تطلق SemiAnalysis معيار GDPx الذي يشمل 11 مجالًا للقدرات الوكيلة

أصدرت SemiAnalysis معيار GDPx في 2 نوفمبر 2026، وهو معيار لقياس القدرات الوكيلة العامة عبر 11 مجالًا مهنيًا، وذلك في إعلان أعدّه Max Kan وAndrew Megalaa وDylan Patel. وتصدّر Claude Opus 5.5 من Anthropic قائمة الصدارة في نسختها الأولى، مسجلًا 12.0%.

قائمة الصدارة للإصدار V1.0

يعرض الموقع الرسمي لمعيار GDPx أن الإصدار الأول يضم 206 مهام أُعدّت بالتعاون مع 14 شريكًا متخصصًا في البيانات، وأن قائمة الصدارة ترتب 13 نموذجًا. ويتصدر Claude Opus 5.5 الترتيب بمتوسط تكلفة يبلغ 51.41 دولارًا لكل مهمة، وبإنتاج 548 ألف رمز. ويأتي Gemini 4 Carbon من Google ثانيًا بنسبة 10.9% وبتكلفة 16.29 دولارًا لكل مهمة، فيما يحتل GPT-6 Astra من OpenAI المركز الثالث بنسبة 9.6% وبتكلفة 53.99 دولارًا لكل مهمة. ويأتي Muse Wonder Full من Meta رابعًا بنسبة 9.0%، من دون إدراج سعر معلن له، بينما يحتل GLM 5.3 من Z.ai المركز الثالث عشر بنسبة 2.7%.

تصف SemiAnalysis معيار GDPx بأنه معيار حقيقي بمستوى النماذج المتقدمة، تحديدًا لأن أعلى نتيجة فيه لا تزال منخفضة جدًا. ويُحسب إجمالي نتيجة GDPx المعلنة بمتوسط نتائج pass@1 لكل نموذج عبر ثلاث محاولات، مع منح المجالات جميعها الوزن نفسه، وتطبيق أسلوب التقييم المحدد لكل مهمة، سواء أكان ثنائيًا أم مستمرًا.

التصميم والشركاء والمنهجية

تشمل المجالات تصميم الرقائق، والأمن السيبراني، وعلم الأحياء، والتمويل، والقانون، والتداول الكمي، والتحسين الذاتي التكراري (RSI)، وتصميم الأجهزة، وعلوم المواد، والمواءمة، وهندسة البرمجيات؛ وتقول SemiAnalysis إنها تستبعد عمدًا قطاعات مثل الحكومة والعقارات والتأمين. ويرى المؤلفون أن أول تريليون دولار من إيرادات الذكاء الاصطناعي سيتركز في القطاعات القادرة على توظيف ذكاء النماذج المتقدمة لتحقيق عائد مرتفع على الاستثمار، وأن بناء معيار عام يستند إلى حصة الناتج المحلي الإجمالي أو التصنيف المهني SOC/O*NET هو خطأ.

أُعدّ كل مجال بالتعاون مع شركاء متخصصين: Aria وArcverex وErgodex لتصميم الرقائق؛ وArithmetic للأمن السيبراني؛ وLatch Bio لعلم الأحياء؛ وLiving Context للتمويل؛ وChakra للقانون؛ وThird Moment للتداول الكمي؛ وExtrapolate للتحسين الذاتي التكراري (RSI)؛ وBeautiful Machines لتصميم الأجهزة؛ وValenceForge وEmulated لعلوم المواد؛ وFleet للمواءمة؛ وDatacurve لهندسة البرمجيات.

الحد الافتراضي للوقت المخصص للمهام هو ثماني ساعات، وتعمل النماذج ضمن بيئة التشغيل الأصلية الخاصة بها متى كانت متاحة: Claude Code لـOpus 5.5، وCodex لـGPT-6 Astra، وAntigravity لـGemini 4 Carbon؛ ويُستخدم OpenCode بديلًا عند عدم توفرها. واشترطت SemiAnalysis على كل شريك اجتياز فحص ضمان الجودة الآلي من المحاولة الأولى، مع السماح بأخطاء طفيفة فقط في أسوأ الأحوال، وتفيد بأن العملية نفسها تكشف أن ما يقارب 50% من المهام في معيار Terminal Bench 4.0 معطوبة.

نقد معيار GDPval

يقدّم الإعلان معيار GDPx بوصفه خلفًا لمعيار GDPval الذي أصدرته OpenAI في 25 سبتمبر 2025، والذي يقول المؤلفون إنه لا يزال أكثر المعايير العامة استخدامًا في بطاقات إصدارات النماذج الرئيسية. وينتقدون مهام GDPval لأنها غير تفاعلية، إذ تُقدَّم في نص الطلب كل المعلومات الضرورية جاهزة؛ كما يستشهدون بنسبة اتفاق بلغت 71% بين الخبراء البشريين المقيّمين على المجموعة الفرعية الذهبية منه. أما كل مهمة في GDPx، فتأتي ضمن بيئة واقعية: فالمهام المالية الأربع والعشرون، مثلًا، تحاكي صفقة حقيقية في مجال الملكية الخاصة، يشتري فيها صندوق استثمار نحو 62% من شركة مصنّعة للوجبات الخفيفة مقابل 880 مليون دولار، إضافة إلى دفعة مشروطة بتحقيق نتائج لاحقة، وقد أُعيد بناء الصفقة بالاستناد إلى نحو 4,000 ملف مجهّل الهوية.

نتائج المجالات والقيود المعلنة

تفيد SemiAnalysis بأن Claude Opus 5.5 هو أفضل نموذج شامل، إذ يتصدر مجالات التداول الكمي وتصميم الأجهزة وتصميم الرقائق؛ وأن Gemini 4 Carbon هو أفضل نموذج في علم الأحياء، مع فوز بفارق ضئيل في هندسة البرمجيات؛ وأن GPT-6 Astra يتصدر مجالَي التحسين الذاتي التكراري وعلوم المواد. وتحذر من أن مصنفات السلامة تخفض النتائج الإجمالية لكل من Opus 5.5 وGPT-6 Astra في مجالات الأمن السيبراني وعلم الأحياء والمواءمة، وتصف Muse Wonder Full من Meta بأنه أفضل نموذج متاح للأمن السيبراني بفارق ملحوظ.

تبلغ صعوبة المهام المالية والقانونية حدًا يجعل جميع النماذج تسجل صفرًا عند تطبيق التقييم الثنائي المقصود؛ لذلك تعرض SemiAnalysis متوسط الدرجات الجزئية لهذين المجالين. وفي التداول الكمي، كان أداء 70 من أصل 111 تشغيلًا خاضعًا للتقييم أسوأ من أداء الاستراتيجية المرجعية التي طُلب من الوكيل التفوق عليها، ولم ينجح أي نموذج في حل المهمة العامة aapl-target-winsorization. وفي مهام الأمن السيبراني الخاصة بالمواءمة التي أعدتها Fleet، خالف 196 من أصل 200 تشغيل قاعدة سلوكية واحدة على الأقل، وخالف 173 منها قاعدة مصنفة على أنها شديدة التعارض مع المواءمة؛ أما في مهام الرعاية الصحية، فسجلت 19 من أصل 100 تشغيل نتيجة أعلى من الصفر. ومن حيث التكلفة، تضع SemiAnalysis كلاً من GPT-6 Luna وDeepSeek عند الطرف الأقل تكلفة في منحنى التكلفة مقابل الأداء، وOpus عند الطرف الأعلى تكلفة، وOpenAI في الوسط.

تقول SemiAnalysis إن GDPx مصمم ليكون معيارًا متجددًا، مع التخطيط لإصدار نسخ جديدة كل 3–6 أشهر، وتدرج gdpx@semianalysis.com لشركات البيانات المهتمة بالمشاركة والمختبرات الساعية إلى تقييم الإصدارات المستقبلية.