原题：No AI agent scores above 12 percent on SemiAnalysis' new real-world work benchmark
分析机构 SemiAnalysis 11 月 2 日发布 GDPx 基准：206 项任务覆盖芯片设计、生物、量化交易、网络安全、法律等 11 个领域，让智能体在模拟工作环境里操作专业软件，单题最长 8 小时。据 The Decoder，Claude Opus 5.5 以 12% 居首，Gemini 4 Carbon 10.9%（每题成本约为其三分之一），GPT-6 Astra 9.6%；去掉网络安全、生物、对齐三个受安全过滤影响的领域后，GPT-6 Astra 以 11.8% 反超。批评者指出大部分题目不公开、子领域常只有约 10 题、各模型在自家智能体软件里运行，结果波动大。
为什么重要 把智能体放进专业软件跑长任务，分数远低于常见基准；但题目不公开、各家用自家工具，可比性有争议。
可信度：高可信 · 来源 SemiAnalysis 等 2 家（含官方） · 事件时间 11-02 08:00（北京时间）
理由
- SemiAnalysis 发布基准和方法说明，The Decoder 报道并汇总了批评意见
用法
- 榜单见 gdpx.semianalysis.com
风险
- 任务大多不公开，部分领域由语言模型按评分细则打分，外界难以复核