Tech Meridian ← К ЛЕНТЕ
PROМОЙ MERIDIAN EN

ИССЛЕДОВАНИЕ · RESEARCH · #3153

SemiAnalysis представила бенчмарк GDPx — лучший агент набрал лишь 12%

Аналитическая компания SemiAnalysis представила GDPx — бенчмарк из 206 задач, моделирующих многочасовую офисную работу в профессиональном ПО; лидирует Claude Opus 5.5 с 12%, за ним Gemini 4 Carbon (10,9%) и GPT-6 Astra (9,6%). Критики указывают на секретность задач, влияние фильтров безопасности провайдеров и неравные условия из‑за фирменных средств запуска агентов.

КЛЮЧЕВЫЕ ТЕЗИСЫ

  1. Аналитическая компания SemiAnalysis представила GDPx — бенчмарк из 206 задач, моделирующих многочасовую офисную работу в профессиональном ПО; лидирует Claude Opus 5.5 с 12%, за ним Gemini 4 Carbon (10,9%) и GPT-6 Astra (9,6%).
  2. Критики указывают на секретность задач, влияние фильтров безопасности провайдеров и неравные условия из‑за фирменных средств запуска агентов.
  3. GDPx пытается оценить работу агентов в реалистичных рабочих сценариях с профессиональным ПО, демонстрирует слабые результаты текущих моделей и вызывает споры о корректности методики и сопоставимости результатов.

ПОЧЕМУ ЭТО ВАЖНО

GDPx пытается оценить работу агентов в реалистичных рабочих сценариях с профессиональным ПО, демонстрирует слабые результаты текущих моделей и вызывает споры о корректности методики и сопоставимости результатов.

ИСТОЧНИКИ И ХРОНОЛОГИЯ

1