SemiAnalysis推出了一项新基准测试GDPx,旨在评估AI代理在模拟知识工作任务中的表现,涵盖芯片设计和量化交易等多个领域。然而,目前的AI代理表现不佳,没有一个得分超过12%。Claude Opus 5.5和Gemini 4 Carbon被认为是领先者,尽管该基准测试因每个领域的任务数量有限和测试条件不一致而受到批评。 AI
影响 凸显了当前AI代理在复杂知识工作中的局限性,表明需要对其能力进行重大改进。
排序理由 一家研究公司发布了新的基准测试,评估AI代理的能力。[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 →