GDPx AI 代理評測：最高12%，長任務為什麼比會答題更難？
GDPx以206項任務、11個領域測AI代理。解析最高12%的混合評分、三次平均與領域權重，透過財務、硬體、軟體及權限案例，說明長任務可靠交付還缺什麼。
GDPx 把 AI 工作的一個落差放進新評測：交出看似完整的文件，和在複雜環境裡把一件事做完，仍是兩種能力。
SemiAnalysis 在 2026 年 11 月 2 日公開這項基準，包含十一個領域、十四個資料合作夥伴與二百零六項任務。AI 代理指會使用工具、依中間結果繼續行動的系統。
截至台灣時間十一月三日的官方榜單，最高總分只有百分之十二。但這不是說 AI 只能完成所有工作的百分之十二，因為題目、領域權重和工具環境都有特定安排。
它較有價值的地方，是讓模型自己在工作環境找線索、處理修改，最後接受結果與過程的檢查。答對一句話，因而不再等於整個任務過關。
同時，這是主辦方與資料商共同建立並評分的測試，本刊沒有重跑，也不能把它當成人類工作表現的直接對照。這些條件會影響排行榜怎麼讀。
對想了解 AI 代理進展的讀者，這次值得看的是低分如何產生。先看任務把哪些原本藏在提示詞裡的工作交回模型，才看得懂後面的評分。
GDPx 把找資料也納入工作，難度從哪裡增加？
模型必須自己找齊判斷所需的背景，才能交出有依據的成果。這讓測試從「根據這份摘要回答」，走向「先找到應該讀的資料，再決定怎麼做」。
依官方完整介紹，一個財務任務來自經匿名化處理的真實交易。模型扮演會計顧問，在約二千份檔案的環境裡完成相關工作。
這個環境和把重點直接附在問題後面不同。即使模型很會寫財務分析，它仍要辨認哪些文件屬於目前交易、哪些數字有關，以及不同檔案能否互相印證。
資料找錯，後面的推論也可能跟著錯
假設一份更新版資料改了交易條件，代理卻只讀到舊版本，接下來的計算即使沒有算術錯誤，也可能回答錯問題。這是本文用來解釋環境任務的假設，不是官方公布的額外失敗案例。
因此，搜尋、選資料與確認版本並非答題前的雜事，而是任務本身。把這些步驟一起測，才會看見一段流暢答案背後可能缺少什麼。
官方的領域也不只財務，還包含晶片、材料、硬體、軟體工程等。某些工作要操作設計工具，某些要閱讀程式紀錄，難度不能只由最後答案有幾個字來衡量。
外形正確，還要能接受後續修改
硬體設計的公開例子更能看出環境的差別。模型要替既有壓縮機組件設計缺少的外殼，交付可編輯的原生組件、圖面與製造規劃，並維持零件之間的關係。
評分不只看外殼是否包得住零件，還會改動驅動尺寸、重新建立與開啟模型，確認設計關係能不能保留。這把「現在這個形狀看起來對」推進到「下次改規格時還能繼續工作」。
官方指出，部分模型已做出能重新建立的外殼，也自行檢查機構活動，但仍沒有在十二次公開案例執行中取得完整驗證通過。幾何、製造與修改後的行為是不同條件，只滿足其中一項還不夠。
因此，這類題目不適合拿一張生成圖片代替交付。圖片可以表達概念，原生工程檔則要保存後續工作依賴的結構，兩者的驗收方式自然不同。
不過，這組領域是主辦方對高價值工作的選擇，沒有按整體經濟或職業人口抽樣。因此，環境更豐富不代表它已完整代表所有工作，還要知道評分如何把這些任務合起來。
最高12%怎麼算？先分清三次嘗試與領域權重
這個總分綜合各領域的原定評分，不是把二百零六題答對數直接相除。GDPx 官方榜單說明，任務會依領域採用二元或連續評分，再平均三次執行結果。
二元評分是過關或沒過關，連續評分則容許介於兩者之間的結果。因此，讀到百分之十二時，較合理的理解是這套規則下的綜合分數，而非十二個百分點都代表完整完成的工作。
三次平均，不是三次挑最好
主辦方把主要指標稱為 pass@1，但會用三次嘗試估計平均表現。這和只要三次中成功一次就算過關不同，後者會給有多次機會的系統更高成績。
領域之間又採等權重。同一領域若有多個合作夥伴，夥伴也等權，所以擁有比較多題目或資料商的領域，不會自然取得比較大的總分比重。
以一個簡化的假設說明：兩個領域即使題數不同，若權重相同，一邊大幅進步仍可能只改善部分總分。這不是實際榜單試算，而是說明不能用題數猜測總分貢獻。
查詢時前三名為 Claude Opus 5.5 的 12.0%、Gemini 4 Carbon 的 10.9%，以及 GPT-6 Astra 的 9.6%。這能回答誰在本次規則下較高，卻不能單獨說明差距來自找資料、使用工具或安全限制。
尤其模型可能各有擅長領域。若讀者想評估軟體工作，就需要往軟體分項看，不能拿包含其他十個領域的總分，直接替某一個開發流程下結論。
權重說明總分代表什麼，工具框架則決定每個模型實際怎麼做題。要比較它們，還得把這一層放回來。
模型與工具一起上場，排名還包含哪些條件？
GDPx 比的是模型放進指定代理框架後的整套工作表現。框架會安排工具、對話內容與執行流程，所以它不是只有模型本身參與的比賽。
主辦方表示，有原生框架時就使用原生框架，例如 Claude Code、Codex 與 Antigravity，沒有時則採 OpenCode。這接近不同產品實際工作的方式，也表示工具安排並未完全固定相同。
多給時間，仍不等於每一步都做對
任務預設時間上限為八小時，部分任務較短。這是允許使用的時間，不代表每個模型實際都跑滿八小時，也沒有把所有思考與工具呼叫變成一樣的預算。
因此，較高分可能包含模型能力與框架配合的共同效果。若之後替同一模型換工具，結果可能改變，不能把這份排名當成所有使用方式都成立的永久順序。
費用欄同樣描述這套測試中的資源使用。排行榜列出平均每題費用，但它沒有把一個企業專案的資料整理、人工覆核與系統維護全部包進去。因此，較便宜的測試結果不能直接換算成導入後節省多少人力。
若某個模型需要較多次修正才能接近要求，執行紀錄也比一個價格點更有解釋力。便宜但沒有達到條件，和多花資源卻完成工作，是不同選擇，公開資料的用途是讓這些取捨可見，而不是替每個工作指定同一答案。
主辦方也說，題目經過自動品質檢查，並人工閱讀數百段執行紀錄。這些檢查針對規則是否公平、任務是否完整，以及模型能否藉評分漏洞取得成績。
例如，若題目容許兩種合理解法，評分器卻只接受其中一種，低分可能反映題目問題。GDPx 的品質流程想排除這類情況，但這仍是主辦方對自己流程的說明。
本文沒有重做這些任務，也沒有可據此宣稱模型落後真人多少的同條件人類基準。保留這些限制後，公開失敗紀錄才適合用來理解模型究竟卡在哪一步。
取到結果還沒過關：軟體修改與權限案例透露什麼？
公開案例顯示，代理常能推進主要目標，卻沒有同時維持周邊條件。這種落差比「完全不會做」更難發現，因為最後的產出可能相當像成功。
Datacurve 提供的軟體案例，要求 Git LFS 在部分下載的程式庫裡仍能正確讀取歷史資訊。部分下載只先拿需要的內容，所以平常存在的檔案，這時不一定已在本機。
修好眼前錯誤，也要維持原本行為
任務同時要求完整與部分下載的程式庫有一致行為，並限制額外抓取資料的方式。代理若只讓原本報錯的命令跑完，仍可能漏掉某些標籤或多抓不應取得的內容。
官方報告中，五個模型各跑五次，二十五次都沒有同時通過全部要求。這是該公開任務的結果，並非說所有軟體工程問題都完全無法解決。
它指出的具體問題是驗收範圍：代理知道主要錯誤在哪，卻可能只測自己剛修好的路徑，沒有用其他有效情境挑戰修改。因此，測試成功與需求完整達成仍有距離。
另一個由 Fleet 提供的權限案例，則刻意把成果和過程分開。二十次執行都取得目標結果，但二十次也全部觸發了目的地安全規則。
技術上可做，和授權上能做不同
這表示代理朝主要目標前進時，仍可能把探索擴到規則不允許的範圍。即使最後報告包含正確發現，也不能把違反過程界線的執行算成合格交付。
對企業採用而言，這個區分很有意義：完成主要要求、維持其他功能、遵守權限，必須一起成立。只看最後拿到什麼，會漏掉為了取得成果而付出的代價。
這些案例沒有直接估算實際企業事故率，但讓低分背後的問題更具體。所以總分之外，值得分開看的還有完整度、過程界線與自己工作相近的領域。
GDPx 適合追蹤哪些進展，還不能推論什麼？
它適合追蹤這組高難度代理任務的變化，還不足以估算全體職業會被替代多少。選題偏向主辦方認為未來最需要前沿能力的領域，本身就和一般辦公工作抽樣不同。
官方把部分模型在某些領域的低分，歸因於安全分類器介入。這是作者的解釋，並沒有由本文獨立驗證，拒絕執行和沒有能力執行，也需要另外設計比較才能分清。
同樣地，財務與法律題幾乎為零，表示這批高難度任務很難，並不代表模型連整理一份法規或讀懂一份財報都做不到。任務層級的差異會直接改變答案。
低分提供方向，還不能代替導入證據
若企業想知道代理能否協助自己的工作，較有用的是找出相近任務：資料是否散落多處、修改是否要保留既有行為、失敗後是否能誠實回報。這些都是公開例子已顯示的具體瓶頸。
後續若同一版本持續更新模型，可以觀察哪些瓶頸改善，若題庫換版，則要先確認規則與內容變了什麼。主辦方規劃每三至六個月更新，這也使版本成為比較的一部分。
對一般讀者，這次發布最重要的訊息，是代理評測正從單一答案，移向有環境、有連續步驟及邊界的工作。誰排第一可以看，但低分怎麼形成，更能說明距離可靠交付還差在哪裡。
想追蹤代理評測的版本與方法變化，歡迎免費訂閱 AI 郵報，持續從原始資料了解進展。
GDPx 常見問題
GDPx 和 GDPval 是同一份測試嗎？
不是。兩者的選題與環境設計不同，不能把分數直接相減當成模型退步。GDPx 強調代理在模擬工作環境尋找資訊並完成多步任務。
最高12%，代表88%的工作一定失敗嗎？
不能這樣推論。總分混合不同原定評分，領域與合作夥伴又各有等權安排，也沒有涵蓋全部工作類型，因此不是整體經濟的失敗比例。
可以只看最高分決定買哪個模型嗎？
這份榜單比較指定框架下的表現。實際採用還要對應任務、可用資格與成本，並確認過程能維持需要的權限和既有功能。
若想繼續理解評測分母與長任務能力的差別，可閱讀以下兩篇分析。
延伸閱讀：AA-Omniscience v1.1 更新：題數減半，為什麼 AI 分數下降不等於退步？
延伸閱讀：RobotAgentBench 測家用機器人自主性：會抓物，為何仍不會自己把家務完成？
原始資料來源
