Выпуск 6 ноября 2026 г.

Ни один ИИ-агент не набрал больше 12 процентов в новом бенчмарке SemiAnalysis для рабочих задач из реальной жизни

GDPx оценивает ИИ-агентов в смоделированных рабочих условиях; ни одна модель не набрала больше 12 процентов.

GDPx включает 206 заданий в одиннадцати областях — от проектирования чипов и биологии до кибербезопасности и права, — но не охватывает административную работу и страхование. В некоторых областях, включая право и разработку аппаратного обеспечения, результаты оценивают языковые модели по критериям, а не эксперты-люди, поэтому посторонние не могут полностью проверить ни сложность заданий, ни качество оценки.

Обзор основан на доступном полном тексте источника. Обзор подготовлен с помощью ИИ. Определяющим является первоисточник.