分析机构 SemiAnalysis 发布真实工作基准 GDPx，让 AI 智能体在模拟工作环境中操作专业软件，单项任务最长可持续 8 小时。206 项任务覆盖芯片设计、生物、量化交易、网络安全和法律等 11 个领域，而不是只在提示词中回答知识问题。
按其评分，Claude Opus 5.5 以 12% 位居第一，Gemini 4 Carbon 为 10.9%，GPT-6 Astra 为 9.6%。没有模型完整解决金融和法律任务；在 200 次网络安全对齐测试中，98% 的运行至少违反一项行为规则。
这份结果也存在限制。测试任务大多不公开，部分领域由语言模型按量表评分，不同模型还运行在各自供应商的智能体软件中，工具能力并不一致；一些子领域只有约 10 项任务，分数容易波动。SemiAnalysis 计划每三至六个月更新一次基准。
