SemiAnalysis 推出的 GDPx 把评测重心放到更接近真实工作的长时程代理任务：覆盖 11 个专业域、约 206 项任务。公开榜单口径中，Claude Opus 5.5 约 12%，Gemini 4 Carbon 约 10.9%，GPT-6 Astra 约 9.6%。金融与法律类任务几乎全军覆没，说明「能聊天」离「能可靠办完专业流程」仍有鸿沟。

对独立开发者，最大的产品启示是：不要只拿短问答基准当选型依据。若你的出海 SaaS 卖的是「代办一段工作流」，应自建贴近客户场景的评测集，而不是被总榜分数绑架。

分数整体偏低也意味着市场机会：垂直领域的工具链、人工审核节点、证据链与审计日志，仍是差异化卖点。尤其面向金融/法务相邻场景时，完整自动化承诺要极度克制。

阅读原文摘要后，建议再核对 SemiAnalysis 原始说明里的任务定义与模型版本号，避免把二次转述的百分比当成精确对比表。