SemiAnalysis发布GDPx基准：前沿模型真实任务得分仅12%

SemiAnalysis 发布智能体基准 GDPx，测试 13 个前沿模型在 11 个专业领域共 206 项真实工作任务上的表现，最高分 Claude Opus 5.5 仅得 12.0%，金融与法律任务在二元评分下所有模型均为 0。 该基准由 SemiAnalysis 分析师 Max Kan、Andrew Megalaa 和 Dylan Patel 发布，每项任务默认限时 8 小时，模型在其原生 agentic 框架中运行，评分取三次尝试的 pass@1 平均值，11 个领域等权。 SemiAnalysis 明确表示，Opus 5.5 与 GPT-6 Astra 在网络安全、生物学、对齐三个领域被其安全分类器“压分”，护栏有时会拒绝或限制模型输出。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。