最强模型在 GDPx 上只拿 12%:企业选模型,跑分之后再加一道业务实测

12% 的卷子长什么样

先看榜单（v1.0，13 个模型）：

11 个领域是 SemiAnalysis 按“AI 真正能赚到钱的地方”挑的：芯片设计、硬件设计、网络安全、生物、金融、法律、量化交易、递归自我改进、材料科学、alignment（模型是否守规矩）、软件工程。206 个任务和 14 家专业数据公司一起出，模型在各自的原生工具环境里跑（Opus 用 Claude Code、OpenAI 模型用 Codex），每题限时 8 小时。

两个细节只有看了原始榜单才知道：第一，分领域看，赢家完全不同——Opus 拿下量化交易、硬件和芯片设计，Gemini 4 Carbon 拿下生物和软件工程（它还没正式 GA），GPT-6 Astra 拿下递归自我改进和材料科学。没有“全能冠军”，只有“偏科冠军”。第二，性价比那一栏很刺眼：第二名 Carbon 每任务 $16.29，不到第一名 $51.41 的三分之一——贵三倍，分数只差 1.1 个百分点。

最狠的是金融和法律：在“做成或没做成”的二进制评分下，所有模型全部 0 分，SemiAnalysis 只好改报部分分。翻译成老板的话：你让模型干的活越像“要负责任的专业工作”，它离及格越远。

跑分之后，企业要加的“第二道题”

跑分测的是“模型在别人的考场上拿几分”，选型要答的是“模型在我的业务里能不能干活”。建议把选型流程改成双轨：

第一轨，看跑分定方向。GDPx 这类长任务基准的价值不在排名，在“偏科表”——你的业务偏芯片设计就看 Opus 那一栏，偏生物就看 Carbon。以及记住它的更新节奏：3 到 6 个月一版，别拿一次快照当长期结论。

第二轨，用自己的任务实测。从业务里抽 20 到 50 个真实任务（带标准答案的那种），让候选模型在你们的工具环境里跑一遍，算通过率和单任务成本。GDPx 已经示范了格式：限时、pass@1、记成本。你们要抄的是这套方法，不是它的题目。

边界要说清楚：GDPx 是 SemiAnalysis 的付费产品，题目是它和数据伙伴一起出的，没经过外部独立审计；作者自己也承认安全过滤器压低了部分模型的分数。所以别拿 12% 去论证“AI 不行”，也别拿排名去压供应商降价——它的正确用法是选型参照系，不是判决书。

转型落点：建你们自己的“业务基准集”

正在选模型的企业，建议这个月就动手建第一版业务基准集：从客服、代码、文档、数据分析里各抽 10 个真实任务，写下“什么算做对”，跑一遍候选模型，把通过率和单任务成本记下来。这套东西建一次，长期有用——以后每次换模型、每次供应商涨价，拿出来重跑一遍，决策就有依据。GDPx 的 12% 告诉我们的不是模型不行，而是：别人的考场再权威，也考不出你的业务。这张卷子，得自己出。