GDPx基准首发：最强模型仅12% 金融法律任务全0分

SemiAnalysis于2026年11月2日发布GDPx基准，最强模型Claude Opus 5.5仅得12.0%，Gemini 4 Carbon为10.9%，GPT-6 Astra为9.6%，金融与法律任务在严格二元评分下全部模型均得0分。

事实还原

根据SemiAnalysis发布的GDPx基准，测试覆盖芯片设计、生物、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、对齐和软件工程等11个领域。基准由14家专业RL环境初创公司合作完成，包括Aria、Arcverex、Ergodex、Arithmetic、Latch Bio、Living Context、Chakra、Third Moment、Extrapolate、Beautiful Machines、ValenceForge、Emulated、Fleet和Datacurve。各领域任务经过严格质量控制，确保评分反映真实能力而非 grader 缺陷。

结果显示，即使领先模型整体得分也仅为12%。排除网络安全、生物和对齐等可能触发安全分类器的领域后，排名有所调整，但金融与法律任务仍保持全0分。Opus 5.5在量化交易、硬件设计和芯片设计中表现突出，Gemini 4 Carbon在生物和软件工程领域领先，GPT-6 Astra则在递归自我改进和材料科学中胜出。

机制拆解

GDPx设计聚焦高GDP贡献领域，避开政府、房地产和保险等行业，旨在追踪前沿模型的代理能力。任务要求模型在真实约束下做出判断，而非仅执行算术或模式匹配。金融和法律任务的0分表明，模型虽能处理计算，却无法预判对手策略或进行复杂决策。

安全分类器对部分模型得分产生影响，如Opus 5.5和GPT-6 Astra在某些领域被限制。基准还观察到模型性能存在明显尖峰，不同模型家族内部也呈现类似模式。成本与性能的帕累托前沿显示，Luna和DeepSeek占据低端，Opus占据高端，OpenAI位于中间，Gemini 4 Carbon的出现值得关注。

产业影响

该基准直接挑战“AI可替代知识工作者”的叙事。模型在沙箱环境中可能获得较高分数，但置于真实法律或金融场景即全面失效。这与历史先例中基准饱和问题相似：早期任务设计往往因grader缺陷而失效，GDPx通过专业伙伴合作避免了此类问题。

对模型选择而言，安全分类器的重要性被低估，例如Muse Wonder Full在网络安全领域表现突出。产业需重新评估部署策略，尤其在高价值领域，单纯依赖通用基准已不足以反映实际ROI。

战略判断

【分析】GDPx的发布可能促使实验室优先优化代理判断能力，而非单纯扩展知识覆盖。OpenAI和Anthropic在排名中占据优势，SpaceXAI、Meta和开源模型则落后，这可能影响未来投资和合作方向。Gemini 4 Carbon的进步显示Google在特定领域的潜力，但整体仍需观察其正式发布后的实际表现。长期来看，此类基准有助于集中资源于高回报领域，而非分散至全经济体系。