HaiAI123

全球AI工具精选导航

发酵中行业动态
↑ 19%

Anthropic 的 Claude Opus 5.5 在 GDPx 基准测试中仅完成 12% 的任务

2026/11/02 — 11/03 03:17·2 个来源（全部）·8 篇报道（全部）

核心速览 (Key Takeaways)

  • 研究机构 SemiAnalysis 发布 GDPx 基准，要求前沿模型在模拟职场中完成最长 8 小时的真实工作任务，而不只是回答问题。
  • Claude Opus 5.5 以完成 12.0% 的任务居首，Gemini 4 Carbon 为 10.9%，GPT-6 Astra 为 9.6%，表现最好的开源权重模型 GLM 5.3 为 2.7%。
  • 撰文者认为低分源于基准更诚实：交付物错误、违规或文件没找到，都算没完成。
  • 但另一篇报道指出，SemiAnalysis 未进行实测，目前没有 Anthropic 或其他厂商的回应。

最新进展SemiAnalysis 发布 GDPx v1.0，用 206 个运行在真实环境中的任务评测前沿模型，覆盖芯片设计、量化交易等 11 个专业领域，任务素材来自 14 家合作机构，每个任务默认预算 8 小时。当前榜单收录 13 个模型，Claude Opus 5.5 以 12.0% 居首，Gemini 4 Carbon 以 10.9% 居次，GPT-6 Astra 为 9.6%。

相关 AI 工具

Claude
updream广告
24 小时热度热度指数 166 · 峰值 198 · 13 小时前
24 小时前现在

这件事的报道 点标题看原文

今天
  1. SemiAnalysis 发布 GDPx 基准，最高分仅 12%

    SemiAnalysis 发布 GDPx v1.0，用 206 个运行在真实环境中的任务评测前沿模型，覆盖芯片设计、量化交易等 11 个专业领域，任务素材来自 14 家合作机构，每个任务默认预算 8 小时。当前榜单收录 13 个模型，Claude Opus 5.5 以 12.0% 居首，Gemini 4 Carbon 以 10.9% 居次，GPT-6 Astra 为 9.6%。

    看长时程专业任务上模型能力边界有多远。

    DEV Community · AIAI 评分 57
  2. SemiAnalysis 发布 GDPx：让模型干 8 小时真活，最高只完成 12%

    研究机构 SemiAnalysis 发布 GDPx 基准，要求前沿模型在模拟职场中完成最长 8 小时的真实工作任务，而不只是回答问题。Claude Opus 5.5 以完成 12.0% 的任务居首，Gemini 4 Carbon 为 10.9%，GPT-6 Astra 为 9.6%，表现最好的开源权重模型 GLM 5.3 为 2.7%。撰文者认为低分源于基准更诚实：交付物错误、违规或文件没找到，都算没完成。

    换一种方式衡量 Agent 到底能不能干活

    DEV Community · AIAI 评分 56
昨天
  1. Claude Opus 5.5 发布：输入价格降至每百万 token 4 美元

    据一篇第三方技术博客整理，Anthropic 发布 Opus 系列新模型 Claude Opus 5.5，定价为每百万输入 token 4 美元、输出 20 美元，低于 Opus 5 的 5 美元和 25 美元。它提供 100 万 token 上下文窗口和最多 12.8 万 token 输出，API ID 也随之改为 claude-opus-5-5。第三方 Artificial Analysis 智能指数给出的分数为 58，在 212 个模型中排第一。

    换模型前先看清 Opus 5.5 的价格与 ID 变化。

    DEV Community · AIAI 评分 55
  2. Claude Opus 5.5 提示注入降 85%，不能当成已解决

    文章指出，Anthropic 在 9 月 22 日发布的 Claude Opus 5.5 材料中称成功越界尝试下降 85%，但这是模型侧指标，值班安全工程师真正遇到的失败往往出在自己 API 的权限与接口设计上。作者建议自建可复现的对抗测试来评估自家剩余风险，而不是据此直接给 Agent 扩写权限。

    提醒团队别把厂商指标当成自家接口的安全结论。

    DEV Community · AIAI 评分 54
  3. 为连续跑 18 小时的 Claude Opus 5.5 重设 API

    Anthropic 称 Claude Opus 5.5 能在单一目标上连续工作 18 小时甚至更久，作者认为这会让一次会话的寿命超过 access token、幂等窗口、部署周期和重试预算，现有按秒计的超时假设全部失效。文章逐项列出这类长任务 Agent 会先在哪里崩，以及 API 层需要改什么。

    长任务 Agent 落地前，先照这份清单改接口。

    DEV Community · AIAI 评分 54
  4. 从 Claude Opus 5 迁到 5.5，API 用户要改什么

    Anthropic 于 9 月 22 日发布 Claude Opus 5.5，API 侧把模型名从 claude-opus-5 换成 claude-opus-5-5，输入输出 token 单价降 20%，单次响应上限 128000 输出 token，输出速度提升 30%，并可单任务持续 18 小时以上。文章认为这次迁移不同于 Opus 4.8 到 5 的准确性迁移，属于预算与运行边界的迁移，此前测过的数字都要重测。

    升级前先看这份迁移清单，重测成本与超时设置。

    DEV Community · AIAI 评分 63
  5. SemiAnalysis 发布 GDPx 基准：最强 AI 模型仅得 12%

    据 DEV Community 报道，SemiAnalysis 于 2 日发布新基准 GDPx，最好的前沿 AI 模型得分仅 12%。文章称这并非说明 AI 智能体无用，而是指向当前智能体能力的边界，且作者未进行实测。

    帮助开发者看清当前 AI Agent 能力边界

    DEV Community · AIAI 评分 58
  6. SemiAnalysis 发布 GDPx 智能体基准，Opus 5.5 最高仅 12%

    据 Techmeme 转述，SemiAnalysis 推出 GDPx 智能体能力基准，覆盖芯片设计、网络安全、RSI、金融、法律、量化交易、材料科学与对齐等 11 个领域。Opus 5.5 以 12% 的成绩位居榜首，显示当前智能体在真实专业任务上的完成度仍很低。

    看清智能体在专业领域的真实完成度有多低

    TechmemeAI 评分 56

同时在说的其他事

热度怎么算的？了解口径

热度按 48 小时内有多少个独立来源在说这件事算：同一个来源发多条只算一次，并按 24 小时半衰期衰减，所以排前面的是很多人在说的事。

本页汇总公开订阅源，标题与摘要由模型整理，版权归原作者所有；重要信息请回原文核对。如权利人认为相关标题或摘要侵权，请通过页尾联系邮箱提供具体页面与权利依据，我们核实后会及时删除或替换。

爆
讨论快速增加
新
首报 6 小时内
发酵中
讨论仍在增加

回 AI 行业动态榜 →