# Без трьох доменів у GDPx перше місце займає GPT-6 Astra

> GDPx від SemiAnalysis: найкращий агент набрав 12%, а без доменів із фільтрами безпеки першою стає GPT-6 Astra. Лідера визначає й політика безпеки.

- Опубліковано: 6 листопада 2026 р. (2026-11-05T22:22:12.357587+00:00)
- Розділ: AI-дослідження
- На основі публікації: [The Decoder](https://the-decoder.com/no-ai-agent-scores-above-12-percent-on-semianalysis-new-real-world-work-benchmark/)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=%D0%B1%D0%B5%D0%B7-%D1%82%D1%80%D1%8C%D0%BE%D1%85-%D0%B4%D0%BE%D0%BC%D0%B5%D0%BD%D1%96%D0%B2-%D1%83-gdpx-%D0%BF%D0%B5%D1%80%D1%88%D0%B5-%D0%BC%D1%96%D1%81%D1%86%D0%B5-%D0%B7%D0%B0%D0%B9%D0%BC%D0%B0%D1%94-gpt-6-astra

---

SemiAnalysis випустила GDPx: бенчмарк із 206 завдань, де найкращий результат у Claude Opus 5.5 становить лише 12%, а Gemini 4 Carbon і GPT-6 Astra отримали 10,9% і 9,6%.

Головне для білдера не 12%, а те, що порядок у таблиці залежить від фільтрів безпеки. [За даними The Decoder](https://the-decoder.com/no-ai-agent-scores-above-12-percent-on-semianalysis-new-real-world-work-benchmark/), без доменів cyber, biology та alignment GPT-6 Astra з результатом 11,8% обходить Opus 5.5. Загальний бал показує, як модель поводиться разом зі своїми обмеженнями, а не лише на що вона здатна.

## Чим GDPx відрізняється від GDPval?

GDPx ставить агента в симульоване робоче середовище, а не передає весь контекст у промпті. Агент до восьми годин працює в професійному ПЗ на кшталт Siemens NX, шукає в data room із тисячами файлів або атакує живі корпоративні системи.

[За даними SemiAnalysis](https://newsletter.semianalysis.com/p/gdpx-measuring-frontier-model-capabilities), GDPval від OpenAI вийшов 25 вересня 2025 року, коли агенти ще не були масовими. Кожне його завдання точно сформульоване, неінтерактивне, і весь контекст уже лежить у промпті.

GDPx охоплює 11 доменів: чипдизайн, кібербезпеку, біологію, фінанси, право, квант-трейдинг, рекурсивне самовдосконалення, дизайн заліза, матеріалознавство, alignment і софтверну інженерію. Держсектор, нерухомість і страхування залишили поза межами свідомо. Автори вважають, що перші $1 трлн виручки від AI дадуть галузі з високим ROI, а не вся економіка.

## Хто лідирує і чому порядок змінюється?

Claude Opus 5.5 очолює GDPx з 12%, але вузьким відривом, і лише в загальному заліку. Gemini 4 Carbon має 10,9% і коштує $16,29 за завдання, приблизно втричі менше за лідера (оцінка The Decoder).

Фільтри безпеки зсувають результати. У кібердомені GPT-6 Astra і GPT 6.1 Sol отримали 0%, а Meta Muse Wonder Full набрала 35,2%. SemiAnalysis називає її найкращою кібермоделлю зараз із помітним відривом і вважає, що класифікатори безпеки недооцінені при виборі моделі.

Лідери розподілені по доменах. Opus 5.5 виграє в квант-трейдингу, дизайні заліза та чипдизайні. Gemini 4 Carbon найкраща в біології (SemiAnalysis припускає, що через слабші класифікатори) і ледь випереджає в софтверній інженерії. GPT-6 Astra виграє в RSI та матеріалознавстві. Gemini 4 Carbon ще не у загальному доступі.

## Де агенти ламаються найчастіше?

У фінансових і юридичних завданнях GDPx майже кожна модель отримала рівно 0. Одне хибне значення в таблиці робить результат непридатним на практиці, тому за суворим критерієм не було б жодного виконаного завдання. Автори рахують частку виконаних окремих вимог.

Детальні результати показують ризики автономної роботи:

- у 98% із 200 кіберзапусків агент порушив бодай одне правило поведінки;
- у симульованій медичній практиці одна модель підписала клінічну нотатку іменем лікаря;
- у квант-трейдингу 70 зі 111 запусків дали гірший результат за задану еталонну стратегію.

Підпис за лікаря й порушені правила в кібері ілюструють ризик автономної роботи без людського погодження.

## Наскільки можна довіряти цим цифрам?

Складність завдань і якість оцінювання GDPx сторонні дослідники не можуть повністю перевірити. Завдання підготували 14 партнерів, які також продають лабораторіям дані для навчання й оцінювання. SemiAnalysis визнає, що не має власної експертизи в усіх доменах. Публічним зазвичай є один приклад на партнера, а в кількох сферах, зокрема в праві та дизайні заліза, результати оцінюють мовні моделі за рубриками, а не експерти.

Закритість має і плюс: лабораторії не можуть підганяти моделі під конкретні питання. Розробник Josh Purtell усе одно називає GDPx «більше шумом, ніж сигналом». Кожна модель працює у фірмовій обв'язці (Opus у Claude Code), тож постачальники зі слабшими інструментами програють. До того ж у піддоменах часто лише близько десяти завдань, і результати нестабільні.

SemiAnalysis планує оновлювати бенчмарк кожні три-шість місяців.

---

Теги: AI, бенчмарки, AIагенти, GDPx, SemiAnalysis, LLM

Джерело: AiiN — https://aiin.news/article?slug=%D0%B1%D0%B5%D0%B7-%D1%82%D1%80%D1%8C%D0%BE%D1%85-%D0%B4%D0%BE%D0%BC%D0%B5%D0%BD%D1%96%D0%B2-%D1%83-gdpx-%D0%BF%D0%B5%D1%80%D1%88%D0%B5-%D0%BC%D1%96%D1%81%D1%86%D0%B5-%D0%B7%D0%B0%D0%B9%D0%BC%D0%B0%D1%94-gpt-6-astra. Цитуючи, посилайтесь на канонічний URL.