在 AI 代理基準測試 GDPx 中，沒有任何模型的得分超過 12%

分析公司 SemiAnalysis 推出了一項名為 GDPx 的全新基準測試，旨在評估 AI 代理執行複雜專業任務的能力。測試涵蓋了廣泛的學科，包括晶片設計與金融市場的量化交易。

研究結果顯示，目前的旗艦模型皆無法勝任這些任務：沒有任何模型能突破 12% 的成功率門檻。在排行榜中，Claude Opus 5.5 處於領先地位，僅以些微優勢勝過 Gemini 4 Carbon。

GDPx 的方法論遭到了專家的批評。主要爭議點在於每個領域的任務數量有限，且測試條件不均，這可能會扭曲神經網路在實際工作流程中能力的真實情況。

對於開發人員及導入自主代理的公司而言，這些數據顯示目前的系統尚未準備好完全取代專業領域的技術人員。低分表現凸顯了模型在生成文字的能力與解決多階段工程任務的能力之間，仍存在巨大差距。