Как сообщает Techmeme, исследовательская компания SemiAnalysis представила GDPx — новый бенчмарк для оценки агентных возможностей искусственного интеллекта. Тест замеряет работу ИИ в 11 областях, включая проектирование чипов, кибербезопасность и рекурсивное самоулучшение (RSI).
Агентные возможности — это способность модели самостоятельно выполнять многошаговые задачи: ставить подцели, использовать внешние инструменты и корректировать действия без постоянного участия человека. Рекурсивное самоулучшение означает способность ИИ совершенствовать самого себя, в том числе собственный код.
Первое место в рейтинге GDPx заняла модель Opus 5.5 с результатом 12%. Даже лидер справился лишь с малой долей заданий в проверенных областях.
Подобные тесты помогают бизнесу оценивать, насколько ИИ-агенты уже готовы к самостоятельному решению профессиональных задач, а где по-прежнему нужны специалисты.
