摘要

Claude Opus 4.1 49% 任务不输人类，GPT-5-high 40.6%，差距主要来自图表美观度而非实质能力。

GDPval-v0仅测“写报告”这一单点任务，未覆盖交互流程与实操环节，远未到取代程度。

15个月内从GPT-4o的13.7%跃升至40%+，OpenAI预计曲线将继续陡峭上升。

工具属性优先——帮专业人士节省时间，让其聚焦更高价值工作，而非直接替代人类岗位。

当地时间周四（9月25日），人工智能（AI）研究公司OpenAI发布了一项新的基准测试，用于比较其AI模型与各行业专业人士的工作表现。

这项测试名为GDPval，是一次初步尝试，旨在评估OpenAI的系统距离在经济价值工作上超越人类有多近。而经济价值工作是OpenAI开发通用人工智能（AGI）的关键环节。

OpenAI周四表示，其GPT-5模型以及竞争对手Anthropic公司的Claude Opus 4.1“已经接近行业专家的工作质量”。

这并不意味着OpenAI的模型会立刻取代人类工作。尽管一些CEO预测AI在几年内就会取代人类，但OpenAI承认GDPval目前只涵盖人们实际工作中有限的一部分任务。不过，这是该公司用来衡量AI向这一里程碑迈进的最新方式之一。

GDPval基于美国GDP贡献最大的九个行业，包括医疗、金融、制造业和政府等领域。测试覆盖了44种职业，从软件工程师到护士再到记者。

在首个版本GDPval-v0中，OpenAI邀请资深专业人士对比AI生成的报告与其他专业人士的成果，并挑选出更优者。

例如，某项任务要求投行人员为“最后一公里配送行业”制作竞争格局分析，并与AI生成的报告进行对比。OpenAI随后将AI模型在全部44个职业中对抗人类报告的“胜率”进行平均计算。

结果显示，GPT-5-high（高算力版本GPT-5）在40.6%的情况下被评为优于或与行业专家持平。

而Anthropic的Claude Opus 4.1模型则在49%的任务中被评为不输于行业专家，这一表现超过了OpenAI的模型。

OpenAI对此解释称，之所以Claude得分更高，部分原因是其倾向于生成更美观的图表，而非纯粹性能更优。

需要说明的是，大多数职业的工作远不止提交研究报告，而这却是GDPval-v0所测试的全部内容。OpenAI承认这一点，并计划在未来开发更全面的测试，涵盖更多行业和交互式工作流程。

尽管如此，OpenAI仍认为GDPval的进展具有重要意义。

OpenAI首席经济学家Aaron Chatterji在接受采访时表示，GDPval的测试结果表明，这些岗位上的人们可以利用AI模型节省时间，从而专注于更有意义的工作。

“因为模型在某些事情上已经变得很擅长，随着能力的提升，人们可以越来越多地把部分工作交给模型，去做潜在更有价值的事情，”Chatterji说。

OpenAI评估负责人Tejal Patwardhan表示，她对GDPval的进步速度感到鼓舞。

Patwardhan指出，约15个月前发布的GPT-4o模型得分仅为13.7%（胜出或持平人类），而GPT-5的成绩几乎提高了三倍。她预计这一趋势还会继续。