GDPval-AA：大模型在真实世界任务中的“经济价值”评测基准

2025年以来，大语言模型（LLM）的评测方式正在发生深刻变革。传统的学术基准（如MMLU、HumanEval）虽能衡量模型的知识储备和推理能力，但越来越难以反映模型在实际工作场景中的表现。OpenAI在2025年9月推出的GDPval基准，将焦点转向“具有经济价值的真实任务”，而第三方独立机构Artificial Analysis在此基础上开发的GDPval-AA，进一步引入了agentic（代理）能力评估和ELO排行榜，成为当前最受关注的“实用性”评测基准之一。

截至2026年2月，GDPval-AA排行榜上，Anthropic的Claude Opus 4.6已登顶，这也引发了业界对大模型真实生产力的新一轮讨论。本文将带你全面了解GDPval-AA的来龙去脉、设计理念、当前表现以及未来意义。

GDPval：从“考试”到“工作”的评测转向

GDPval的全称是“Gross Domestic Product Value”，灵感来源于宏观经济指标GDP。它由OpenAI推出，旨在衡量AI模型在对美国GDP贡献最大的行业中，完成知识型工作的能力。

基准覆盖了9大行业（占美国GDP超过5%的部分）和44个典型知识型职业，包括：

• 制造业：机械工程师、工业工程师
• 医疗保健：注册护士、护士从业者
• 金融保险：财务分析师、个人理财顾问
• 专业服务：软件开发者、律师
• 房地产、政府、零售贸易、批发贸易、信息行业等

每个职业设计了30个任务，总数据集1320个（公开金子集220个）。任务并非简单问答，而是模拟真实工作交付物：PowerPoint演示文稿、Excel表格、法律文书、护理报告、3D设计图甚至多媒体内容。任务由平均14年经验的专业人士设计，并附带参考文件和上下文。

评估方式采用盲测专家比较：同一领域的专业人士将AI产出与人类专家产出进行对比，判断AI是“更好”“相当”还是“更差”。前沿模型已能在大约一半任务中达到或接近人类专家水平，而且速度快约100倍、成本低约100倍（考虑推理费用）。