Компания SemiAnalysis выпустила бенчмарк GDPx для тестирования мощнейших ИИ-моделей в агентных задачах самых востребованных коммерческих отраслей. Одной из ключевых особенностей GDPx стала общая сложность тестов — современные флагманские нейросети набирают в бенчмарке не более 12%.
GDPx проверяет модели на задачах в 12 категориях: дизайн чипов, финансы, материаловедение, аппаратный дизайн, юриспруденция, кибербезопасность, ИИ-выравнивание (Alignment), программная инженерия, биология, рекурсивное самосовершенствование и трейдинг.
SemiAnalysis выбрала эти дисциплины, потому что считает, что в них ИИ может принести реальную пользу, которую можно измерить. Каждый тест компания разрабатывала в партнёрстве со специалистами в релевантной области.
Лучше всего с GDPx справилась Claude Opus 5.5. Следом за ней идут Gemini 4 Carbon и GPT-6 Astra. Впрочем, в SemiAnalysis отметили, что нейросети от OpenAI и Anthropic в обобщённом тесте показывают себя хуже, чем могли бы, из-за слишком строгих ограничений при работе в области кибербезопасности и биологии. Если исключить эти категории из тестирования, ИИ-модели обеих компаний покажут себя заметно лучше и уверенно обгонят Gemini 4 Carbon.