New GDPx test shows even the best AI model scores just 12%
نئے GDPx ٹیسٹ میں بہترین اے آئی ماڈل بھی صرف 12 فیصد اسکور کر سکا
नए GDPx टेस्ट में सबसे अच्छा एआई मॉडल भी सिर्फ 12% स्कोर कर सका
Key points
اہم نکات
मुख्य बातें
- SemiAnalysis has released GDPx, a new benchmark for general AI agent skills across 11 valuable domains, including chip design, cybersecurity, biology, finance, legal work and software engineering, built from 206 tasks with 14 specialist partners.
- The best model, Anthropic's Claude Opus 5.5, scored just 12.0%, ahead of Google's Gemini 4 Carbon at 10.9% and OpenAI's GPT-6 Astra at 9.6%.
- Finance and legal tasks were so hard that models scored near zero, and the benchmark will be updated every three to six months.
- سیمی اینالیسس نے GDPx جاری کیا ہے، جو عام اے آئی ایجنٹ مہارتوں کا نیا پیمانہ ہے جس میں چپ ڈیزائن، سائبر سیکیورٹی، حیاتیات، مالیات، قانونی کام اور سافٹ ویئر انجینئرنگ سمیت 11 قیمتی شعبے شامل ہیں، اور یہ 14 ماہر شراکت داروں کے ساتھ 206 کاموں پر مبنی ہے۔ بہترین ماڈل اینتھروپک کا کلاؤڈ اوپس 5.5 صرف 12 فیصد اسکور کر سکا، اس کے بعد گوگل کا جیمنی 4 کاربن 10.9 فیصد اور اوپن اے آئی کا جی پی ٹی-6 ایسٹرا 9.6 فیصد پر رہے۔ مالیات اور قانونی کام اتنے مشکل تھے کہ ماڈلز تقریباً صفر پر رہے، اور یہ پیمانہ ہر تین سے چھ ماہ میں اپ ڈیٹ ہوگا۔
- सेमीएनालिसिस ने GDPx जारी किया है, जो सामान्य एआई एजेंट कौशल का नया मानक है जिसमें चिप डिजाइन, साइबर सुरक्षा, जीव विज्ञान, वित्त, कानूनी कार्य और सॉफ्टवेयर इंजीनियरिंग सहित 11 मूल्यवान क्षेत्र शामिल हैं, और यह 14 विशेषज्ञ साझेदारों के साथ 206 कार्यों पर आधारित है। सबसे अच्छा मॉडल एंथ्रोपिक का क्लाउड ओपस 5.5 सिर्फ 12.0% स्कोर कर सका, उसके बाद गूगल का जेमिनी 4 कार्बन 10.9% और ओपनएआई का जीपीटी-6 एस्ट्रा 9.6% पर रहे। वित्त और कानूनी कार्य इतने कठिन थे कि मॉडल लगभग शून्य पर रहे, और यह मानक हर तीन से छह महीने में अपडेट होगा।
SemiAnalysis has released GDPx, a new benchmark for general AI agent skills across 11 valuable domains, including chip design, cybersecurity, biology, finance, legal work and software engineering, built from 206 tasks with 14 specialist partners. The best model, Anthropic's Claude Opus 5.5, scored just 12.0%, ahead of Google's Gemini 4 Carbon at 10.9% and OpenAI's GPT-6 Astra at 9.6%. Finance and legal tasks were so hard that models scored near zero, and the benchmark will be updated every three to six months.
سیمی اینالیسس نے GDPx جاری کیا ہے، جو عام اے آئی ایجنٹ مہارتوں کا نیا پیمانہ ہے جس میں چپ ڈیزائن، سائبر سیکیورٹی، حیاتیات، مالیات، قانونی کام اور سافٹ ویئر انجینئرنگ سمیت 11 قیمتی شعبے شامل ہیں، اور یہ 14 ماہر شراکت داروں کے ساتھ 206 کاموں پر مبنی ہے۔ بہترین ماڈل اینتھروپک کا کلاؤڈ اوپس 5.5 صرف 12 فیصد اسکور کر سکا، اس کے بعد گوگل کا جیمنی 4 کاربن 10.9 فیصد اور اوپن اے آئی کا جی پی ٹی-6 ایسٹرا 9.6 فیصد پر رہے۔ مالیات اور قانونی کام اتنے مشکل تھے کہ ماڈلز تقریباً صفر پر رہے، اور یہ پیمانہ ہر تین سے چھ ماہ میں اپ ڈیٹ ہوگا۔
सेमीएनालिसिस ने GDPx जारी किया है, जो सामान्य एआई एजेंट कौशल का नया मानक है जिसमें चिप डिजाइन, साइबर सुरक्षा, जीव विज्ञान, वित्त, कानूनी कार्य और सॉफ्टवेयर इंजीनियरिंग सहित 11 मूल्यवान क्षेत्र शामिल हैं, और यह 14 विशेषज्ञ साझेदारों के साथ 206 कार्यों पर आधारित है। सबसे अच्छा मॉडल एंथ्रोपिक का क्लाउड ओपस 5.5 सिर्फ 12.0% स्कोर कर सका, उसके बाद गूगल का जेमिनी 4 कार्बन 10.9% और ओपनएआई का जीपीटी-6 एस्ट्रा 9.6% पर रहे। वित्त और कानूनी कार्य इतने कठिन थे कि मॉडल लगभग शून्य पर रहे, और यह मानक हर तीन से छह महीने में अपडेट होगा।
Most read
سب سے زیادہ پڑھی گئی
सबसे ज़्यादा पढ़ी गई
- Loading...
Get news in your inbox
خبریں اپنے ان باکس میں حاصل کریں
खबरें अपने इनबॉक्स में पाएं
One email when new stories are published. No spam, unsubscribe anytime.
نئی خبریں شائع ہونے پر ایک ای میل۔ کوئی سپیم نہیں، کسی بھی وقت ان سبسکرائب کریں۔
नई खबरें प्रकाशित होने पर एक ईमेल। कोई स्पैम नहीं, कभी भी अनसब्सक्राइब करें।