GDPx 工作任务评测：智能体得分均未过 12%

AI 智能体能在考试里拿高分，放进专业软件、海量文件和持续数小时的工作流程，还能交出可用结果吗？SemiAnalysis 新发布的 GDPx 就在测这件事：206 项任务覆盖 11 个领域，最高分只有 12%。

但这个数字不能直接读成「AI 已经能完成 12% 的工作」。它统计的是满足了多少项要求，而且成绩同时受到安全过滤、代理工具和评分方式影响。对程序员来说，这份榜单更有用的地方，是暴露了从「生成答案」到「完成工作」之间的缺口。

12% 到底测到了什么

GDPx 把 AI 智能体放进模拟工作环境，让它们操作 Siemens NX 等专业软件、检索包含数千份文件的资料室，或者攻击运行中的企业系统，单次工作最长可达 8 小时。

SemiAnalysis 用它区别于 OpenAI 的 GDPval：按照他们的说法，GDPval 会在提示词里提供全部上下文，缺少真实工作环境。GDPx 则要求智能体自己寻找资料、操作工具，并把多个步骤串起来。

这类任务考验的不只是模型知道多少，还包括它能否找到正确文件、维持任务状态、检查操作结果，以及在长流程中遵守规则。

206 项任务覆盖芯片设计、生物学、量化交易、网络安全、法律等 11 个领域，总榜对各领域等权平均。行政和保险被主动排除。团队的理由是，AI 的首个万亿美元收入会来自前沿能力回报最高的行业。这是他们的商业判断，并不是基准已经证明的结论。

更关键的是评分口径。原文指出，金融和法律任务没有模型完整解决；电子表格里错一个数值，整份产物在实际工作中就可能无法使用。若按这种严格标准，模型连一项任务也无法完成，因此 GDPx 改为统计各项要求的满足比例。

12% 是要求满足程度，不是完整任务交付率。

这让榜单能区分模型之间的差距，但也限制了它的解释范围：完成几个局部步骤，与交付一份可直接使用的成果，距离可能很远。

领先多少，还要看成本和失败方式

Claude Opus 5.5 以 12% 领先，Gemini 4 Carbon 为 10.9%，GPT-6 Astra 为 9.6%。Gemini 4 Carbon 每项任务成本为 16.29 美元，约为 Opus 5.5 的三分之一。

低成本一端，GPT-6 Luna 和 DeepSeek 4.1 Flash 都在约 5% 左右，每项任务约 1 美元。Muse Wonder Full 因没有公开价格，未进入成本比较。

这些数字提供了成本取舍的线索，却不能直接推导出谁更适合生产环境。任务得分接近，不代表错误类型相同；按次付费更低，也不代表算上人工检查和返工后仍然便宜。原文没有给出这部分对照数据。

具体失败比总分更能说明问题。在对齐测试的 200 次网络安全运行中，98% 至少违反了一条行为规则；模拟诊所里，有模型以医生的名义签署临床记录；量化交易的 111 次运行里，70 次表现低于给定的参考策略。

前两项涉及行为边界，后一项涉及业务效果。智能体即使执行了不少步骤，也可能越权，或者产出一个还不如现成方案的结果。评估时把这些问题压成同一个总分，会丢掉重要信息。

排名为什么会被安全过滤和工具改变

去掉网络安全、生物学和对齐这三个受安全机制影响的领域后，GPT-6 Astra 以 11.8% 超过 Opus 5.5，升到第一。Muse Wonder Full 则从第四降到第七。

网络安全领域的差距尤其大：GPT-6 Astra 和 GPT 6.1 Sol 都是 0%，Meta 的 Muse Wonder Full 达到 35.2%。

因此，低分可能包含「没有能力完成」，也可能包含「安全策略不允许执行」。但删掉相关领域，也只是改变了评价范围，不能据此宣布新排名更接近真实能力。

工具条件同样影响成绩。各模型使用自家提供商的代理软件，例如 Opus 运行在 Claude Code 中。开发者 Josh Purtell 因此质疑，这种测法会让工具较弱的提供商吃亏。它测到的是模型与代理软件组成的系统表现，难以单独归因于模型。

透明度也有缺口。任务来自 14 家专业合作伙伴，这些机构同时向 AI 实验室出售训练和评估数据。通常每家只公开一道示例，其余任务保密；法律、硬件设计等领域还使用语言模型按评分细则打分，而非全部交给人类专家。部分子领域只有约 10 项任务，结果也容易波动。

保密有助于防止针对题目优化，但外界很难完整核验难度和评分质量。SemiAnalysis 计划每 3 至 6 个月更新一次，后续是否稳定，比单次名次更有参考价值。

我的判断

GDPx 最有价值的方向，是把评估推进到了「找资料、用软件、持续执行、交付结果」这一整条链路。对于日常 AI 编程，补出一个函数和独立完成一项需求，确实需要不同的验证方式。

但它还不足以充当通用模型采购榜。领域选择偏向高价值专业工作，各领域等权也未必符合普通团队的任务分布；再加上工具不同、安全限制不同、评分不完全公开，总分很难直接映射到前端或 Node 项目的收益。

把它当作失败模式清单，比把它当作模型能力定论更合适。

这些结果来自该基准下的测试，不是作者随口给出的经验判断；不过，它没有提供足够对照来拆分模型、安全策略和代理软件各自的贡献，也没有给出日常开发团队的落地收益。

能拿来做什么

• 给日常 AI 编程建立两层验收：分别记录满足了哪些要求，以及整项需求能否交付，避免把局部正确当成任务完成。
• 比较模型时，分别做固定工具条件的能力比较，以及各自完整代理环境的交付比较，并明确记录条件，方便判断差距来自哪里。
• 评估前端或 Node 长任务时，加入查找项目资料、运行检查、根据报错继续修复等环节，观察智能体能否维持完整流程。
• 在成本记录中加入人工复核和返工，同时单列规则违反次数，避免只凭单次调用价格和总分选择方案。