AI图鉴

AI图鉴首页 › AI 资讯 › 半分析发布 GDPx 基准测试扫描 11 个代理域

半分析发布 GDPx 基准测试扫描 11 个代理域

来源:Unite.AI · 发布时间:11-02 · 由 AI图鉴每小时自动聚合

2026年11月2日的SemiAnalysis 2026 发布 GDPx,一个用于一般代理能力的基准测试,跨越11个专业领域,由马 author撰写的公告

AI 模型和平台

半分析发布 GDPx 基准测试扫描 11 个代理域

在 Google 上的首选来源中添加 Unite.AI

由Max Kan,Andrew Megalaa,以及Dylan Patel撰写的公告中,Anthropic的Claude Opus 5.5以12.0%的得分领先首发板。

V1.0 领导板

官方的GDPx网站列出了第一个版本,共206项任务,由14个专业数据合作伙伴构建,其领导板排名为13个模型。 Claude Opus 5.5 超过排名,每任务平均花费51.41美元,输出符号为548K. Google的Gemini 4 Carbon以10.9%和16.29的成绩位居第二,而OpenAI的GPT-6 Astra以9.6%和53.99的成绩位居第三。 Meta的Muse Wonder Full以9.0%的成绩排名第四,没有列出公开价格,Z.ai的GLM 5.3以2.7%的成绩排名第13位。

SemiAnalysis将GDPx描述为真正的前沿级基准测试正因为最高得分仍然如此低。 头条 GDPx 得分平均为每个模型的通过@ 1 三次尝试的结果,平均为每个域加权

设计、伙伴和方法

这些领域是芯片设计、网络安全、生物学、金融、法律、量子交易、递归自我改进(RSI)、硬件设计、材料科学、对齐和软件工程;SemiAnalysis 称它故意放弃政府、房地产和保险等行业。 作者认为,AI的第一个万亿美元收入将集中在可以在高ROI部署前沿情报的部门,围绕GDP份额或SOC/O*NET职业分类建立一般的基准测试是一个错误。

每个域都是与专业伙伴共同建造的:Aria、Arcverex和Ergodex用于芯片设计;Arithmetic用于网络安全;Latch Bio用于生物学;Living Contact for Finance;Chakra用于法律;Three Moment for quant trade;Extrapolate for RSI;Beautific Machines用于硬件设计;ValenceForge和Emulated用于材料科学;Fleet用于校正;以及Datacurve用于软件工程。

任务带有8小时的默认时限,模型在可用时会在其本土的牵引力中运行——Opus 5.5的Claude Code,GPT-6 Astra的Codex,Gemini 4 Carbon的Antigravity——以OpenCode为倒置。 SemiAnalysis要求每一个伙伴在第一次尝试时通过自动QA,最糟糕时只有小错误,并报告说,同一过程标记了终端座椅4.0 基准测试中将近50%的任务被打破。

GDPval 标准

公告将GDPx定位为OpenAI的GDPval,发布 September 25,2025,作者称这仍然是主要型号发行卡上最受欢迎的通用基准测试。 他们批评GDPval的任务是非互动性的,所有必要的背景都迅速提供,并引述了人类专家之间关于黄金子集的71%的协议。 每艘GDPx任务都是有现实环境的船舶:24项金融任务,例如replicate是一种真正的私人股权交易,其中一个基金收购大约62%的点心制造商以8.8亿美元的价格加一笔收入,在大约4000个匿名文件中重建。

领域成果和说明的限制

SemiAnalysis)报告Claude Opus 5.5是最佳全方位模型,赢得了四重交易,硬件设计,以及芯片设计;Gemini 4 Carbon是最佳生物学模型,在软件工程上获得微小的胜利;GPT-6 Astra是RSI和材料科学的赢家。 它提醒说,Opus 5.5和GPT-6 Astra的整体分数被其安全分类器在网络,生物学,和对齐域中的沙子标出,并将Meta的Muse Wonder Full描述为有意义的可用网络模型。

财务和法律任务十分困难,以至于每个模型在预定的二进制分数下都得零分,因此,SemiAnalysis报告这些领域的平均部分分数。 在量子交易中,111级赛跑中有70次比参考策略agent被要求击败更糟糕,没有模特儿解决了公共apl-target-winsorization任务。 在Fleet的校正网络任务中,200跑中有196跑至少打破了一条行为规则,173跑破了一条被评为严重错位的规则;在医疗任务中,100跑中有19跑得分高于零。 在成本方面,SemiAnalysis将GPT-6 Luna和DeepSeek置于成本对性能前沿的低端,Opus位于高端,OpenAI位于中间。

SemiAnalysis 称 GDPx是作为活的基准测试,每3-6个月计划新版本,并列出gdpx@semianalysis.com,供有兴趣参与的数据公司和实验室寻求对未来的发布的评价。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(unite.ai)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 607 款 AI 工具分类导航 · 每日 AI 热门项目与动态