SemiAnalysis 推出了新的 GDPx 基准测试,旨在评估 AI 代理在 11 个领域的实际专业任务表现,包括芯片设计和量化交易。该基准测试衡量模型在长时间内的表现,任务预算为 8 小时。Claude Opus 5.5 目前以 12% 的得分领跑 GDPx 排行榜,紧随其后的是 Gemini 4 Carbon 和 GPT-6 Astra,这凸显了当前前沿模型在复杂、长周期工作中仍有巨大的改进空间。该基准测试还揭示了成本效益,显示顶级模型之间每项任务的成本存在显著差异,这对于代理部署至关重要。 AI
影响 为 AI 代理提供了一个新的、考虑成本的评估指标,影响专业工作流程的模型选择,并凸显了在金融和法律等领域当前的局限性。
排序理由 发布新的基准测试,用于评估 AI 模型在专业任务上的表现。
在 Mastodon — mastodon.social 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →