SemiAnalysis 发布 GDPx 基准，测试智能体在 11 个领域的专家工作
SemiAnalysis has released GDPx, a benchmark testing AI agents on expert work across 11 domains.
SemiAnalysis 发布 GDPx 基准，用 11 个领域的专家任务测试 AI 智能体，最高分的 Claude Opus 5.5 平均仅 12%，Gemini 4 Carbon 以 10.9% 次之。任务涵盖芯片设计、网络安全、金融和法律等，来自 14 家专业数据合作方；与在提示词中直接给上下文的 OpenAI GDPval 不同，GDPx 要求智能体在类似 3,983 份文件构成的真实收购案副本等工作区中自行查找。金融和法律任务上所有模型在通过制评分下均为 0 分，因此改用部分给分；在改进现有交易策略的 111 次尝试中，有 70 次模型表现不如原策略，往往只是加大风险。
正文 · AI 翻译
SemiAnalysis 发布了 GDPx，这是一个在 11 个领域用专家工作测试 AI 智能体的基准。
排名最高的模型是 Anthropic 的 Claude Opus 5.5，平均得分仅为 12%，紧随其后的是 Google 的 Gemini 4 Carbon，为 10.9%。
OpenAI 的 GPT-6 Astra 在 AI 研究和材料科学任务中位居榜首。
这些任务涵盖芯片设计、网络安全、金融和法律等，来自 14 家专业数据合作方。
与 OpenAI 的 GDPval 在提示词中直接向模型提供上下文不同，GDPx 要求智能体在类似由 3,983 份文件构成的真实收购案副本等工作区中自行查找。
排除网络安全、生物学和对齐领域（安全分类器有时会在这些领域介入）后，OpenAI 的 GPT-6 Astra 从 9.6% 提升至 11.8%，超过 Opus。
金融和法律任务击败了所有模型：在通过制评分下所有模型均为 0 分，因此 GDPx 改用部分给分。
在被要求改进一个可用的交易策略时，模型在 111 次尝试中有 70 次表现不如原策略，往往只是承担更大风险，而非找到更好的交易。