SemiAnalysis เปิดตัวเกณฑ์มาตรฐาน GDPx ครอบคลุม 11 โดเมนของเอเจนต์ AI

เมื่อวันที่ 2 พฤศจิกายน 2026 SemiAnalysis เผยแพร่ GDPx ซึ่งเป็นเกณฑ์มาตรฐานสำหรับวัดความสามารถทั่วไปของเอเจนต์ AI ครอบคลุม 11 โดเมนวิชาชีพ โดยมี ประกาศ ที่เขียนโดย Max Kan, Andrew Megalaa และ Dylan Patel ส่วน Claude Opus 5.5 ของ Anthropic ขึ้นนำบนตารางจัดอันดับรุ่นแรกด้วยคะแนน 12.0%

ตารางจัดอันดับ V1.0

เว็บไซต์ทางการของ GDPx ระบุว่าเวอร์ชันแรกประกอบด้วยงาน 206 รายการ ซึ่งพัฒนาร่วมกับพันธมิตรด้านข้อมูลเฉพาะทาง 14 ราย และตารางจัดอันดับมีโมเดล 13 รายการ Claude Opus 5.5 ครองอันดับหนึ่ง ด้วยต้นทุนเฉลี่ย 51.41 ดอลลาร์ต่องาน และโทเค็นขาออก 548K รายการ Gemini 4 Carbon ของ Google อยู่อันดับสองที่ 10.9% และต้นทุน 16.29 ดอลลาร์ต่องาน ขณะที่ GPT-6 Astra ของ OpenAI อยู่อันดับสามที่ 9.6% และต้นทุน 53.99 ดอลลาร์ต่องาน Muse Wonder Full ของ Meta อยู่อันดับสี่ที่ 9.0% โดยไม่มีการระบุราคาให้สาธารณชนทราบ ส่วน GLM 5.3 ของ Z.ai อยู่อันดับ 13 ที่ 2.7%

SemiAnalysis ระบุว่า GDPx เป็นเกณฑ์มาตรฐานระดับแนวหน้าที่แท้จริง เพราะแม้แต่คะแนนสูงสุดก็ยังต่ำมาก คะแนน GDPx หลักคำนวณจากค่าเฉลี่ยผลลัพธ์ pass@1 ของแต่ละโมเดลจากการทดลองสามครั้ง โดยให้น้ำหนักแต่ละโดเมนเท่ากัน และใช้วิธีให้คะแนนที่กำหนดไว้สำหรับงานแต่ละรายการ ซึ่งอาจเป็นแบบทวิภาคหรือแบบต่อเนื่อง

การออกแบบ พันธมิตร และระเบียบวิธี

โดเมนต่าง ๆ ได้แก่ การออกแบบชิป ความมั่นคงปลอดภัยทางไซเบอร์ ชีววิทยา การเงิน กฎหมาย การซื้อขายเชิงปริมาณ การพัฒนาตนเองแบบวนซ้ำ (RSI) การออกแบบฮาร์ดแวร์ วัสดุศาสตร์ การจัดแนว และวิศวกรรมซอฟต์แวร์ โดย SemiAnalysis ระบุว่าตั้งใจไม่นำอุตสาหกรรมอย่างภาครัฐ อสังหาริมทรัพย์ และประกันภัยมารวมไว้ ผู้เขียนให้เหตุผลว่า รายได้ AI ล้านล้านดอลลาร์แรกจะกระจุกตัวอยู่ในภาคส่วนที่สามารถนำปัญญาระดับแนวหน้าไปใช้และสร้างผลตอบแทนจากการลงทุน (ROI) สูง และการสร้างเกณฑ์มาตรฐานทั่วไปโดยอิงสัดส่วนของ GDP หรืออนุกรมวิธานอาชีพ SOC/O*NET ถือเป็นความผิดพลาด

แต่ละโดเมนพัฒนาร่วมกับพันธมิตรเฉพาะทาง ได้แก่ Aria, Arcverex และ Ergodex ในด้านการออกแบบชิป; Arithmetic ในด้านความมั่นคงปลอดภัยทางไซเบอร์; Latch Bio ในด้านชีววิทยา; Living Context ในด้านการเงิน; Chakra ในด้านกฎหมาย; Third Moment ในด้านการซื้อขายเชิงปริมาณ; Extrapolate ในด้าน RSI; Beautiful Machines ในด้านการออกแบบฮาร์ดแวร์; ValenceForge และ Emulated ในด้านวัสดุศาสตร์; Fleet ในด้านการจัดแนว; และ Datacurve ในด้านวิศวกรรมซอฟต์แวร์

งานแต่ละรายการมีเวลาจำกัดเริ่มต้นแปดชั่วโมง และเมื่อมีระบบรองรับ โมเดลจะทำงานในระบบรันเนทีฟของตนเอง ได้แก่ Claude Code สำหรับ Opus 5.5, Codex สำหรับ GPT-6 Astra และ Antigravity สำหรับ Gemini 4 Carbon โดยใช้ OpenCode เป็นทางเลือกสำรอง SemiAnalysis กำหนดให้พันธมิตรทุกรายต้องผ่านการตรวจสอบคุณภาพอัตโนมัติของบริษัทตั้งแต่ครั้งแรก โดยยอมให้มีข้อผิดพลาดได้เพียงเล็กน้อยอย่างมากที่สุด และรายงานว่ากระบวนการเดียวกันนี้ระบุว่างานเกือบ 50% ในเกณฑ์มาตรฐาน Terminal Bench 4.0 มีข้อบกพร่อง

ข้อวิจารณ์ต่อ GDPval

ประกาศดังกล่าวนำเสนอ GDPx ในฐานะเกณฑ์มาตรฐานรุ่นต่อจาก GDPval ของ OpenAI ซึ่งเผยแพร่เมื่อวันที่ 25 กันยายน 2025 โดยผู้เขียนระบุว่า GDPval ยังคงเป็นเกณฑ์มาตรฐานทั่วไปที่ได้รับความนิยมสูงสุดบนหน้าข้อมูลการเปิดตัวโมเดลรายใหญ่ ผู้เขียนวิจารณ์ว่างานใน GDPval ไม่เปิดโอกาสให้มีปฏิสัมพันธ์ และป้อนบริบทที่จำเป็นทั้งหมดให้ในพรอมป์ต์ พร้อมอ้างถึงค่าความสอดคล้องระหว่างผู้ประเมินผู้เชี่ยวชาญที่เป็นมนุษย์ ซึ่งอยู่ที่ 71% ในชุดย่อยอ้างอิงมาตรฐาน ในทางกลับกัน งานทุกชิ้นใน GDPx มาพร้อมสภาพแวดล้อมที่สมจริง ตัวอย่างเช่น งานด้านการเงิน 24 รายการจำลองธุรกรรมหุ้นนอกตลาดจริงที่กองทุนแห่งหนึ่งเข้าซื้อกิจการผู้ผลิตขนมขบเคี้ยวประมาณ 62% ในราคา 880 ล้านดอลลาร์ บวกเงินเพิ่มตามผลประกอบการ โดยสร้างสถานการณ์ขึ้นใหม่จากไฟล์นิรนามประมาณ 4,000 ไฟล์

ผลลัพธ์รายโดเมนและข้อจำกัดที่ระบุไว้

SemiAnalysis ระบุว่า Claude Opus 5.5 เป็นโมเดลที่ทำผลงานได้ดีที่สุดโดยรวม โดยชนะในด้านการซื้อขายเชิงปริมาณ การออกแบบฮาร์ดแวร์ และการออกแบบชิป; Gemini 4 Carbon เป็นโมเดลที่ดีที่สุดด้านชีววิทยา และชนะด้านวิศวกรรมซอฟต์แวร์อย่างฉิวเฉียด; ส่วน GPT-6 Astra เป็นผู้ชนะในด้าน RSI และวัสดุศาสตร์ บริษัทเตือนว่าคะแนนโดยรวมของ Opus 5.5 และ GPT-6 Astra ถูกกดให้ต่ำลงจากตัวจำแนกด้านความปลอดภัยในโดเมนไซเบอร์ ชีววิทยา และการจัดแนว พร้อมระบุว่า Muse Wonder Full ของ Meta เป็นโมเดลด้านไซเบอร์ที่ดีที่สุดในบรรดาโมเดลที่มีให้ใช้งาน โดยมีคะแนนนำห่างอย่างมีนัยสำคัญ

งานด้านการเงินและกฎหมายยากมากจนโมเดลทุกตัวได้คะแนนศูนย์เมื่อใช้เกณฑ์ให้คะแนนแบบทวิภาคตามที่กำหนดไว้ ดังนั้น SemiAnalysis จึงรายงานคะแนนบางส่วนเฉลี่ยสำหรับโดเมนเหล่านั้น ในการซื้อขายเชิงปริมาณ การรันที่ได้รับการประเมิน 70 ครั้งจากทั้งหมด 111 ครั้งทำผลงานได้แย่กว่ากลยุทธ์อ้างอิงที่เอเจนต์ได้รับโจทย์ให้เอาชนะ และไม่มีโมเดลใดแก้โจทย์สาธารณะ aapl-target-winsorization ได้ ในงานด้านไซเบอร์เพื่อการจัดแนวของ Fleet การรัน 196 ครั้งจาก 200 ครั้งละเมิดกฎพฤติกรรมอย่างน้อยหนึ่งข้อ และ 173 ครั้งละเมิดกฎที่จัดว่ามีความไม่สอดคล้องอย่างร้ายแรง ส่วนงานด้านการดูแลสุขภาพมีการรัน 19 ครั้งจาก 100 ครั้งที่ได้คะแนนสูงกว่าศูนย์ ในด้านต้นทุน SemiAnalysis จัดให้ GPT-6 Luna และ DeepSeek อยู่ในกลุ่มต้นทุนต่ำของแนวหน้าที่แสดงความสัมพันธ์ระหว่างต้นทุนกับประสิทธิภาพ, Opus อยู่ในกลุ่มต้นทุนสูง และ OpenAI อยู่ตรงกลาง

SemiAnalysis ระบุว่า GDPx ตั้งใจให้เป็นเกณฑ์มาตรฐานที่พัฒนาอย่างต่อเนื่อง โดยวางแผนออกเวอร์ชันใหม่ทุก 3–6 เดือน และระบุ gdpx@semianalysis.com สำหรับบริษัทด้านข้อมูลที่สนใจเข้าร่วมและห้องปฏิบัติการที่ต้องการให้ประเมินโมเดลรุ่นใหม่ในอนาคต