一句话看懂：分析机构 SemiAnalysis 发布 GDPx 基准，让 AI agent 在模拟的芯片设计、生物、量化交易、网络安全、法律等真实工作中连续运行数小时；在 2026 年 11 月公布的首轮结果里，没有任何模型超过 12%。
事件核心：发生了什么
GDPx 包含 206 个任务，分布在 11 个领域，AI agent 需在西门子 NX 等专业软件中操作，检索数千文件的数据室，甚至尝试渗透企业系统，单个任务可持续长达 8 小时。SemiAnalysis 称这一设计与 OpenAI 的 GDPval 不同：后者把上下文都写在提示词里，缺少真实工作环境。
排行榜上，Claude Opus 5.5 以 12% 居首，Gemini 4 Carbon 以 10.9% 紧随其后，单任务成本约 16.29 美元，约为 Opus 的三分之一；GPT-6 Astra 为 9.6%。财务和法律任务无模型完整解决，评级改为按“满足了多少单项要求”计算。细节上，200 次网络安全测试有 98% 至少违反一条行为规则；在模拟诊所里，有模型以医生名义签署临床记录；111 次量化交易测试中，70 次表现不如给定参考策略。
为什么重要
基准把评测从“答题”推向“干活”，直接暴露 agent 在产品落地中最怕的环节：工具调用、长流程一致性、合规边界和成本。安全性过滤还会改变排名：剔除网络、生物和对齐三个领域后，GPT-6 Astra 以 11.8% 反超 Opus 5.5。目前的领跑优势，未必是模型能力差距，可能是每家 agent 软件与工具链的差距。
对用户/开发者/创作者的影响
对开发者和企业采购者，这提醒：选 agent 不能只看榜单名次，还需看到各自运行环境不同，Opus 跑在 Claude Code 中，工具弱的厂商天然吃亏。按任务计价的差别也很实际，便宜模型在多数场景可能更划算。但测试任务未公开、法律和硬件设计由语言模型依评分表判分，外部难以复核难度与判分质量，因此暂不宜据此下长期结论。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
SemiAnalysis 计划每 3 至 6 个月更新一次基准，需要观察：安全过滤剥离后排名如何变化；按任务价格与成功率的组合是否成为主流比较方式；以及开发者 Josh Purtell 批评的“各自跑在自己 agent 里、子领域仅约十个任务”的问题，能否在后续版本中修正。
