核對日：2026-11-02。
SemiAnalysis 喺今日公開咗 GDPx——一套針對前沿模型「高價值領域」agentic 能力嘅基準。排行榜上 Claude Opus 5.5 以 12.0 領先，其次 Gemini 4 Carbon 10.9、GPT-6 Astra 9.6；但即使最高分都只約 12%。換言之，呢份榜唔係宣布又有新 model 出街，而係用 206 項任務、11 個領域，量度企業真正關心嘅工作天花板。方法論同解讀見 SemiAnalysis newsletter（2026-11-02）。
GDPx 係咩？
GDPx 由 SemiAnalysis 發起，目標係量度 frontier model 喺「最有價值、高 ROI」領域嘅一般 agentic 能力，而唔係跟 GDP 份額或職業分類平均鋪開。站方列出 11 domains、14 個合作夥伴、共 206 項任務；刻意唔覆蓋政府、房地產、保險等行業。
涵蓋領域包括：芯片設計、網絡安全、生物學、金融、法律、量化交易、遞迴自我改進（RSI）、硬件設計、材料科學、對齊（Alignment）、軟件工程。
評分方面，headline 係各 domain 等權、pass@1（三次嘗試），預設時限大約八小時；任務唔係「提示詞餵晒資料再 one-shot」，而係放入接近真實工作嘅環境（例如交易文件室、即時服務、實驗室模擬等）。Newsletter 亦強調：即使最好嘅模型，整體分數都只約 12%。
點睇分數？
跟 GDPx 官網 2026-11-02 顯示嘅 headline 分數：
| 模型 | GDPx 分數 |
|---|---|
| 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 |
| Muse Wonder | 6.8 |
| DeepSeek 4.1 Flash 1017 | 5.4 |
| GPT-6 Luna | 5.1 |
| Grok 4.7 | 3.9 |
| GLM 5.3 | 2.7 |
站上另標 Muse Wonder Full「無公開價錢」（成本圖可能唔顯示）；價錢同可用性請以各廠商官網當日為準。模型名單同分數會隨新版基準更新，亦以官網當日為準。
各家強弱同金融／法律
整體分之外，Newsletter 指出各模型「尖峰」唔同：
- Opus 5.5：整體最佳；量化交易、硬件設計、芯片設計較強。
- Gemini 4 Carbon：生物學較突出（作者推測或同較弱 safety classifier 有關）；軟件工程邊緣勝出；被形容為少數能同 Opus／Astra 同一檔次嘅對手。Carbon 消費者／API 開放進度見站內 Gemini 4 Carbon 香港指南。
- GPT-6 Astra：RSI 明顯領先；材料科學亦強。
- Muse Wonder Full：作者認為目前可用嘅最佳網絡安全模型之一，有明顯領先。
同時要知：金融同法律任務極難——用原本嘅二元評分時，幾乎所有模型都近 0%；榜上另報平均部分分，方便比較，但唔代表可以放心全自動做完交易或法律工作。
另外，Opus 5.5、Astra 等可能因網絡安全、生物學、對齊等域嘅 safety classifier 而拖低 overall；排除呢三域後排序會變。正文唔另自造「排除後精確分數」，只提醒選模時要睇用途，唔好只睇總分。成本對效能方面，Newsletter 觀察 Luna／DeepSeek 偏平價端、Opus 偏高端、OpenAI 佔中段，Carbon 值得繼續觀察。
香港企業／用家點用呢個榜
呢篇係 選 AI／評估企業能力天花板 嘅參考，唔係新機或新 model 開箱。港企若要喺金融建模、法務草擬、軟件工程、資安、硬件／芯片相關流程導入 frontier model，GDPx 清楚顯示：即使頂尖模型，喺真實 agent 環境仍遠未「做完人嘅工」；金融同法律尤其唔好假設可以全自動。
實務建議：
- 唔好只靠聊天感覺揀模型——同一模型可以「傾偈好掂」但喺長時限、多工具、真實文件堆嘅任務失手。
- 對齊你嘅 domain：例如偏資安可留意 Muse 相關結果；偏 RSI／材料科學可睇 Astra；要整體／芯片／硬件可睇 Opus；軟件工程可一併參考 Carbon。寫 code／agent 工作流另見 Claude／Cursor／Copilot／Grok 比較 同 Vibe Coding。
- 地區同訂閱政策以官網當日為準。香港用 Claude 入門同方案說明見 Claude 香港入門；輸出標記政策見 AI 文字 Watermark（Claude／Grok）；開放權重近況見 Mistral Large 4（Le Chonk）。本站唔提供任何繞過地區限制嘅步驟。
同「傾偈感覺」有咩分別？
常見聊天評測偏重單輪／少輪對話嘅語言同知識；GDPx 則要求模型喺豐富環境入面長時間自主搜集資料、用工具、產出可驗證結果。SemiAnalysis 亦對比過較早嘅 OpenAI GDPval：當年 agent 未普及，任務較多「提示詞餵料＋一次過交文件」；GDPx 刻意補返真實環境同專業難度。
對高要求崗位（金融、法律、芯片、資安等），GDPx 類數據往往比「傾兩句覺唔覺叻」更能反映可唔可以真正落地。Agent 設計取向亦可參考站內 Simple Agents 討論。
結論
GDPx 用 206 任務、11 領域，把 frontier model 嘅「企業級天花板」攤開：Opus 5.5（12.0）、Carbon（10.9）、Astra（9.6）暫時領先，但最高都只約一成二；金融／法律近乎全軍覆沒式嘅難度，更提醒自動化期望要保守。香港團隊宜按 domain、成本同合規／地區政策選工具，並以 gdpx.semianalysis.com 同 SemiAnalysis 後續版本為準——基準計劃約每 3–6 個月更新。
更新於 2026-11-02（Asia/Hong_Kong）。
