SemiAnalysis 发布 GDPx 智能体基准：11 个高价值领域 206 道任务，最强的 Claude Opus 5.5 也只拿到 12%

核心背景与行业痛点

OpenAI 2025 年 9 月发布的 GDPval 至今仍是新模型发布卡上最常见的通用「知识工作」基准，但它的题目都是一次性、非交互的：把几百字说明和一个附件喂给模型，让它直接产出文档。SemiAnalysis 认为这种题型诞生于智能体普及之前，已经测不出今天前沿模型的真实差距；同时很多热门榜单已经接近饱和。它还主张，AI 的第一个万亿美元收入会集中在能高回报部署前沿智能的行业，所以 GDPx 只选芯片设计、网安、生物、金融、法律、量化、RSI 等 11 个领域，刻意不做政府、地产、保险。

架构亮点与底层机制

每个领域至少由一家专业 RL 环境公司出题，例如网安由 Arithmetic 基于自有的开源软件零日漏洞出题，对齐由 Fleet 出题，软件工程由 Datacurve 出题，SemiAnalysis 负责最终质检和迭代。任务带完整的模拟工作环境，默认时限 8 小时。模型尽量在原生 harness 里跑：Opus 5.5 用 Claude Code、GPT-6 Astra 用 Codex、Gemini 4 Carbon 用 Antigravity，没有原生 harness 的用 OpenCode。评分按领域混用二元和部分得分，总分取 3 次尝试的 pass@1，各领域等权。

权威 Benchmark 与实测跑分对比

以下均为 SemiAnalysis 官网口径：Claude Opus 5.5 12.0%、Gemini 4 Carbon 10.9%、GPT-6 Astra 9.6%、Muse Wonder Full 9.0%、Claude Fable 5.1 8.5%、GPT 6.1 Sol 8.4%、Claude Sonnet 5.5 8.2%、Gemini 4 Argon 7.3%、DeepSeek 4.1 Flash 1017 5.4%、GPT-6 Luna 5.1%、Grok 4.7 3.9%、GLM 5.3 2.7%。金融和法律几乎所有模型都是 0。SemiAnalysis 特别说明，Opus 5.5 和 GPT-6 Astra 在网安、生物、对齐三个领域会触发安全分类器，总分因此被压低。榜单尚未经第三方复现。

开发者实战落地与开箱指南

选型时别只看总分：官网可以按领域、按每题平均成本筛选，看帕累托前沿。按 SemiAnalysis 的结论，低价档是 GPT-6 Luna 和 DeepSeek 竞争，高端是 Opus，中段是 OpenAI；做网安类工作要考虑安全分类器的影响。12% 的头名分数也提醒团队：长时程、真实环境的完整任务仍需要人工兜底和分步验收。想参与下一版出题或送测模型，可发邮件到 [email protected]。