11 月 2 日，SemiAnalysis 发布通用智能体基准 GDPx v1.0。206 道题，11 个领域，14 家专做强化学习环境的初创公司分头出题，每道题默认给模型八小时。榜首是 Anthropic 的 Claude Opus 5.5，12.0%；Google 尚未正式开放的 Gemini 4 Carbon 10.9%；OpenAI 的 GPT-6 Astra 9.6%。三家旗舰挤在十分上下，头名与第三名只差 2.4 个百分点。
这份榜单真正值得读的地方不在 12% 这个数字，而在分数背后那三样东西：任务怎么加权、护栏算不算能力、工具框架算谁的。把这三样拆开，才知道该拿它做什么用。
十二分是按三套权重凑出来的
206 道题分得很不均。芯片设计 34 道，由 Aria、Arcverex、Ergodex 三家出题；金融 24 道，材料科学 23 道，硬件设计 21 道，法律 20 道，网络安全与对齐各 18 道，软件工程 15 道，生物 13 道，量化交易与递归自我改进各 10 道。评分是三次尝试的 pass@1 均值，可用工具是模型各自的框架：Anthropic 用 Claude Code，OpenAI 用 Codex，Google 用 Antigravity，没有自家框架的模型走 OpenCode。
加权规则是两条：11 个领域各占十一分之一，一个领域内若有多家出题方，各出题方再平分该领域。于是芯片设计那 34 道题要先按三家各自平均，再折成十一分之一；量化交易那 10 道题同样占十一分之一。题多的域不吃香，题少的域不吃亏。
这套规则让总分变成三个变量的乘积：模型在单个任务上的通过率、题目在不同领域之间的分布、以及出题方在领域内的平分方式。任何一项调整都会动名次。SemiAnalysis 自己也承认，若把安全分类器容易触发的网络安全、生物、对齐三域剔除，排名会明显变化，而那套排名更接近他们平时用模型的手感。
零分带落在自己找数这一步
首发报告里有两个领域几乎是空的。金融 24 道题，在二元评分下所有模型得零，只有 Gemini 4 Carbon 在官网榜单上拿到 2.78%；法律 20 道题，二元评分下全零。切到部分分视图，Opus 的金融分是 54.59%、法律 29.92%，全部领域约 22.46%。同一批运行，换一种计分方式，从零分变成刚过半。
这两种分数讲的是两件事。部分分说模型把大部分动作做对了；二元分说交付物不能签字。金融那一档的验收器不看文字写得像不像，只看工作簿里的每一笔调整是否落在正确的期间、正确的科目。半导体和生物那几档更难，要通过签核才轮到效率比较，签核不过就一分没有。
失手点也很具体。公开轨迹里有一道金融题，模型交回的表格里 818 个公式全部有效、重算结果与缓存一致，外部验收器 15 项检查只过了 8 项，漏掉的是一笔三万零二百零四美元的期间归属调整。首发报告复盘该题 25 次运行，其中 15 次把投行成功费算进了净债务，而按协议这笔费用已经单独扣减，重复计入等于让同一笔钱扣两遍。法律那一档更干脆，章程修订题在四个模型上跑了 20 次，没有一份修改稿完整合格，失手多在没发现其他股东的投票权足以撤掉客户想要的保护条款。
这也解释了为什么它要跟 OpenAI 的 GDPval 划清界限。GDPval 把材料整理好放进提示词，模型只需要把结论写成文档；GDPx 把模型丢进一个模拟工位，金融那道题的环境是一笔 8.8 亿美元私募交易的四千份文件副本，数字要自己翻。SemiAnalysis 列出 GDPval 的几处硬伤：评分靠细则打分，专家之间在标准答案子集上的一致率只有 71%；部分细则写错，参考解也有错；题目依赖时点，链接和价格早已过期。他们用同一套质检去扫 Terminal Bench 4.0，近一半任务被判为有缺陷。
护栏和工具框架，也被算进了同一张榜
榜首与第三名之间的 2.4 个百分点，有一部分不是能力差，是拒答差。SemiAnalysis 直接写明，Opus 5.5 与 GPT-6 Astra 的总分被自家安全分类器压低了：在网络安全、生物、对齐这三域，模型有时会拒绝执行或自我限制，分数因此拿不满。反过来，拒答更少的 Meta Muse Wonder Full 在网络安全一项排到了前面，报告称它是当下可用的网安模型里明显靠前的一个。这不意味着它更聪明，只意味着它更少说「不」。
对采购的人来说，这条比排名重要。企业买到的从来不是裸模型，而是模型加护栏加框架的组合。同一张榜上，低分可能来自能力不足，也可能来自分类器在按预期工作，两种低分的处置方式完全相反：前者要换模型，后者要调策略或换场景。报告把这三域剔掉另排一张榜，就是在提示这件事，但那张榜没有公开逐域明细，读者只能看到结论。
工具框架的分量同样被低估。三家旗舰各自在自己家的框架里跑，Opus 用 Claude Code，Astra 用 Codex，Carbon 用 Antigravity。任务里漏读一份文件，可能是模型跳过了，也可能是工具读了没把内容传回来；榜单给不出区分，只能靠固定工具与时间预算、或让同一模型换个框架重跑来拆。
成本轴给出的信息更直接。榜单标出的每题平均成本是：Opus 5.5 约 51.41 美元，Astra 约 53.99 美元，Carbon 约 16.29 美元，GPT-6.1 Sol 约 9.78 美元，GPT-6 Luna 约 0.92 美元。把成功率除进去，得到一个更接近采购决策的数字：每完成一个任务的平均花费，Opus 约 428 美元、Carbon 约 149 美元、Sol 约 116 美元（推算，按榜单成功率与每题成本直接相除，未计失败重试的额外时长）。榜首与第二名之间 1.1 个百分点的差距，在单位成功成本上被放大成接近三倍。
接下来看三件事
第一件是零分带会不会破。SemiAnalysis 说这份基准每三到六个月更新一次，并会加新的出题方。下一版若金融、法律仍是全零，说明卡点不在题目难度，而在跨文件核对与责任判断这类能力本身；若总分整体上移而各域结构不变，更像是环境被摸熟了，而不是能力长了。
第二件是护栏分会不会单独披露。现在只有一句「剔除三域后排名会变」，没有公开的数。企业要把能力与合规分开买，就需要两个数：关掉分类器能拿多少分，开着又能交付多少。谁先给出这一对数，谁就先拿到采购的话语权。
第三件是出题方的身份。14 家环境公司既供题、又卖训练数据与强化学习环境，评测与被测之间存在商业关系。这份榜的可信度，一部分取决于伙伴名单会不会轮换、题目会不会私有化到无法被针对性调优。首发报告说 14 家各公开一道题的运行轨迹，共 168 条，其余题目保持私有，这个比例以后会不会变，比名次更值得记。
来源与说明
[1] GDPx: Measuring Frontier Model Capabilities Across the Most Valuable Domains｜SemiAnalysis｜2026-11-02 [2] SemiAnalysis GDPx: The Best AI Agent Scores 12%, and Models Break Rules in 98% of Cyber Runs｜ExplainX｜2026-11-02 [3] SemiAnalysis Launches GDPx Agent Benchmark; Claude Opus 5.5 Leads at Just 12%｜AI Bacon｜2026-11-02 [4] SemiAnalysis Launches GDPx: Frontier AI Models Score Just 12%｜GPTOnline｜2026-11-02 [5] Anthropic Claude Opus 5.5 Leads SemiAnalysis GDPx Benchmark at 12.0%｜Zubiqo｜2026-11-02 [6] SemiAnalysis 发布 GDPx，最佳模型仅得 12%：智能体在哪一步丢了分？｜微信公众号｜2026-11-02 [7] SemiAnalysis releases GDPx benchmark for frontier AI models｜Digest AI News｜2026-11-02 [8] SemiAnalysis unveils GDPx benchmark, and the best AI model scores 12%｜Web Pulse｜2026-11-02
说明：GDPx 是第三方研究机构发布的评测，不属于任何一家大厂的官方口径；榜单上三家公司模型的名次由该机构自行采集运行得出，未获厂商确认。首发报告对金融、法律的零分同时给出二元与部分分两种视图，本文两处都保留，避免只引一种造成误读。涉及网络安全与对齐两域的越界统计只作比例引用，不展开具体做法。