Інструменти / Аналіз
Найкраща модель набрала 12,0: GDPx перевіряє роботу за межами промпту
SemiAnalysis перевіряє агентів у складних професійних середовищах. Низькі оцінки показують, наскільки умови роботи змінюють тест і чому таблицю лідерів треба читати уважніше.
Claude Opus 5.5 очолює GDPx з оцінкою 12,0. Далі — Gemini 4 Carbon із 10,9 та GPT-6 Astra із 9,6. Новий бенчмарк SemiAnalysis, представлений 2 листопада, перевіряє, як агенти виконують професійні завдання в інтерактивних середовищах. Вдала відповідь на ретельно підготовлений промпт тут лише початок.
Низькі оцінки у складному тесті
GDPx v1.0 містить 206 завдань в 11 напрямах від 14 партнерів. У таблиці — перші вісім позицій загального рейтингу станом на 3 листопада.
Джерела: SemiAnalysis [1]
| Модель | Оцінка GDPx |
|---|---|
| Claude Opus 5.5 | 12,0 |
| Gemini 4 Carbon | 10,9 |
| GPT-6 Astra | 9,6 |
| Muse Wonder Full | 9,0 |
| Claude Fable 5.1 | 8,5 |
| GPT 6.1 Sol | 8,4 |
| Claude Sonnet 5.5 | 8,2 |
| Gemini 4 Argon | 7,3 |
Зібрати контекст — теж частина роботи
Фінансове середовище відтворює угоду через 4 000 файлів. Інженерні завдання охоплюють CAD, підготовку виробництва та розведення плат. В одному відкритому прикладі агент має спроєктувати корпус компресора в SolidWorks, підготувати креслення й виробничий план. В іншому — виправити поведінку Git LFS під час роботи з частковими клонами репозиторію.
Такі приклади змінюють вимоги до моделі. Чи знайде вона потрібні матеріали, збереже обмеження й залишить результат, придатний для подальшої роботи? Самої переконливої розповіді для відповіді недостатньо. Якщо ви вибираєте агента для технічного завдання, конкретний приклад може сказати більше, ніж кілька десятих бала в загальній таблиці. Варто дивитися, що саме треба було зробити та який результат залишився після роботи.
Джерела: SemiAnalysis [3] · SemiAnalysis [4]
Що насправді означає 12,0
Типовий ліміт — вісім годин на завдання; для деяких він коротший. SemiAnalysis використовує рідні агентні оболонки, де вони доступні, а в інших випадках — OpenCode. Автори звітують про pass@1 за трьома спробами й однаково зважують напрями; оцінювання поєднує двійкові та часткові бали. Отже, підсумок описує зважений результат тесту, а не частку професій, які ШІ здатен замінити.
Частину нижчих результатів автори також пояснюють роботою класифікаторів безпеки. Тож поряд зі здібностями моделі потрібно враховувати інструменти, дозволені дії та відмови. Якщо вилучити окремі напрями, зміниться й предмет оцінювання. Таку вибірку не можна непомітно подавати як ту саму загальну таблицю.
Джерела: SemiAnalysis [2]
Перш ніж обирати переможця, перегляньте прогін
У відкритій колекції прогонів представлено по одному завданню від кожного партнера й запропоновано 168 журналів роботи. Інші завдання залишаються закритими, щоб стримувати підлаштування під тест. Тому GDPx корисний і як таблиця результатів, і як можливість побачити, на якому кроці агент зупиняється.
Наш практичний висновок: спершу звузьте вибір до потрібного напряму, розберіть невдалу спробу, а потім перевірте схожу роботу на власних матеріалах. Модель, яка робить менше переконливих помилок саме у вашому процесі, корисніша за переможця загального рейтингу з перевагами в інших галузях. GDPx дає відправну точку для такого вибору. Рішення все одно має спиратися на завдання, заради якого ви відкриваєте агента. Порівнюючи варіанти, зафіксуйте версію моделі, налаштування агента та критерії успіху. Інакше перевага може виникнути через інше формулювання завдання або інші умови, а не через здібності системи.
Джерела: SemiAnalysis [4]
ДЖЕРЕЛА ТА МЕТОД
Що стоїть за цим матеріалом
3 листопада 2026 року перевірено офіційну таблицю GDPx, каталог напрямів, методологію та перелік відкритих прогонів. Оцінки наведено за SemiAnalysis; ми не повторювали тест. Точні витрати на завдання й налаштування зусиль міркування тут не наводимо.
- GDPx v1.0 leaderboard SemiAnalysis · 2026-11-03
- GDPx: Measuring Frontier Model Capabilities Across the Most Valuable Domains SemiAnalysis · 2026-11-02
- GDPx domain catalogue SemiAnalysis · 2026-11-03
- GDPx public rollouts SemiAnalysis · 2026-11-03
