SemiAnalysis 推出覆盖 11 个智能体领域的 GDPx 基准

SemiAnalysis 于 2026 年 11 月 2 日在一则由 Max Kan、Andrew Megalaa 和 Dylan Patel 撰写的公告中发布了 GDPx。这是一项衡量通用智能体能力的基准，涵盖 11 个专业领域。Anthropic 的 Claude Opus 5.5在首次发布的排行榜上以 12.0% 的得分位居榜首。

V1.0 排行榜

GDPx 官方网站列出的首个版本包含 206 项任务，由 14 家专业数据合作伙伴共同构建；排行榜对 13 个模型进行了排名。Claude Opus 5.5 以每项任务平均 51.41 美元的成本和 548K 个输出 token 位居榜首。Google 的 Gemini 4 Carbon以 10.9% 的得分和每项任务 16.29 美元的成本排名第二，而 OpenAI 的 GPT-6 Astra 以 9.6% 的得分和每项任务 53.99 美元的成本排名第三。Meta 的 Muse Wonder Full 以 9.0% 的得分排名第四，未列出公开价格；Z.ai 的 GLM 5.3 以 2.7% 的得分排名第 13。

SemiAnalysis 称，GDPx 是真正达到前沿水平的基准，正是因为最高得分仍然如此之低。GDPx 的总分取各模型三次尝试的 pass@1 结果的平均值，对所有领域赋予相同权重，并按照每项任务预设的评分方式进行评分，即二元评分或连续评分。

设计、合作伙伴与方法

涵盖的领域包括芯片设计、网络安全、生物学、金融、法律、量化交易、递归式自我改进（RSI）、硬件设计、材料科学、对齐和软件工程；SemiAnalysis 表示，它有意不纳入政府、房地产和保险等行业。作者认为，人工智能收入最初的 1 万亿美元将集中在能够以高投资回报率部署前沿智能的行业；他们还认为，围绕 GDP 占比或 SOC/O*NET 职业分类体系构建通用基准是错误的做法。

每个领域都由专业合作伙伴共同构建：芯片设计由 Aria、Arcverex 和 Ergodex 负责；网络安全由 Arithmetic 负责；生物学由 Latch Bio 负责；金融由 Living Context 负责；法律由 Chakra 负责；量化交易由 Third Moment 负责；RSI 由 Extrapolate 负责；硬件设计由 Beautiful Machines 负责；材料科学由 ValenceForge 和 Emulated 负责；对齐由 Fleet 负责；软件工程由 Datacurve 负责。

任务的默认时限为 8 小时；如果模型有可用的原生工具环境，就会在其中运行——Opus 5.5 使用 Claude Code，GPT-6 Astra 使用 Codex，Gemini 4 Carbon 使用 Antigravity——否则则使用 OpenCode。SemiAnalysis 要求每家合作伙伴首次通过其自动化质量保证检查，且最多只能存在轻微错误；该机构报告称，同一流程会将 Terminal Bench 4.0 基准中近 50% 的任务判定为有问题。

对 GDPval 的批评

这则公告将 GDPx 定位为 OpenAI 的 GDPval 的后续基准。GDPval 于 2025 年 9 月 25 日发布，作者称，它仍是主要模型发布页面上最受欢迎的通用基准。他们批评 GDPval 的任务缺乏交互性，提示词会把所有必要背景信息一股脑地提供给模型；他们还指出，在 GDPval 的黄金子集中，人类专家之间的评分一致率为 71%。GDPx 的每项任务则都配有逼真的环境：例如，24 项金融任务复现了一笔真实的私募股权交易，一家基金以 8.8 亿美元加上一笔业绩或有对价，收购了一家零食制造商约 62% 的股权；整个交易场景由约 4,000 份匿名文件重建而成。

各领域结果与已说明的局限

SemiAnalysis 报告称，Claude Opus 5.5 是综合表现最佳的模型，在量化交易、硬件设计和芯片设计领域胜出；Gemini 4 Carbon 是生物学领域表现最佳的模型，并以微弱优势赢得软件工程领域；GPT-6 Astra则在 RSI 和材料科学领域胜出。该机构提醒称，Opus 5.5 和 GPT-6 Astra 的总体得分受到其安全分类器的影响，在网络安全、生物学和对齐领域被压低；它还称，Meta 的 Muse Wonder Full 是目前可用的网络安全模型中表现最佳的一个，且优势显著。

金融和法律任务难度很高，导致所有模型按预设的二元评分方式得分均为零，因此 SemiAnalysis 报告了这些领域的平均部分得分。在量化交易领域，111 次经过评分的运行中有 70 次表现不如要求智能体击败的参考策略，而且没有任何模型解决公开的 aapl-target-winsorization 任务。在 Fleet 的对齐领域网络安全任务中，200 次运行有 196 次违反至少一条行为规则，其中 173 次违反了被评为严重不对齐的规则；在医疗保健任务中，100 次运行有 19 次得分高于零。在成本方面，SemiAnalysis 将GPT-6 Luna和 DeepSeek 列为成本与性能前沿曲线的低端，将 Opus 列为高端，而 OpenAI 则处于中间位置。

SemiAnalysis 表示，GDPx 旨在成为一个持续更新的基准，计划每 3–6 个月推出新版本；该机构还为有意参与的数据公司以及希望评估未来版本的实验室列出了 gdpx@semianalysis.com。