5 ноября 2026 года SemiAnalysis представила GDPx — бенчмарк, который оценивает ИИ-агентов на симулируемых профессиональных задачах. По данным SemiAnalysis, приведённым The Decoder, Claude Opus 5.5 набрал 12%, Gemini 4 Carbon — 10,9%, а GPT-6 Astra — 9,6%. Эти показатели отражают долю выполненных требований, а не процент полностью завершённых рабочих проектов.
Что проверяет GDPx
В GDPx заявлены 206 задач в 11 доменах, среди которых проектирование чипов, биология, количественный трейдинг, кибербезопасность и право. По описанию The Decoder, агенты работают в симулируемых профессиональных средах и с профессиональным программным обеспечением; некоторые сценарии могут занимать до восьми часов. Администрирование и страхование в бенчмарк не включены.
Как читать опубликованные проценты
В пересказе The Decoder SemiAnalysis объясняет, что при строгом критерии полного успеха ни одна модель не завершила бы задачу целиком. Поэтому в общем результате учитывается доля выполненных отдельных требований. Ошибка в одном критическом значении, например в финансовой таблице, может сделать результат непригодным для практического применения, даже если остальные требования выполнены.
По данным SemiAnalysis, Gemini 4 Carbon стоит около 16,29 доллара за задачу — примерно треть стоимости Claude Opus 5.5 в условиях этого сравнения. Это оценка стоимости именно в рамках теста, а не универсальная цена использования моделей.
Почему рейтинг не равен независимому сравнению
The Decoder указывает на ограничения методики: задания в основном закрыты, в отдельных доменах их около десяти, а условия различаются из-за использования разного агентского программного обеспечения. Издание также сообщает, что часть результатов оценивали языковые модели. В другом срезе, без кибербезопасности, биологии и alignment, GPT-6 Astra набирает 11,8% и опережает Claude Opus 5.5.
Результаты опубликованы разработчиком GDPx, SemiAnalysis; независимая перепроверка в доступном материале не представлена. Поэтому рейтинг показывает результат моделей в конкретной конфигурации теста, но сам по себе не доказывает их готовность автономно выполнять многочасовую работу или устойчивое превосходство одной модели над другой. Для практического использования важен отдельный контроль качества результата, особенно там, где ошибка в одном пункте делает всю работу непригодной.
