SemiAnalysis 发布 GDPx 基准测试，评估 AI 智能体处理专家工作的能力
GDPx 覆盖 11 个专业领域，要求智能体自行检索工作区文件来完成任务。测试中排名第一的 Claude Opus 5.5 平均得分仅为 12%；在改进交易策略的 111 次尝试中，模型有 70 次表现不如原策略，显示这些任务仍有明显难度。
1 次进展2 篇报道1 个来源1 条已核验动态
已核验动态 1
时间未知
SemiAnalysis has released GDPx, a benchmark testing AI agents on expert work across 11 domains.
SemiAnalysis发布的GDPx基准测试显示，Claude Opus 5.5平均得分为12%，Gemini 4 Carbon为10.9%；OpenAI的GPT-6 Astra在AI研究和材料科学任务中得分最高。
事件进展 1
SemiAnalysis 发布 GDPx 基准，测试 AI 智能体在 11 个领域完成专家任务的能力
GDPx 要求智能体自行查找工作区资料，而非由提示词直接提供背景。Anthropic 的 Claude Opus 5.5 平均得分为 12%，Google 的 Gemini 4 Carbon 为 10.9%；OpenAI 的 GPT-6 Astra 在 AI 研究和材料科学任务中领先。金融与法律任务中，所有模型在通过或失败的评分方式下均得 0 分。
查看来源报道 · 1 个来源 · 2 篇报道
- Rohan Paul (@rohanpaul_ai) · SemiAnalysis 发布 GDPx 基准，测试 AI 智能体在 11 个领域完成专家任务的能力
- Rohan Paul (@rohanpaul_ai) · SemiAnalysis 发布 GDPx 基准测试，评估 AI 智能体处理专家工作的能力
全部报道 2
Rohan Paul (@rohanpaul_ai)
精选
SemiAnalysis 发布 GDPx 基准测试，评估 AI 智能体处理专家工作的能力
GDPx 覆盖 11 个专业领域，要求智能体自行检索工作区文件来完成任务。测试中排名第一的 Claude Opus 5.5 平均得分仅为 12%；在改进交易策略的 111 次尝试中，模型有 70 次表现不如原策略，显示这些任务仍有明显难度。
另外 1 家也报道了
- Rohan Paul (@rohanpaul_ai)
推荐理由：它用专业任务和具体失败案例，呈现 AI 智能体处理复杂工作的当前局限。
Rohan Paul (@rohanpaul_ai)
同事件
SemiAnalysis 发布 GDPx 基准，测试 AI 智能体在 11 个领域完成专家任务的能力
GDPx 要求智能体自行查找工作区资料，而非由提示词直接提供背景。Anthropic 的 Claude Opus 5.5 平均得分为 12%，Google 的 Gemini 4 Carbon 为 10.9%；OpenAI 的 GPT-6 Astra 在 AI 研究和材料科学任务中领先。金融与法律任务中，所有模型在通过或失败的评分方式下均得 0 分。
另外 1 家也报道了
- Rohan Paul (@rohanpaul_ai)