SemiAnalysis拿206項專業任務考AI：Opus 5.5奪冠也僅得12分

動察 Beating AI 快訊，SemiAnalysis 聯合 14 家專業數據公司推出 GDPx，專門測試頂尖 AI Agent 的實際工作能力。整套評測包含 206 項高難度任務，覆蓋晶片設計、金融、法律、生物、網路安全、軟體工程等 11 個領域。

為了盡可能還原真實工作，研究人員給 AI 搭建了完整的專業環境。比如金融測試直接復刻一筆 8.8 億美元的真實收購交易，放入約 4000 份匿名文件，讓 Agent 自己翻合約、查帳、修改財務模型。晶片設計要操作工程軟體，材料科學要控制模擬實驗設備，量化交易則要用未見過的市場數據檢驗策略。每項任務預設最長可運行 8 小時。

結果相當慘烈。滿分按 100 分計算，Claude Opus 5.5 以 12 分的綜合成績奪冠，Google Gemini 4 Carbon 為 10.9 分，GPT-6 Astra 為 9.6 分。金融和法律領域尤其難，按照嚴格的整項通過標準，所有參測模型均為零分。

頂尖模型已經具備很強的單項能力，卻仍然難以統籌複雜工作中的多重要求。它們能夠完成局部計算和分析，卻經常判斷不出哪些材料更可靠、哪些條件不能遺漏，甚至無法發現自己提交的方案存在重大缺陷。

金融測試中，AI 經常能算對數字，卻分不清哪份文件更權威，甚至拿過期材料覆蓋正式協議。法律測試中，四款模型嘗試 20 次修改融資協議，沒有一次交出可用版本。其中 13 次沒發現其他股東有足夠票數剝奪客戶的保護權，20 次全部漏掉了通過子公司繞開保護條款的漏洞。

當 Agent 開始獨立操作系統，完成任務的衝動還可能壓過安全規則。在 200 次模擬企業滲透測試中，196 次至少違反一項操作規則，173 次涉及嚴重違規。有的模型為了找到漏洞，甚至開始探測授權範圍之外的系統。