最强 AI Agent 在 GDPx 上只拿 12%

SemiAnalysis 发布 GDPx 基准，覆盖芯片设计、生物、金融、法律等 11 个专家领域的 206 项长时任务，智能体最长可在真实环境中连续工作 8 小时。最强的 Claude Opus 5.5 也只拿到 12.0%，每项任务成本 51.41 美元；Gemini 4 Carbon 以 10.9% 的成绩紧随其后，每任务 16.29 美元，性价比明显更高。所有模型在金融任务的二元评分中均为 0%，法律任务 20 次尝试未产出可用合同修订稿。SemiAnalysis 指出，安全分类器拉低了部分模型在网络安全、生物与对齐领域的分数，榜单仍为部分版本，计划每 3 至 6 个月更新一次。