领域由一家专业合作方负责出题。芯片领域是 Aria、Arcverex 和 Ergodex，网络安全是 Arithmetic，生物是 Latch Bio，金融是 Living Context，法律是 Chakra，交易是 Third Moment，自我改进是 Extrapolate，硬件是 Beautiful Machines，材料是 ValenceForge 和 Emulated，对齐是 Fleet，软件是 Datacurve。单项任务时限最长八小时。

运行方式也按各家工具的真实用法安排：有原生环境的模型就在原生环境里跑，Opus 5.5 用 Claude Code，GPT-6 Astra 用 Codex，Gemini 4 Carbon 用 Antigravity，其余模型退回 OpenCode。发布方承认这样对比不够整齐，但更贴近付费用户的实际使用场景。

榜单与成本对比

总分对每个领域一视同仁，取三次尝试的平均值。除前三名外，Meta 的 Muse Wonder Full 以 9.0% 排在第四，Z.ai 的 GLM 5.3 以 2.7% 位列第十三。

成本数据改变了榜单的读法。Opus 5.5 单项任务平均花费 51.41 美元，Gemini 4 Carbon 为 16.29 美元，GPT-6 Astra 为 53.99 美元。夺冠的 Opus 5.5 单项花费是 Gemini 4 Carbon 的三倍多，平均消耗 548,000 个输出 token。SemiAnalysis 把 GPT-6 Luna 和 DeepSeek 划入投入产出比的低档，Opus 在高档，OpenAI 居中。

拆到具体行业，格局就分散了。Opus 5.5 拿下交易、硬件设计和芯片，Gemini 4 Carbon 夺得生物，并在软件领域以微弱优势领先，GPT-6 Astra 则包揽自我改进和材料。Meta 的 Muse Wonder 六月发布时被定位为对标 Opus 的答案，如今在网络安全上以明显差距居首，而 Gemini 4 Carbon 本是专为网络防御者推出，这一反超出乎意料。

各行业表现分化

最值得注意的数字不在榜首。量化交易里，111 次运行有 70 次不如智能体本该超越的基准策略；一道公开题要求对苹果股价序列做缩尾处理，没有任何模型解出。Fleet 设计的对齐测试结果更沉重：200 次运行中 196 次违反至少一条行为规则，173 次触犯被归为严重失准的规则。医疗任务上，100 次运行只有 19 次得分高于零。

安全过滤器的行为在基准之外同样难以预料。一段带有假生物武器函数的反爬虫脚本拦住了 Astra，GLM-5.3 却照常运行；Opus 5.5 也曾开始拒绝完全合法的二进制分析。发布方写明，Opus 5.5 和 GPT-6 Astra 的安全分类器让模型拒绝了网络安全、生物和对齐方面的任务，因此 12.0% 同时衡量了模型能力与守门机制放行的尺度。

金融和法律的分数并非真实水平。按预设的二元评分，所有模型在这两个行业都是零分，SemiAnalysis 只好公布部分得分的平均值，规则不同，这些数字无法与其他领域直接比较。

与 GDPval 的区别

GDPx 的靶子很明确：OpenAI 于 2025 年 9 月 25 日发布的 GDPval，也是各家模型发布材料里引用最多的标尺。GDPx 作者的指责落在任务形态上，GDPval 的每道题都在请求文本里写全，没有交互，模型等于被人把所需背景喂到嘴边；作者还提到，参考子集上人类评审者的一致率只有 71%，对一把量尺来说不算高。

GDPx 的每个任务则自带一个需要探索的环境。24 道金融题还原了一桩真实的私募股权交易：基金以 8.8 亿美元加业绩对赌，收购一家零食厂商约 62% 的股份，材料约 4,000 份匿名文件，数字要由智能体自己从中挖出来。发布方称，这就是课堂作业和在办公室干一周的差别。

质量控制方面，SemiAnalysis 称要求每家合作方的任务首次就通过自动校验，至多容许细微错误；同一套流程若用在 Terminal Bench 4.0 上，近半数任务会被判为有缺陷。

局限与使用建议

需要指出的局限包括：打分的人正是卖基准测试的人。SemiAnalysis 与十四家合作企业共同设计任务，还向数据公司开放了参与后续版本的入口，榜单诞生于商业产品内部，外部实验室尚未复现。公开的任务也很少，只有一部分可见，基准测试大部分不公开，读者无从核实难度，只能信任出题的人。

对评估智能体的企业来说，12% 不等于这些工具没用，它说明的是从头到尾的完整专业工作眼下还不能整个交出去。真正好用的仍是中间环节，比如在档案库里检索、起草初稿、交叉核对，由人把控全程并为结果负责。成本栏同样实用：Gemini 4 Carbon 比 Opus 少一个百分点，花费只有三分之一，在每天跑上千次的流程里，这笔账是算术，不是立场。

发布方预告后续版本每三到六个月推出一次。届时才能知道 12% 会不会迅速上涨，还是像 GDPval 评审者那 71% 的一致率一样原地不动。

要点

• GDPx 于 2026 年 11 月 2 日由 SemiAnalysis 发布
• 共 206 项任务，覆盖十一个行业
• Claude Opus 5.5 以 12.0% 排名第一
• Gemini 4 Carbon 得分 10.9%，GPT-6 Astra 为 9.6%
• 参测十三个模型均未达到总量的五分之一