一项由SemiAnalysis开发的新基准测试GDPx,评估了AI模型在长达八小时的复杂、多步骤任务上的表现。测试结果显示,即使是表现最佳的模型Claude Opus 5.5,成功率也仅为12%,Gemini 4 Carbon和GPT-6 Astra的得分略低。这些结果挑战了完全自主AI代理的说法,表明当前AI更适合增强人类专家而非取代他们,尤其是在模型表现不佳的金融和法律等领域。 AI
影响 当前AI模型尚不具备自主专家工作的能力,这表明AI路线图需要侧重于增强人类能力。
排序理由 评估AI模型在复杂、长时间任务上表现的新基准测试。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →