SemiAnalysis 發布 GDPx，一項代理式基準測試，最佳模型得分僅 12%

SemiAnalysis 發布了 GDPx，這是一項評估代理式能力的基準測試，涵蓋其認為最具價值的領域，包括晶片設計、資安和生物學。該公司表示，即使是最佳模型也只得到 12% 的分數。一則轉述結果的貼文稱，Claude Opus 5.5 以 12.0% 居首，即將推出的 Gemini 4 Carbon 則為 10.9%；這是轉述者對結果的解讀，並非 SemiAnalysis 自己的說法。

• 領域選擇：SemiAnalysis 認為，AI 收入的首個一兆美元將集中在能以高報酬部署前沿智慧的產業，因此不採用依 GDP 占比或職業分類加權的基準測試。測試涵蓋晶片設計、資安和生物領域，而非政府、房地產和保險等領域。
• 安全分類器：SemiAnalysis 表示，Opus 5.5 和 GPT-6 Astra 的總分較低，因為它們的安全分類器有時會在資安、生物學和對齊任務中觸發。排除這三個領域後，排名會有所不同；該公司表示，這個排名符合其對模型的主觀印象。它稱 Muse Wonder Full 是目前可用的最佳資安模型，且優勢相當明顯。
• 建置方式：每個領域都至少有一位專業資料合作夥伴參與，SemiAnalysis 則負責最後的品質檢查和任務調整。Fireworks 為開源模型提供推論服務，Modal 則提供沙盒基礎設施。

截至 11 月 1 日，這則公告串在 X 上獲得 262 點；這些結果來自 SemiAnalysis 本身，尚未經獨立驗證。