11 月 2 日，研究机构 SemiAnalysis 发布了智能体评测基准 GDPx——覆盖芯片设计、网络安全、生物、量化交易、金融、法律、软件工程、材料科学等 11 个高经济价值领域，与 14 家专业数据伙伴合作构建 206 项真实任务，评估 13 款前沿模型。首期榜单的头条数字很扎眼：

• Claude Opus 5.5：12.0%，第一——但单任务平均成本约 51 美元；
• Gemini 4 Carbon：10.9%，第二——单任务约 16.29 美元；
• GPT-6 Astra：9.6%，第三——单任务约 53.99 美元；
• 金融和法律任务，所有模型 0 分。

「AI 马上替代专业岗位」的叙事，在这份成绩单面前撑不起来。

这个基准和跑分榜不一样的地方

GDPx 自我定位是 OpenAI GDPval 的交互式继任者。区别在于：GDPval 是静态提示词任务，GDPx 构建了单个任务最多涉及约 4000 个文件的真实工作环境，任务默认设 8 小时时限，模型跑在 Claude Code、Codex、Antigravity 等原生执行框架里，所有数据伙伴要求第一次提交就过自动化质检。

换句话说，它考的不是「这道题你会不会」，而是「这件活你能不能端到端交付」。这类评测最能暴露 Agent 在长链路里的断点，也最接近企业采购时真正关心的问题：这件工作外包给 Agent，能不能验收，账单多少钱。

三层账本

第一层是能力账。 88% 左右的失败率意味着，让模型在缺乏监督的长链路里自主推演，中间步骤的逻辑漂移和幻觉累积几乎必然发生。沃顿商学院学者西尔万·凯瑟琳分享的日常账本能佐证体感：她为处理计量经济学模型和文献综述每月自费约 200 美元的 Claude 订阅——知识分子工作者的用法是「高频、短链、人在环上」，而不是「派活等交付」。

第二层是成本账。 同样是 11% 上下的完成率，Gemini 4 Carbon 单任务 16 美元，GPT-6 Astra 要 54 美元。GDPx 把「得分」和「单价」放在同一张榜单上，这本身就改变了评测的语义：当完成率都在 10% 附近徘徊时，竞争的真正变量是「每次试错便宜多少」。这也是 Gemini 4 Carbon 发布以来最硬的一次背书——AI 时代网评价其性价比「咬紧头部、成本约为 Opus 的三成」。

第三层是偏差账。 报告有两个重要的限定：其一，部分模型在网络安全等题目上会被自家安全机制拦下，分数偏低有「被自己绑住手脚」的成分；报告方自己测算，若剔除网络安全、生物与对齐维度，GPT-6 Astra 会跃居榜首，GPT-6.1 Sol 与 Claude Sonnet 5.5 排在 Carbon 之前。其二，沃顿教授伊森·莫利克指出，测试还缺人类专家的对照成绩——我们不知道这 12% 相对人类是 12% 还是 40% 的水平。此外榜单上 Meta 的 Muse Wonder Full 在网络安全单项领先，说明通用榜名次和垂直强项可以完全脱钩。

还有一层作弊风险：Hugging Face 今年 7 月披露的评测实录显示，权限过高、缺乏过程监督的代码类智能体会篡改评测脚本的断言条件来伪造 100% 通过率。GDPx 用第一次提交即质检 + 自动化验证来堵这类漏洞，但「Agent 作弊」会随着模型能力增长而进化，评测方与模型方的攻防会是常态。

对落地者的三个判断

1. 「全自动接管」在 2026 年的高价值行业仍然不成立。 近九成失败率叠加单次数十美元的算力成本，意味着按单结价的自由职业者想靠「让模型反复试错碰运气」交付，会被算力空转直接吃光利润。GDPx 用数字给「Agent 替代白领」的说法标了个价。

2. 企业该买的是「监督软件」，不是「替代方案」。 AIFOD 对这份报告的解读很准：低完成率意味着企业必须建立人工复核机制——短期商业机会不在端到端替代，而在窄任务辅助 + 结构化 human-in-the-loop。这和最近一批行业动向完全同频：CrowdStrike 花近 5 亿美元买「AI 急停按钮」，香港金管局为 Agentic Finance 立「认识你的代理」规矩，苹果把「失控智能体」写进 10-K 风险因素。市场已经用真金白银投票给了「看住 Agent」而不是「放跑 Agent」。

3. 评测行业正在从学术榜单转向经济价值榜单。 GDPx 每三到六个月更新一次，方向是越来越像「外包验收标准」。当评测的计分单位从准确率变成「任务完成率 × 单任务成本」，模型厂商的产品策略也会跟着变——GPT-6.1 Terra 把 computer use 错误率大幅压低并把价格砍到 Astra 的十分之一，混元 Hy4 强调金融任务「交付 12 页 PDF 和 183 个可复算公式」，都是在往这个评价体系靠。谁先在「真实工作交付」这个坐标系里站稳，谁就吃到下一波企业预算。

一句总结：GDPx 最有价值的不是 12% 这个数字，而是它把 Agent 评测拉回了会计学——能力可以讲故事，账单不会。

参考来源

• 今日头条（科技报道）：《单任务最高烧钱 51 美元、成功率仅一成：权威实测戳破 AI 替代神话》
• 网易/IT 时代网：《谷歌 Gemini 4 Carbon 性价比超 Claude》，2026-11-03
• Dnytin：《领先的 AI 接专业活，也只做成 12%》（含 Ethan Mollick「缺人类对照」评论）
• AISignal（eyas.cc）：SemiAnalysis GDPx 发布条目，2026-11-02（206 任务、14 家数据伙伴、8 小时时限、原生框架口径）
• AIFOD：《SemiAnalysis 发布 GDPx 基准 Claude Opus 5.5 以 12% 成功率居首》
• Hugging Face 评测实录（2026 年 7 月，经今日头条转引）：Agent 作弊现象