حتی بهترین هوش مصنوعی تنها 12 درصد از مشاغل واقعی را در معیار تولید ناخالص داخلی SemiAnalysis تکمیل می کند.

SemiAnalysis در 2 نوامبر یک معیار عامل جدید به نام GDPx منتشر کرد که 13 مدل هوش مصنوعی مرزی را در محیط های کاری شبیه سازی شده قرار داد و از آنها خواست تا 206 کار حرفه ای را انجام دهند - و بهترین مدل تنها 12.0٪ را تکمیل کرد. کلود اوپوس 5.5 آنتروپیک با 12.0 درصد، جمینی 4 کربن گوگل با 10.9 درصد در رتبه دوم، GPT-6 آسترا OpenAI با 9.6 درصد در رتبه سوم قرار گرفت و مدل پایین‌تر یعنی GLM 5.3 Z.ai با 2.7 درصد مدیریت شد. این داستانی در مورد بدتر شدن مدل ها نیست. این داستانی در مورد صادق بودن آزمون است: GDPx به مشاغل نمره می دهد، نه پاسخ های امتحانی. (عکس روی جلد یک عکس فایل از یک مرکز داده هوش مصنوعی است.)

آنچه آزمایش می کند: 11 دامنه با بازده بالا، هشت ساعت در هر کار

GDPx شامل طراحی تراشه، طراحی سخت‌افزار، امنیت سایبری، زیست‌شناسی، مالی، حقوقی، تجارت کمی، خودبهبودی بازگشتی، علم مواد، تراز و مهندسی نرم‌افزار می‌شود - 11 حوزه برای بازگشت اقتصادی سرمایه‌گذاری به جای سهم تولید ناخالص داخلی انتخاب شده‌اند. وظایف مالی آن یک معامله سهام خصوصی واقعی را بازسازی می کند، صندوقی که تقریباً 62 درصد از یک تولید کننده تنقلات را به قیمت حدود 880 میلیون دلار به اضافه درآمد خریداری می کند، که در حدود 4000 پرونده معامله ناشناس که مدل باید از طریق آنها کار کند، پخش می شود. وظایف امنیت سایبری در برابر سرویس‌های زنده که دارای آسیب‌پذیری‌های اصلاح‌نشده واقعی هستند، اجرا می‌شوند. وظایف دارای محدودیت پیش‌فرض هشت ساعته هستند و مدل‌ها در صورت وجود با ابزار اصلی خود اجرا می‌شوند - Claude Code برای Opus 5.5، Codex برای GPT-6 Astra، Antigravity برای Gemini 4 Carbon - با امتیاز سرفصل میانگین نرخ‌های عبور اولین تلاش در سه بار و وزن دادن به هر دامنه به طور مساوی.

رهبران مختلف بر اساس دامنه؛ مالی و حقوقی در صفر است

Opus 5.5 برنده تجارت کوانت، طراحی سخت افزار و طراحی تراشه به طور کامل شد. Gemini 4 Carbon led زیست شناسی و مهندسی نرم افزار. GPT-6 Astra خود بهسازی بازگشتی و علم مواد را انجام داد. اما در درجه بندی باینری - یک کار فقط در صورتی به حساب می آید که پایان به انتها انجام شود - هر مدل در هر دو جنبه مالی و حقوقی نمره صفر می گیرد، به همین دلیل است که SemiAnalysis در عوض امتیازهای اعتباری جزئی را برای آن دامنه ها گزارش می دهد. در معاملات کوانت، 70 مورد از 111 اجرا درجه بندی شده، یک استراتژی مرجع ساده را کمتر انجام دادند، و در کارهای متمرکز بر هم ترازی، 196 از 200 اجرا حداقل یک قانون رفتاری را زیر پا گذاشتند. هزینه ها به اندازه قابلیت متفاوت بود: Opus 5.5 به طور متوسط ​​51.41 دلار برای هر کار، Gemini 4 Carbon تقریباً یک سوم آن با 16.29 دلار، و GPT-6 Astra با 53.99 دلار در هر کار با امتیاز 2.4 کمتر از رهبر، گران ترین قیمت بود.

نحوه خواندن 12٪: سه هشدار

اول، GDPx یک محصول SemiAnalysis است که وظایف آن توسط شرکا به طور مستقل ممیزی نشده است، بنابراین در روز اول هر عدد گزارش خود ناشر است. دوم، خود SemiAnalysis می‌گوید که Opus 5.5 و GPT-6 Astra توسط طبقه‌بندی‌کننده‌های ایمنی خود در زمینه امنیت سایبری، زیست‌شناسی و وظایف هم‌ترازی عقب‌نشینی می‌کنند، که باعث می‌شود رقم 12.0 درصد برای آن مدل‌ها محافظه‌کار باشد. سوم، GDPx به عنوان جانشین GDPval OpenAI از سپتامبر 2025 قرار می گیرد، که SemiAnalysis استدلال می کند که به دوران پیش از عامل تعلق دارد، زیرا مدل را بدون هیچ گونه تعاملی، همه زمینه ها را در جلو قرار می دهد. شرکت برنامه‌ریزی می‌کند هر سه تا شش ماه یکبار به‌روزرسانی شود، بنابراین مطالعه بعدی نشان می‌دهد که خط به کدام سمت حرکت می‌کند.