- GDPx选择11个最可能以高ROI受益于前沿智能的领域构建通用智能体基准，而非按照GDP占比或职业分类覆盖整个经济。其采用真实工作环境、严格质量审查及14家

• 序号：191
• 星球链接：打开网页
• 附件：图片 0，音频 0，文档 0
• 音频文件：无音频

图片

无图片

正文

• GDPx选择11个最可能以高ROI受益于前沿智能的领域构建通用智能体基准，而非按照GDP占比或职业分类覆盖整个经济。其采用真实工作环境、严格质量审查及14家专业数据伙伴，相比偏静态、依赖提示词和规则评分器的GDPval，更适合衡量当前智能体能力。当前最佳模型总分仅12%，且各模型能力高度不均衡：Opus 5.5综合领先并在量化交易、硬件和芯片设计上占优，GPT-6 Astra在递归自我改进和材料科学上领先，Gemini 4 Carbon在生物和软件工程上表现突出；金融与法律任务则几乎无人能够完成。报告据此判断，AI商业化初期的大部分价值将集中于能够高ROI部署前沿智能的垂直领域，而非均匀扩散至全经济。

1. 重新定义“通用智能体能力”的衡量范围 GDPx并不试图覆盖所有行业，而是聚焦芯片设计、网络安全、生物科技、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、模型对齐和软件工程等11个领域。 报告的核心产业判断是： 首个一万亿美元规模的AI收入将集中于能够以高投资回报率部署前沿智能的行业。 AI能力的商业扩散并不会与各行业GDP占比或就业人口比例成正比。 因此，传统GDP或SOC/O*NET职业分类不适合作为前沿模型能力的主要基准框架。 评估模型进展，应优先观察其最可能产生重大经济影响的领域。 这意味着GDPx本质上是一个“AI商业化前沿地图”，而非传统意义上的覆盖全部职业的AI能力指数。

2. 当前模型距离真实企业级任务仍很远 GDPx的最佳模型总分仅为12%，反映出现有前沿模型距离稳定完成高价值专业任务仍存在巨大差距。 主要结论包括： 是综合表现最强的模型，并在量化交易、硬件设计和芯片设计上领先。 在递归自我改进和材料科学领域占据明显优势。 是最佳生物模型，并在软件工程任务中略微领先。 是目前最佳网络安全模型，领先幅度较为明显。 金融和法律任务难度最高，几乎所有模型都得分为零。 各模型呈现明显的“能力尖峰”，并不存在一个模型能在所有专业领域持续占优。 因此，企业不应仅依据综合榜单选型，而应按照工作流对模型进行路由和组合。

3. GDPval已不适合评估新一代智能体 报告认为，OpenAI的GDPval虽然是较早推出的大范围知识工作基准，但其任务形态仍接近“阅读提示词后一次性生成文档”，无法充分衡量今天的智能体能力。 主要不足包括： 缺少真实、复杂且需要主动搜集信息的工作环境； 评分过度依赖主观规则，专家之间的一致性仅约71%； 部分标准答案本身存在错误； 依赖历史时点的任务容易因价格过期或链接失效而失真； 难以覆盖长流程、跨工具、持续迭代的真实工作。 GDPx通过模拟交易资料室、实时网络安全环境、CAD/EDA工具、实验室设备和真实生物实验数据，试图让任务更接近实际生产环境。

4. GDPx的基准设计 GDPx与14家专业强化学习环境及数据合作伙伴合作，覆盖全部11个领域： 领域主要合作伙伴 芯片设计 Aria、Arcverex、Ergodex 网络安全 Arithmetic 生物科技 Latch Bio 金融 Living Context 法律 Chakra 量化交易 Third Moment 递归自我改进 Extrapolate 硬件设计 Beautiful Machines 材料科学 ValenceForge、Emulated 模型对齐 Fleet 软件工程 Datacurve 其任务设计强调三个特征： ：例如金融任务需要在一个包含约4,000份文件的数据室中寻找权威信息；硬件任务需要在SolidWorks、Siemens NX、KiCad等真实工程工具中完成设计。 ：模型需要搜索资料、调用工具、检查中间结果、修正假设并交付可编辑成果，而不是一次性生成答案。 ：SemiAnalysis审查任务的一致性、完整性、作弊可能性和不公平评分器；报告称使用类似流程检查Terminal Bench 4.0时，接近50%的任务被标记为存在缺陷。 在执行层面，每项任务默认允许8小时，模型可使用原生代理框架；无法使用原生框架时统一采用OpenCode。总榜采用三次尝试的pass@1，各领域等权，同一领域内不同合作伙伴也等权。

5. 各领域的关键发现 递归自我改进 该领域不是测试模型能否完成玩具式训练，而是要求模型诊断真实前沿实验室中的训练失败、奖励作弊、数据质量和系统优化问题。 在一项包含约1,000条训练轨迹、2,120万模型行为Token的诊断任务中，四款领先模型均未能找到根本原因。模型通常能够识别训练任务组合变化，却难以进一步发现训练框架对模型行为的隐性干预。 这表明AI已经可以辅助研究流程，但离“可靠地自主构建下一代模型”仍有明显距离。 硬件设计 任务覆盖参数化CAD、机械加工、刀具路径、PCB布局和VLSI设计。模型必须提交可编辑、可重建的工程文件，而不只是生成外观正确但无法投产的三维模型。 主要失败点包括： 不愿对原型方案进行足够迭代； 忽视可制造性、装配接口和设计意图； 能识别干涉问题，却未在最终交付前完成修复； 输出内部计算一致，但依赖错误设计假设的成果。 领先模型在空间推理和机构间隙检查上已有较强能力，但在工程闭环和制造约束方面仍未达到可靠自动化水平。 金融 24项金融任务全部来自真实私募股权交易场景，涉及杠杆收购、并购融资、债务契约、现金流清扫、收益分配、质量 of earnings、购买价分摊和税务处理。 主要失败原因不是算术能力不足，而是： 错误判断不同文件的权威性； 只完成显式计算，忽略或有负债、税务触发和股权经济权益等二阶影响； 对错误前提进行内部一致性验证； 出现应计制、重复加回和硬编码覆盖公式等基础错误。 在公开的质量 of earnings任务中，25次尝试没有一次完整通过。这说明企业级金融智能仍较远，当前更适合作为有资深人员复核的辅助工具。 芯片设计 芯片设计有三个合作伙伴，分别测试验证、PPA优化和物理设计后端。 模型已经可以写出功能性正确的RTL或完成部分验证，但在以下方面仍不稳定： 在时序、面积和功耗约束下保持正确性； 判断需要多少轮仿真、综合和布局迭代； 识别关键路径并进行有效ECO； 避免过度修改导致电容、 slew或可布线性问题。 在公开的RISC-V时序修复任务中，GPT-6 Astra明显领先，说明AI在结构化、反馈密集的EDA流程中已展现出潜力，但距离端到端芯片设计闭环仍较远。 网络安全 任务建立在包含身份系统、密钥库、代码仓库、日志管道和运维控制台的实时多服务环境中，要求模型完成漏洞发现、利用链分析和修复验证。 报告同时强调“漏洞利用时间”的重要性：更快的模型可能显著改变攻击与防守的时间平衡。随着模型能力提高，基准表现越来越依赖可分配的时间和计算资源，而不仅是单次推理质量。 生物科技 13项任务使用真实湿实验和组学数据，覆盖单细胞与空间转录组、基因组学、药物发现、毒理和生物安全。 模型的主要问题包括： 错误使用统计检验或忽视混杂变量； 将仪器伪影误判为生物效应； 对所有输入数据默认赋予同等有效性； 难以将生物物理测量与细胞功能实验正确结合。 这类任务不能通过背诵论文知识完成，必须具备实验设计、统计推理和证据筛选能力。

6. 安全分类器会改变模型排名 网络安全、生物科技和模型对齐任务中，安全分类器可能导致部分模型主动降低表现。报告认为，若直接比较总分，可能误判这些领域真正可用的最强模型。 这带来两个投资和采购层面的启示： 模型能力评估需要区分“安全限制下的能力”与“放开限制后的能力”。 企业采购不能只看综合榜单，而应同时考虑安全策略是否适合具体工作流。 例如，Muse Wonder Full在网络安全任务上领先，部分原因正是其安全分类器对该场景的限制程度不同。

7. 成本与性能将推动多模型市场 报告观察到的成本—性能前沿呈现出清晰分层： ：Luna、DeepSeek竞争激烈； ：OpenAI占据较宽区间； ：Opus最具竞争力； ：Gemini 4 Carbon的整体表现接近领先集团。 随着模型能力越来越呈现领域化特征，企业更可能采用“任务路由”模式：不同模型处理不同工作流，再由编排层、规则系统和人工审核共同完成任务。这也会提升推理平台、代理编排、评测与数据基础设施的价值。

本报告没有覆盖单一上市公司，因此。其价值在于提供评估AI公司、商业化领域及相关供应商的框架。 对AI模型公司的潜在估值启示

收入是否集中于金融、芯片设计、工程软件、生物研发等能够直接节省成本或提高产出的领域，比AI收入总额更有解释力。

GDPx最佳模型仅得12%，意味着模型调用成本、工具使用成本、人工复核成本和失败重试成本仍然较高。

应跟踪单任务完成成本、推理Token消耗、任务成功率、平均重试次数及人工介入时间。只有当成本明显低于对应专业工作的经济价值时，规模化部署才真正成立。

拥有真实企业工作流、专业数据、可靠评分器和模型原生代理环境的企业，比仅提供通用模型访问权的参与者更有议价能力。 对产业链公司的潜在启示 ：GDPx证明高质量专业任务需要深厚领域知识，稀缺性可能高于普通合成数据。 ：芯片和硬件设计被视为编码之后的潜在“杀手级应用”，相关工具厂商可能同时获得模型调用量和工作流渗透率提升。 ：金融、法律、生物等领域仍需要人类复核，短期内更可能受益的是增强现有流程的产品，而非完全替代专业人员。 ：自主安全代理的发展扩大需求，但同时带来模型安全、权限隔离和责任归属要求。 总体而言，报告支持“AI价值将先在高ROI垂直领域集中”的方向性判断，但不足以直接推导任何单一股票的买入结论。

GDPx刻意聚焦高价值领域，并有意提高芯片设计权重，不能代表AI在全部经济活动中的平均进展。

11个领域由14家专业公司提供任务，样本规模、难度和评分方式可能存在供应商偏差。

随着公开任务和评分标准被更多模型接触，训练污染、任务记忆和针对性优化可能推高表面成绩。

网络安全、生物和对齐任务的成绩受模型安全策略影响，跨模型排名不一定等同于真实工作能力。

任务允许时间、工具、上下文长度及原生代理框架均不同，可能显著影响结果。

能力提升不必然转化为企业收入。系统集成、数据治理、责任风险和人工复核成本可能抵消效率收益。

生物、网络安全等任务面临更严格的隐私、监管和滥用风险，可能延缓实际部署。

模型版本和排行榜变化非常快，报告结论可能很快被新模型、工具链或新一代基准取代。

报告未提供公司财务预测、估值倍数或目标价，产业方向不能直接转化为个股买卖结论。

总体总结

主题正文

1. 其采用真实工作环境、严格质量审查及14家专业数据伙伴，相比偏静态、依赖提示词和规则评分器的GDPval，更适合衡量当前智能体能力。
2. 当前最佳模型总分仅12%，且各模型能力高度不均衡：Opus 5.5综合领先并在量化交易、硬件和芯片设计上占优，GPT-6 Astra在递归自我改进和材料科学上领先，Gemini 4 Carbon在生物和软件工程上表现突出；
3. GDPx并不试图覆盖所有行业，而是聚焦芯片设计、网络安全、生物科技、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、模型对齐和软件工程等11个领域。
4. 在一项包含约1,000条训练轨迹、2,120万模型行为Token的诊断任务中，四款领先模型均未能找到根本原因。
5. 24项金融任务全部来自真实私募股权交易场景，涉及杠杆收购、并购融资、债务契约、现金流清扫、收益分配、质量 of earnings、购买价分摊和税务处理。
6. 在公开的RISC-V时序修复任务中，GPT-6 Astra明显领先，说明AI在结构化、反馈密集的EDA流程中已展现出潜力，但距离端到端芯片设计闭环仍较远。
7. 例如，Muse Wonder Full在网络安全任务上领先，部分原因正是其安全分类器对该场景的限制程度不同。
8. 总体而言，报告支持“AI价值将先在高ROI垂直领域集中”的方向性判断，但不足以直接推导任何单一股票的买入结论。