GDPx 长程基准发布：GDPval 后继者，最强模型仅得 11.1%

japie06 · reddit · 2026-11-02

Reddit 用户分享新发布的 frontier 级长程任务基准 GDPx(GDPval 的后继者)，评测大型生产代码库中的长程功能开发、调试与迁移，最好的模型得分也只有约 12%。

配图排行榜(软件工程域)显示：Gemini 4 Carbon 以 11.1% 居首($8.16/任务、282K 输出 token);Claude Opus 5.5、GPT 6.1 Sol、Gemini 4 Argon 并列 8.9%(每任务成本从 $2.57 到 $16.97 不等)；GPT-6 Astra 6.7%,Claude Fable 5.1 4.4%,Muse Wonder Full 2.2%;DeepSeek 4.1 Flash、GPT-6 Luna、Grok 4.7、Kimi K3、Qwen 3.8 Max、GLM 5.3 等均为 0%。任务按各域预设评分方式打分，取 3 次尝试平均。