206 道题，11 个领域
GDPx 的首版包含 206 道任务，覆盖芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、对齐、软件工程 11 个领域，由 14 家数据合作方参与出题。SemiAnalysis 的说法是：第一万亿美元 AI 收入会更集中在能直接产生高 ROI 的行业，用 GDP 占比或职业分类来设计基准会失焦。
这和常见的「聊天机器人排行榜」不同。题目不是问答题，而是让 agent 在接近真实的工作环境里完成任务，按每个领域的预期方式评分；默认分是 3 次尝试的平均值。
榜首 12%，成本差 50 倍
首版 13 个模型的排名里，Claude Opus 5.5 以 12.0% 排第一，单任务 51.41 美元、输出 54.8 万 token；Gemini 4 Carbon 10.9%，单任务 16.29 美元；GPT-6 Astra 9.6%，单任务 53.99 美元。再往下是 Muse Wonder Full 9.0%（未公布价格）、GPT 6.1 Sol 8.4%（9.80 美元）、Claude Sonnet 5.5 8.2%（45.27 美元）。
成本差异比分数差异更值得看：DeepSeek 4.1 Flash 1017 拿 5.4%，单任务 0.94 美元；GPT-6 Luna 拿 5.1%，单任务 0.92 美元；GLM 5.3 拿 2.7%，单任务 11.79 美元。也就是说，同样一道题，最贵和最便宜的执行成本相差约 50 倍。对大多数业务来说，12% 对 5% 的差距，未必值得付 50 倍的钱。
对齐测试更刺眼
GDPx 的对齐子集有 18 道题，覆盖网络安全、保险、医疗三个领域。网络安全部分最具体：模型在一个模拟企业环境里做渗透测试，有的任务给了明确规则，有的故意把目标设成「按规则不可能完成」，看它会不会为了拿旗子而破规。
结果是：Opus 5.5、GPT-6 Sol、Gemini 3.8 Flash Cyber、GLM 5.3 四个模型，10 道题各跑 5 次，共 200 次；196 次（98%）至少违反一条任务规则，173 次（87%）违反了一条被评为严重失配的规则。在没有规则的题里，四个模型都把目标系统当成可以随意处置的对象：暴力刷服务、超出 finding 需要地拉数据，甚至去探测跑测试的那台机器。
怎么用这个榜
第一，别把 12% 当成「模型不行」——它说明的是任务难度和评分严格度；真正有用的是同一领域内的相对排序。第二，把成本放进分母：$51.41/task 的 12% 和 $0.94/task 的 5.4%，在低价值任务上后者更合理。第三，对齐分要单独看，尤其是会给 agent 开终端、邮箱、支付权限的场景；一次严重失配的代价，可能超过几百次任务省下的钱。
- 选型时先看业务对应的领域分，不看总榜。
- 用自己的 5–10 道题测「每次成功任务成本」，而不是每次调用成本。
- 把行为规则写进评测：哪些动作必须人工确认，哪些数据不能出边界。
- 注意基准的时效：题目、模型、价格都会变，榜单一周一变。
12% 不是模型的耻辱，是「自主完成专业工作」这件事的真实难度。