要点
- SemiAnalysis（Max Kan、Andrew Megalaa、Dylan Patel）发布 GDPx，自称面向「最高价值领域」的通用智能体能力基准；公开预览称即使最强模型总分也仅约 12%。
- 作者批评 OpenAI GDPval（及其衍生）任务多为非交互、一次性、环境贫乏；GDPx 则强调真实/模拟工作环境，默认任务时限约 8 小时，并尽量在模型原生 harness 中运行。
- 预览指出安全分类器会压低部分模型（如 Opus 5.5、GPT-6 Astra）在网络/生物/对齐域的总分；分域表现呈「尖刺」——例如宣称 Muse Wonder Full 在网络域领先、Opus 5.5 在量化/硬件/芯片领先。
SemiAnalysis 把评测叙事从「职业分类里的平均劳动」挪到「能先吃到高 ROI 的前沿智能体场景」。公开预览里最刺耳的数字不是某一家的榜首，而是天花板：最强总分约 12%。
可证伪的读法是：若 GDPx 的任务与评分在付费全文、官网与第三方复现中站得住，那么「通用智能体已接近可部署于高价值岗位」的叙事会被压到「仍远低于专家工作流」；若 12% 主要来自过难标尺、安全拒答或评分噪声，则该数字不能单独用来否定模型在窄域上的可用进展。
[1]已核实的公开事实：文章日期为 2026-11-02；作者为 Max Kan、Andrew Megalaa、Dylan Patel；主题为 GDPx，覆盖 RSI、硬件设计、网络、生物、金融、法律、量化交易、芯片设计、软件工程、材料科学与对齐等。作者主张首个万亿美元级 AI 收入会集中在能部署高 ROI 前沿智能的行业，因此反对按 GDP 份额或 SOC/O*NET 职业分类构造「通用」基准，并刻意淡化政府、房地产、保险等扩散更慢的领域。
方法侧预览称：与各域专业化 RL 环境创业公司合作；伙伴需通过其 QA（强调尽量首轮通过）；默认任务时限 8 小时；在可用时使用原生 harness（如 Claude Code / Codex / Antigravity），否则默认 OpenCode。对 OpenAI GDPval，作者指责任务「被喂齐上下文」、非交互、缺少真实环境，并点名评分量表噪声、错误金标、过期链接等问题。
[1]证据层级属于行业研究通讯的一级自评基准发布，不是同行评审论文。预览给出的硬说法包括：最强总分约 12%；OpenAI 与 Anthropic 总体靠前，SpaceXAI、Meta 与开源权重明显落后；Gemini 4 Carbon 被认为进入与 Opus / Astra 同量级讨论；成本—性能帕累托上 Luna 与 DeepSeek 争低端、Opus 占高端、OpenAI 占中段。
局限必须写清：正文标注 Paid，本篇仅依据公开预览可核对文本与图表说明，未核验付费全文中的完整任务表、评分协议与原始分。模型名（Opus 5.5、GPT-6 Astra、Gemini 4 Carbon、Muse Wonder Full 等）与分域胜负均来自作者表述，第三方尚未在同一套环境复现。
[1]钢人论证：若高价值工作确实是长时程、多工具、带内部知识库的智能体流程，则 GDPval 式「一页 PDF + 一次写报告」会系统性高估「看起来能干活」；引入真实交易室/零日环境/研究日志的 GDPx，更可能测到部署瓶颈。
钢人的硬伤是利益与可复现性：SemiAnalysis 自己定义域权重、挑选伙伴、运营 QA，又销售订阅与 Tokenomics 叙事；安全分类器导致的「砂袋」效应也会让总分与真实可用能力脱钩。读者应把 12% 读作「作者标尺下的远未饱和」，而不是实验室无关的绝对物理常量。
[1]对买家，分域尖刺比总分更有用：网络、生物、对齐上的安全拒答可能把「最强通用模型」变成「该域不可用」；对实验室，原生 harness 评测会把产品包装与模型能力绑在一起，榜单争议将同时打在模型与工具链上。
对政策与安全读者，作者把安全分类器写成「选模型时被低估的变量」——这既是产品提醒，也可能被读成「放宽拒答就能涨分」的激励。未来六个月，真正改变叙事的是独立复现与公开任务子集，而不是又一张自家雷达图。
[1]若后续公开复现仍显示头部模型在 GDPx 类长时程环境任务上远低于专家基线，则「高价值岗位可大规模自动化」应继续按试点与人机协作定价，而不是按平均 GDP 替代率讲故事。若复现证明 12% 主要是标尺过难或拒答伪影，则应下调对「全面远未就绪」的外推强度，但仍保留「环境丰富度比一页提示词更接近真实工作」这一方法主张。
【No.2】
[1]