最強 AI 也只做對 12% 的工作？SemiAnalysis 新基準 GDPx 實測：206 項真實職場任務大考

研究機構 SemiAnalysis 11 月 2 日發布代理型基準 GDPx，把 13 個前沿 AI 模型放進模擬職場、要求它們真正動手完成 206 項專業任務，結果最好的模型也只完成 12.0%——Anthropic 的 Claude Opus 5.5 以 12.0% 居首，Google 的 Gemini 4 Carbon 以 10.9% 居次，OpenAI 的 GPT-6 Astra 以 9.6% 第三，最低的智譜 GLM 5.3 只有 2.7%。這不是說模型變差了，而是考題變誠實了：GDPx 考的是工作成果，不是問答。（配圖為資料圖片：AI 數據中心。）

考什麼：11 個高回報領域、每項限時 8 小時

GDPx 涵蓋晶片設計、硬體設計、網路安全、生物、金融、法律、量化交易、遞迴自我改進、材料科學、對齊與軟體工程 11 個領域，任務按經濟回報而非產值占比挑選。金融任務重建了一宗真實的私募交易——一支基金以約 8.8 億美元加業績對賭收購一家零食製造商約 62% 股權，模型得翻遍約 4,000 份匿名交易文件；網路安全任務直接對上帶真實未修補漏洞的線上服務。每項任務預設限時 8 小時，模型用各自原生工具作答，如 Opus 用 Claude Code、GPT-6 Astra 用 Codex、Gemini 用 Antigravity，總分是三次嘗試中首次通過率的平均、各領域等權。

各有專長，但金融與法律全軍覆沒

分項看，Opus 5.5 拿下量化交易、硬體設計與晶片設計，Gemini 4 Carbon 領先生物與軟體工程，GPT-6 Astra 領先遞迴自我改進與材料科學。但在二元評分（做完才算過關）下，所有模型在金融與法律任務上全部得零分，SemiAnalysis 因此改用部分給分呈現這兩類；量化交易 111 次評測中有 70 次跑輸簡單的參考策略，對齊任務 200 次中有 196 次至少違反一條行為規則。成本差距也很大：Opus 平均每項任務花 51.41 美元，Gemini 只要約三分之一、16.29 美元，GPT-6 Astra 最貴、53.99 美元卻落後榜首 2.4 個百分點。

怎麼讀這 12%：三個保留

第一，GDPx 是 SemiAnalysis 的付費產品，合作方搭建的任務大多未經外部獨立審計，首日所有數字都是發布方自己的報告。第二，SemiAnalysis 自己承認，Opus 5.5 與 GPT-6 Astra 在網路安全、生物與對齊三類任務上被自身安全分類器拖累分數，12% 因此偏保守。第三，GDPx 定位為 OpenAI 2025 年 9 月 GDPval 的接班人——後者只給提示、不給互動環境，與代理實際部署方式脫節；SemiAnalysis 計劃每 3 至 6 個月更新一次，下一次讀數才能看出這條線往哪走。