最高モデルでも12%──SemiAnalysisのGDPxが映すエージェントの現在地

半導体・AI分析のSemiAnalysisが、付加価値の高い11領域・206タスクでAIエージェントの実務能力を測る新ベンチマーク『GDPx』を公開した。首位のClaude Opus 5.5でも12.0%にとどまり、伸びしろの大きさが話題になっている。

まず、ここだけ

GDPx is a true frontier-level benchmark: even the best model scores just 12% (1/7)

半導体・AI業界の分析で知られるSemiAnalysisが、AIエージェントの実力を測る新ベンチマーク『GDPx』を公開した。対象は付加価値の高い11領域、タスク数は206。知識の暗記ではなく、実際の業務をどこまで遂行できるかに焦点を当てている点が特徴だ。

同社はGDPxを「真のフロンティア級ベンチマーク」と位置づけ、最高性能のモデルでもスコアは12%にとどまると説明する。既存テストが飽和しつつあるなか、伸びしろを可視化する物差しとして登場した形である。

参照先[1]

トップの12.0%から3位の9.6%まで、上位モデルはそろって1割台前半に沈む。エージェント能力がまだ実用の入口に立っていないことを示す一方、首位と3位には2.4ポイントの開きがあり、順位自体は無意味ではない。

スコアが低いベンチマークは、モデルがこれから伸びる余地を測る指標として機能する。飽和した既存テストの代わりに、次世代の競争軸を映す鏡として受け止められている。

参照先[1]

Today we're releasing GDPx, a benchmark for measuring agentic capabilities across the most valuable domains.

発表はX上で瞬く間に広がり、表示回数は約169万回、いいね3256件、ブックマーク1354件、リポスト310件を記録した。いいねに対するブックマークの比率が高いのは、後で読み返し、自分の評価や資料に使おうとする層の存在を示している。

「最高モデルでも12%」という一文は、AIの実力を未熟と見る読み方と、伸びしろだと見る読み方の両方を許す。数字の受け取り方をめぐって解釈が割れる余地があり、それが議論を長引かせている。

参照先[1]

作者の投稿や紹介を、X で確認できます。