SemiAnalysis 2 ноября представила GDPx — тест ИИ-агентов на 206 заданиях из 11 профессиональных областей. В стартовой таблице Claude Opus 5.5 получила 12,0%, Gemini 4 Carbon — 10,9%, GPT-6 Astra — 9,6%. Это попытка проверить, как модели справляются с продолжительной работой, требующей нескольких действий и проверки результата, а не только выдают отдельный правильный ответ.

Задания подготовлены с 14 специализированными партнёрами. Среди областей — проектирование микросхем, биология, программирование, финансы и право. Например, в опубликованном финансовом задании агент должен закончить чужую книгу расчётов для покупки компании: сверить исходные документы, исправить показатели и сохранить обоснования в таблице. Открытые записи запусков позволяют посмотреть, как агенты действовали; остальные записи оставлены закрытыми, чтобы затруднить подгонку под тест.

По методике SemiAnalysis, обычный лимит задания — восемь часов, хотя для части задач он короче. Модели запускали в собственных агентных оболочках, где они есть: Claude Code, Codex и Antigravity; для остальных использовали OpenCode. Поэтому сравниваются модели вместе с их рабочими инструментами. Оценку усредняют по трём попыткам, области имеют одинаковый вес; в разных заданиях применяют зачёт целиком либо частичный балл. Значение 12% нельзя читать как долю автоматизированной экономики или процент любой реальной работы.

Есть и существенная оговорка к низким результатам: по словам авторов, защитные фильтры Opus 5.5 и GPT-6 Astra иногда блокируют выполнение заданий по кибербезопасности, биологии и согласованности поведения с требованиями человека. Отказ не равен нехватке способности. Сам набор областей тоже выбран по ожиданиям SemiAnalysis о будущем спросе на ИИ, а не как представительная выборка всех профессий.

Таблица GDPx даёт новый ориентир для сравнения длительной агентной работы, но пока отражает измерения организаторов. Разные оболочки, закрытая часть заданий и влияние защитных ограничений остаются границами вывода: тест показывает большой запас для улучшений именно в этих условиях, а не универсальную бесполезность или готовность ИИ заменить специалиста.