GDPx új teljesítményteszt a legértékesebb AI-szektorok teljesítményét méri
A fejlesztők és befektetők most már összehasonlíthatják a legújabb AI modelleket tíz legértékesebb szektorban – a ranglistán a legjobb modell csak 12 % pontot ér el.
A GDPx egy új, általános célú teljesítményteszt, amely a frontiér-intelligencia legértékesebb területeire fókuszál: chiptervezés, kiberbiztonság, biológia, pénzügy, jog, kvant-kereskedelem, önfejlesztő (RSI), hardvertervezés, anyagtudomány, alignment és szoftvermérnökség. A cél, hogy a modellek általános ügynöki képességeit mérje, nem pedig a felhasználói képességeket — írja a GDPx. (SemiAnalysis)
Átfogó teljesítmény
A benchmarken a legjobb modell csupán 12 % pontot ér el a maximálisan elérhető eredményből. A biztonsági osztályozók jelentősen csökkentik a pontszámokat a kiberbiztonság, biológia és alignment feladatokban; ezeknek a területeknek a kizárása megváltoztatja a rangsort.
Modellranglista
Az OpenAI és az Anthropic általában a lista élén áll, míg a SpaceXAI, a Meta és a nyílt-súlyú modellek jelentősen hátrányban vannak. Az Opus 5.5 nyeri a kvant-kereskedelem, a hardvertervezés és a chiptervezés kategóriáit, a Gemini 4 Carbon a biológiai feladatokban a legjobb, és szorosan követi az Opus-t a szoftvermérnökségben. A GPT-6 Astra pedig meggyőzően nyeri az önfejlesztő (RSI) és anyagtudományi teszteket.
Költség-teljesítmény arány
A költség-teljesítmény Pareto-front szerint a Luna és a DeepSeek a legalacsonyabb szintet képviselik, az Opus 5.5 a csúcsot, míg az OpenAI modellek a középső réteget foglalják el.
Partneri együttműködés
A teljesítményteszt elkészítéséhez a GDPx 14 specializált adatpartnerrel dolgozott együtt: Aria, Arcverex és Ergodex a chiptervezésben; Arithmetic a kiberbiztonságban; Latch Bio a biológiában; Living Context a pénzügyben; Chakra a jogban; Third Moment a kvant-kereskedelemben; Extrapolate az RSI-ban; Beautiful Machines a hardvertervezésben; ValenceForge és Emulated az anyagtudományban; Fleet az alignmentban; Datacurve a szoftvermérnökségben. A feladatok minőségét szigorú QA-eljárással ellenőrizték.
Finanszírozási és jogi kihívások
Az összes tesztelt modell 0 pontot kapott a pénzügyi és jogi feladatokban, ami azt mutatja, hogy ezek a területek jelenleg a legnagyobb kihívást jelentik. A teljesítményteszt részletes adatai a hivatalos GDPx weboldalon érhetők el — közölte a GDPx, Nov 02 2026.