SemiAnalysis联合14家伙伴发布智能体能力基准GDPx，最好模型仅得12%
先了解这件事
SemiAnalysis 与 14 家专注 RL 环境的伙伴合作推出 GDPx 基准测试，覆盖芯片设计、网络安全、生物、金融、法律、量化交易、RSI、硬件设计、材料科学、对齐和软件工程 11 个领域的真实任务，用于测量前沿模型的通用智能体能力。结果显示最好的模型总分仅 12%。 剔除受安全分类器影响的网络、生物和对齐三个领域后，Opus 5.5 和 GPT-6 Astra 居前，Gemini 4 Carbon 接近两者。SemiAnalysis 播客中还提到 GPT-6 Astra 因拒绝所有任务在 cyber 测试得 0 分。该结果提示前沿模型在高价值专业领域的智能体能力仍处于早期水平。
AI 生成摘要 · 以原文为准
AI 根据报道生成 · 2 小时前更新
事件进展
2 个进展
- 11月3日 20:02 · 1 篇报道SemiAnalysis播客讨论AI基准测试缺陷及GDPx数据X · SemiAnalysis：SemiAnalysis 播客探讨 AI 基准测试 GDPx
- 11月2日 09:51 · 1 篇报道SemiAnalysis发布GDPx基准测试SemiAnalysis：SemiAnalysis 发布 GDPx 基准，测量前沿模型在高价值领域的智能体能力
报道时间线
沿着报道，了解事件的不同侧面。
- X · SemiAnalysisSemiAnalysis 播客探讨 AI 基准测试 GDPx
SemiAnalysis 本周播客由 Max、Andrew 和 Jordan 讨论 AI 基准测试为何失效，并解读 GDPx：14 家专业数据合作方提供覆盖 11 个领域的真实任务。节目还谈及首批万亿美元 AI 收入将集中于少数领域、GPT-6 Astra 因拒绝所有任务在 cyber 测试得 0 分，以及 Anthropic 是否已在用 Mythos 4。
- SemiAnalysisSemiAnalysis 发布 GDPx 基准，测量前沿模型在高价值领域的智能体能力
SemiAnalysis 与 14 家专注 RL 环境的伙伴合作推出 GDPx 基准，覆盖芯片设计、网络安全、生物、金融、法律、量化交易、RSI、硬件设计、材料科学、对齐和软件工程 11 个领域，旨在测量前沿模型的通用智能体能力。最好的模型总分仅 12%；剔除因安全分类器影响的网络、生物和对齐三域后，Opus 5.5 和 GPT-6 Astra 居前，Gemini 4 Carbon 接近两者。
本事件热度走势
- 可比范围当前
- 13
- 可比范围峰值
- 1311月3日 21:00
- 近 24 小时变化
- +86%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。