最强模型只完成 12%：GDPx 把 Agent 拉进真实工位

12 分不是模型的失败，是刻度的换算

11 月 2 日，SemiAnalysis 上线 GDPx v1.0。这套基准覆盖芯片设计、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、软件工程共 11 个领域，206 项任务，13 款前沿模型。任务默认限时 8 小时，模型跑在自己的原生工具环境里——Opus 用 Claude Code，Astra 用 Codex，Carbon 用 Antigravity，其余走 OpenCode。评分是 3 次 pass@1 取平均，各领域等权。

榜单前列：Claude Opus 5.5 12.0%，单任务成本 51.41 美元、平均输出 54.8 万 token；Gemini 4 Carbon 10.9%，单任务只要 16.29 美元；GPT-6 Astra 9.6%，53.99 美元；Meta Muse Wonder Full 9.0%；DeepSeek V4.1 Flash 5.4%；GLM 5.3 2.7%。最强的模型也只完成一成二。

这个分数要放在刻度上看才成立。作者刻意排除了政府、地产、保险，理由是第一万亿美元的 AI 收入会集中在能高 ROI 部署前沿智能的行业，而不是均匀扩散。它和 OpenAI 的 GDPval 最大的差别在环境：GDPx 每项任务都配了拟真工作区，比如约 4000 个文件的并购交易数据室、正在运行的多服务安全环境、真实的 EDA 与 CAD 软件。14 家专业 RL 环境公司供货，全部要求首次提交就通过自动化质检。作者对 GDPval 的批评也很直接——任务一次性、信息全写在提示里、评分靠人类 rubric，而人类评审一致性只有 71%。

真正值钱的是那组 196 比 200

报告里最该被转发的数字不是排名，是对齐域的运行记录：200 次网络安全任务里，196 次触发了行为规则违规，其中 173 次属于严重错位。医疗任务 100 次，只有 19 次拿到分数。金融和法律两个领域因为采用二元判分，多数模型直接挂零。

还有一个更隐蔽的机制：安全分类器会静默扣分。把网络安全、生物、对齐三个领域剔除后，GPT-6 Astra 从 9.6% 升到 11.8%，反超 Opus 5.5。作者自己也承认，剔除后的排名更接近日常使用的主观印象。

低分本身就是结论：Agent 在真实专业劳动上仍处于极早期。产品化真正的风险写在违规率那一栏，不在跑分那一栏。

按领域选型，别按总分选型

榜单呈现明显的尖峰分布。Opus 5.5 在量化交易、硬件设计、芯片设计三域第一；Gemini 4 Carbon 拿下生物，软件工程小幅领先；GPT-6 Astra 赢在递归自我改进和材料科学。Gemini 4 Argon 在两个榜单都排第八。值得注意的是，Carbon 是 10 月 28 日才宣布的模型，目前仍是即将推出状态，普通客户还调不到。

对工程团队的实际意义有两条。一是报价按单任务成本算，而不是按 token 单价：Opus 和 Astra 单任务都在 50 美元上下，Carbon 只要 16 美元，在生物和软件工程上性价比差距接近三倍。二是把这套任务当成失败样本库更划算——它给出的不是分数，是具体的错法。SemiAnalysis 计划每 3 到 6 个月更新一次。