Ни одна модель не набрала выше 12% в бенчмарке для AI-агентов GDPx

Аналитическая компания SemiAnalysis представила новый бенчмарк GDPx, предназначенный для оценки способностей AI-агентов в выполнении сложных профессиональных задач. Тестирование охватывает широкий спектр дисциплин, включая проектирование микрочипов и количественную торговлю на финансовых рынках.

Результаты исследования показали, что текущие флагманские модели не справляются с поставленными задачами: ни одна из них не смогла преодолеть порог в 12% успешности выполнения. В лидерах рейтинга оказались Claude Opus 5.5, которая показала минимальное преимущество над Gemini 4 Carbon.

Методология GDPx подверглась критике со стороны экспертов. Основные претензии касаются ограниченного количества задач для каждой предметной области, а также неравномерных условий тестирования, что может искажать реальную картину возможностей нейросетей в рабочих процессах.

Для разработчиков и компаний, внедряющих автономных агентов, эти данные служат индикатором того, что текущие системы пока не готовы к полноценной замене специалистов в узкоспециализированных технических областях. Низкие показатели подчеркивают разрыв между способностью моделей генерировать текст и их умением решать многоэтапные инженерные задачи.