HaiAI123

全球AI工具精選導航

發酵中行業動態
↑ 19%

Anthropic 的 Claude Opus 5.5 在 GDPx 基準測試中僅完成 12% 的任務

2026/11/02 — 11/03 03:17·2 個來源（全部）·8 篇報道（全部）

核心速覽 (Key Takeaways)

  • 研究機構 SemiAnalysis 釋出 GDPx 基準，要求前沿模型在模擬職場中完成最長 8 小時的真實工作任務，而不只是回答問題。
  • Claude Opus 5.5 以完成 12.0% 的任務居首，Gemini 4 Carbon 為 10.9%，GPT-6 Astra 為 9.6%，表現最好的開源權重模型 GLM 5.3 為 2.7%。
  • 撰文者認為低分源於基準更誠實：交付物錯誤、違規或檔案沒找到，都算沒完成。
  • 但另一篇報道指出，SemiAnalysis 未進行實測，目前沒有 Anthropic 或其他廠商的回應。

最新進展SemiAnalysis 釋出 GDPx v1.0，用 206 個執行在真實環境中的任務評測前沿模型，覆蓋晶片設計、量化交易等 11 個專業領域，任務素材來自 14 家合作機構，每個任務預設預算 8 小時。當前榜單收錄 13 個模型，Claude Opus 5.5 以 12.0% 居首，Gemini 4 Carbon 以 10.9% 居次，GPT-6 Astra 為 9.6%。

相關 AI 工具

Claude
updream广告
24 小時熱度熱度指數 166 · 峰值 198 · 13 小時前
24 小時前現在

這件事的報道 點標題看原文

今天
  1. SemiAnalysis 釋出 GDPx 基準，最高分僅 12%

    SemiAnalysis 釋出 GDPx v1.0，用 206 個執行在真實環境中的任務評測前沿模型，覆蓋晶片設計、量化交易等 11 個專業領域，任務素材來自 14 家合作機構，每個任務預設預算 8 小時。當前榜單收錄 13 個模型，Claude Opus 5.5 以 12.0% 居首，Gemini 4 Carbon 以 10.9% 居次，GPT-6 Astra 為 9.6%。

    看長時程專業任務上模型能力邊界有多遠。

    DEV Community · AIAI 評分 57
  2. SemiAnalysis 釋出 GDPx：讓模型幹 8 小時真活，最高只完成 12%

    研究機構 SemiAnalysis 釋出 GDPx 基準，要求前沿模型在模擬職場中完成最長 8 小時的真實工作任務，而不只是回答問題。Claude Opus 5.5 以完成 12.0% 的任務居首，Gemini 4 Carbon 為 10.9%，GPT-6 Astra 為 9.6%，表現最好的開源權重模型 GLM 5.3 為 2.7%。撰文者認為低分源於基準更誠實：交付物錯誤、違規或檔案沒找到，都算沒完成。

    換一種方式衡量 Agent 到底能不能幹活

    DEV Community · AIAI 評分 56
昨天
  1. Claude Opus 5.5 釋出：輸入價格降至每百萬 token 4 美元

    據一篇第三方技術部落格整理，Anthropic 釋出 Opus 系列新模型 Claude Opus 5.5，定價為每百萬輸入 token 4 美元、輸出 20 美元，低於 Opus 5 的 5 美元和 25 美元。它提供 100 萬 token 上下文視窗和最多 12.8 萬 token 輸出，API ID 也隨之改為 claude-opus-5-5。第三方 Artificial Analysis 智慧指數給出的分數為 58，在 212 個模型中排第一。

    換模型前先看清 Opus 5.5 的價格與 ID 變化。

    DEV Community · AIAI 評分 55
  2. Claude Opus 5.5 提示注入降 85%，不能當成已解決

    文章指出，Anthropic 在 9 月 22 日釋出的 Claude Opus 5.5 材料中稱成功越界嘗試下降 85%，但這是模型側指標，值班安全工程師真正遇到的失敗往往出在自己 API 的許可權與介面設計上。作者建議自建可復現的對抗測試來評估自家剩餘風險，而不是據此直接給 Agent 擴寫許可權。

    提醒團隊別把廠商指標當成自家介面的安全結論。

    DEV Community · AIAI 評分 54
  3. 為連續跑 18 小時的 Claude Opus 5.5 重設 API

    Anthropic 稱 Claude Opus 5.5 能在單一目標上連續工作 18 小時甚至更久，作者認為這會讓一次會話的壽命超過 access token、冪等視窗、部署週期和重試預算，現有按秒計的超時假設全部失效。文章逐項列出這類長任務 Agent 會先在哪裡崩，以及 API 層需要改什麼。

    長任務 Agent 落地前，先照這份清單改介面。

    DEV Community · AIAI 評分 54
  4. 從 Claude Opus 5 遷到 5.5，API 使用者要改什麼

    Anthropic 於 9 月 22 日釋出 Claude Opus 5.5，API 側把模型名從 claude-opus-5 換成 claude-opus-5-5，輸入輸出 token 單價降 20%，單次響應上限 128000 輸出 token，輸出速度提升 30%，並可單任務持續 18 小時以上。文章認為這次遷移不同於 Opus 4.8 到 5 的準確性遷移，屬於預算與執行邊界的遷移，此前測過的數字都要重測。

    升級前先看這份遷移清單，重測成本與超時設定。

    DEV Community · AIAI 評分 63
  5. SemiAnalysis 釋出 GDPx 基準：最強 AI 模型僅得 12%

    據 DEV Community 報道，SemiAnalysis 於 2 日釋出新基準 GDPx，最好的前沿 AI 模型得分僅 12%。文章稱這並非說明 AI 智慧體無用，而是指向當前智慧體能力的邊界，且作者未進行實測。

    幫助開發者看清當前 AI Agent 能力邊界

    DEV Community · AIAI 評分 58
  6. SemiAnalysis 釋出 GDPx 智慧體基準，Opus 5.5 最高僅 12%

    據 Techmeme 轉述，SemiAnalysis 推出 GDPx 智慧體能力基準，覆蓋晶片設計、網路安全、RSI、金融、法律、量化交易、材料科學與對齊等 11 個領域。Opus 5.5 以 12% 的成績位居榜首，顯示當前智慧體在真實專業任務上的完成度仍很低。

    看清智慧體在專業領域的真實完成度有多低

    TechmemeAI 評分 56

同時在說的其他事

熱度怎麼算的？瞭解口徑

熱度按 48 小時內有多少個獨立來源在說這件事算：同一個來源發多條只算一次，並按 24 小時半衰期衰減，所以排前面的是很多人在說的事。

本頁彙總公開訂閱源，標題與摘要由模型整理，版權歸原作者所有；重要資訊請回原文核對。如權利人認為相關標題或摘要侵權，請通過頁尾聯絡郵箱提供具體頁面與權利依據，我們核實後會及時刪除或替換。

爆
討論快速增加
新
首報 6 小時內
發酵中
討論仍在增加

回 AI 行業動態榜 →