最强智能体也只考 12%：SemiAnalysis 发布 GDPx，金融与法律全军覆没
SemiAnalysis 官方公告发布 GDPx：206 个专家长任务、11 个领域，Claude Opus 5.5 以 12.0% 居首，金融与法律领域所有模型均为 0 分，榜单为官方自家运行、未经独立重跑。
- 01THE ANNOUNCEMENT：SemiAnalysis 官方公告 11 月 2 日发布 GDPx 首版，206 个任务、11 个领域。
- 02THE CONFIRMATION：Unite.AI 等独立报道核对榜单数字与领域结果，与官方口径一致。
- 03THE WATCHPOINT：3 到 6 个月后的新版榜单，模型在长任务上的进展幅度。
WHAT HAPPENED发生了什么
SemiAnalysis 11 月 2 日发布 GDPx，一套面向通用智能体能力的新基准：首版 206 个长任务，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、对齐与软件工程 11 个领域，由 14 家专业数据伙伴共建。
首版 13 个模型的榜单上，Anthropic 的 Claude Opus 5.5 以 12.0% 居首，Google 的 Gemini 4 Carbon 以 10.9% 第二，OpenAI 的 GPT-6 Astra 以 9.6% 第三。排行榜报道口径的单任务成本：Opus 约 51.41 美元，Carbon 约 16.29 美元，Astra 约 53.99 美元。
最刺眼的数字在金融与法律：官方公告称，基本上所有模型在这两个领域都正好是 0 分，任务难到二元评分下无人过关，因此官方改报平均部分分。
官方同时主动写出拖累项：Opus 5.5 与 GPT-6 Astra 的总分被各自的安全分类器拉低，分类器在网络安全、生物与对齐领域会拦截或截断合法的专业工作；去掉这三个领域后排名会变化。
任务设计刻意贴近真实工作：默认单任务时限 8 小时，模型用各自原生工具链运行，金融任务复刻一桩真实私募交易，环境里有约 4000 份匿名文件。SemiAnalysis 把 GDPx 定位为 2025 年 9 月 OpenAI GDPval 的继任者，计划每 3 到 6 个月出新版。
WHY IT MATTERS12% 的天花板，才是这份榜单的新闻
最强模型在专家级长任务上只完成约八分之一，这个数字本身就是对智能体叙事的一次校准：短任务、单提示词的基准分再高，也推导不出一个模型能独立扛下一整桩专业工作。
榜单的真正用途是定位短板：量化交易、芯片与硬件设计有人领先，生物与软件工程另有人领先，金融与法律全军覆没。选模型先看领域分，再看总分。
WHY IT MATTERS与 LifeVal 对读，分数的口径比分数本身重要
同一周里，OpenAI 的 LifeVal 在日常任务示例上给出 90% 以上的自报分数，SemiAnalysis 的 GDPx 在专家长任务上只给出 12% 的最高分。两个数字都不假，任务难度、评分方式与出题方完全不同。
读基准先问三件事：谁出的题、谁打的分、任务是不是真实工作环境。答不上来，任何分数都只是发布方的一面之词。
SIGNAL JUDGMENT天花板低，才是真实信号
Tokenta Signal 判断：GDPx 的 12% 不是模型退步的证据，而是长任务基准终于开始量真实工作。下一信号是 3 到 6 个月后的新版，榜单动不动比首版数字更说明问题。
WHAT REMAINS UNCERTAIN还有什么不确定
EVIDENCE证据
SemiAnalysis 官方公告与 Unite.AI 独立报道双源确认，原文链接已打开验证。
PRIMARY SOURCES原始来源
- SemiAnalysis 官方公告
https://newsletter.semianalysis.com/p/gdpx-measuring-frontier-model-capabilities - Unite.AI 独立报道
https://www.unite.ai/semianalysis-launches-gdpx-benchmark-spanning-11-agentic-domains/