最强模型也只做对 12%：SemiAnalysis 发布 GDPx 智能体评测，Claude Opus 5.5 登顶

芯片与 AI 研究机构 SemiAnalysis 在 11 月 2 日发布了全新评测 GDPx，目标是做衡量通用智能体能力的全球最佳标尺。评测覆盖 11 个高经济价值领域：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、对齐与软件工程。首版 v1.0 共 206 个任务，由 14 家专业数据合作方搭建，13 个前沿模型参评，官方榜单见 GDPx 官网。

首版榜单上，Anthropic 的 Claude Opus 5.5 以 12.0% 居首，Google 的 Gemini 4 Carbon 以 10.9% 排第二，OpenAI 的 GPT-6 Astra 以 9.6% 排第三，Meta 的 Muse Wonder Full 以 9.0% 排第四，Z.ai 的 GLM 5.3 以 2.7% 垫底。分领域看，Opus 5.5 拿下量化交易、硬件设计与芯片设计；Gemini 4 Carbon 在生物与软件工程领先；GPT-6 Astra 在递归自我改进与材料科学最强。金融与法律任务难到所有模型都得了 0 分。

GDPx 与 OpenAI 2025 年 9 月发布的 GDPval 最大的不同，是每个任务都带真实仿真环境，而不是把全部上下文喂给模型、让它一次性交作业。金融任务复刻了一笔约 8.8 亿美元并购案的 4000 份文件数据室，网络安全任务基于真实零日漏洞搭建了多个在线服务，材料科学任务则把模型放进带电池循环仪、催化反应器与透射电镜的模拟实验室。每项任务限时 8 小时，模型用各自的原生工具链作答——Opus 5.5 用 Claude Code、GPT-6 Astra 用 Codex、Gemini 4 Carbon 用 Antigravity。

值得注意的是，SemiAnalysis 自己承认，Opus 5.5 与 GPT-6 Astra 的总分被各自的安全分类器拉低了——在网络安全、生物与对齐三个领域，分类器会拦截部分任务；剔除这三个领域后排名会变化，GPT-6 Astra 会反超。SemiAnalysis 还称，Meta 的 Muse Wonder Full 是目前最好的网络安全模型。需要提醒的是，这些成绩均为 SemiAnalysis 自测，未经第三方独立复现；评测计划每 3 到 6 个月更新一版，榜单还会继续变。

来源：SemiAnalysis，原文：https://newsletter.semianalysis.com/p/gdpx-measuring-frontier-model-capabilities