2026年11月2日，SemiAnalysis发布GDPx智能体基准，覆盖11个高价值领域、206项任务，由14家专业数据合作方提供。它把智能体放进仿真工作环境里连续作业，而不是一次性作答。首版榜单上，最强的Claude Opus 5.5也只拿到12.0%：离真正替人干完专业工作，前沿模型还差得很远。
GDPx怎么考：8小时、真实环境、三次尝试取一次通过
GDPx默认给每项任务8小时，各模型用自己的原生工具操作。总分取三次尝试中的pass@1，11个领域权重相同。这11个领域是芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、对齐和软件工程，政府、房地产和保险不在其中。
和OpenAI在2025年9月25日发布的GDPval相比，差别在环境。GDPval任务描述精确、非交互，上下文直接给在提示词里；GDPx要求智能体自己在环境里找信息、采取行动。金融任务取材于一笔真实交易，环境里约有4000个匿名文件，智能体要像真实助理那样翻资料室、拼上下文。先看模型评测的口径，分数离开方法容易误导。
12%意味着什么：各家有长板，金融和法律全是零分
榜单没有一家通吃。Claude Opus 5.5综合第一，领先量化交易、硬件设计和芯片设计；Gemini 4 Carbon以10.9%排第二，是最好的生物领域模型，在软件工程上也略胜一筹；GPT-6 Astra以9.6%排第三，在递归自我改进和材料科学上领先。Meta的Muse Wonder Full则是目前最好的网络安全模型。金融和法律上，所有模型基本都是零分。
SemiAnalysis同时提醒，总分被安全分类器拉低了。Opus 5.5和GPT-6 Astra在网络安全、生物和对齐三个领域会触发安全分类器，剔除这三个领域后排名会变化。对选型的人来说，不能只看三个总分：先看任务落在哪个领域，再看分项和安全限制，智能体能不能跑完一整段工作，比榜单名次更重要。
接下来看什么：榜单每3到6个月更新一次
SemiAnalysis计划每3到6个月更新GDPx，完整数据见其官方榜单站。盯三件事：金融和法律谁先破零；Gemini 4 Carbon全面开放后印象会不会变；安全分类器改了，总分会不会动。在那之前，12%的提醒很实在：智能体能帮忙，关键工作还得人来收尾和验收。
