【geek-terminalニュース】長時間業務評価GDPx「最上位12%」の最新情報

【事象の全貌と背景】
「最強AIでも業務完遂は約12%」。この見出しだけなら、期待外れにも次の伸びしろにも見える。Redditで紹介されたGDPxが突きつけるのは、必要な情報を探し、ツールを使い、制約を守って成果物を納める能力をどう測るか、という問いだ。

提供された検索結果3にはGDPxの裏付けがない。追加で原本のリンク先を確認すると、SemiAnalysisは2026年11月2日付の記事で、経済的価値が高いと考える領域のエージェント評価として説明している。以下の仕様と成績は公表元の報告であり、独立した再現検証済みの結果としては扱わない。GDPvalの課題は情報を与えすぎる、という批判も同社の評価だ。[公表元の説明](https://newsletter.semianalysis.com/p/gdpx-measuring-frontier-model-capabilities)

原本の「GDPval後継」という呼称も投稿上の位置付けであり、OpenAIによる正式な後継認定を意味しない。名称から既存評価との連続性を想像する前に、評価主体と採点対象を切り分けたい。[原本投稿](https://www.reddit.com/r/singularity/comments/1xlr2l4/new_frontierlevel_long_horizon_benchmark_gdpx/)

【技術的ディープダイブ】
公表サイトのv1.0では206課題、11領域、14の専門データパートナーが掲げられ、Claude Opus 5.5が12.0%、Gemini 4 Carbonが10.9%、GPT-6 Astraが9.6%と表示されている。ただし「206問のうち12%に正解」と読み替えると集計方法を取り違える。サイトの説明では領域を等重みとし、同じ領域に複数の提供者がいる場合も提供者を等重みにする。二値採点と連続値採点を課題に応じて使い、3試行の平均を取るという。[スコアと集計説明](https://gdpx.semianalysis.com/)

つまり分母は、生の課題総数だけでは説明できない。領域別の課題数が違えば、課題を単純に足した正解率と領域平均は一致しない。部分点も混ざるため、12%から「実務の88%で完全に何もできない」とは導けない。公表元が使うpass@1も、3回のうち一度でも成功すればよいpass@3とは区別が必要だ。

実行条件について公表元は、原則8時間、一部は短い制限と説明している。利用可能ならモデル固有の実行基盤を使い、それ以外はOpenCodeで動かすという。これはモデルと、指示・ツール・履歴管理を担う実行基盤の組み合わせを比較する設計と読める。同じモデルに別の仕組みを被せた自作エージェントが、そのまま同じ点を出す保証にはならない。

具体例が公開課題「VT01 Ibex ECO」だ。課題文では8時間、8 CPU、64 GiBメモリを与え、配置配線済みの回路のタイミング改善を求めている。既存セルの変更・削除は最大104個、追加も最大104個で、RTLとの等価性検証を通す必要がある。速くなれば何でもよいわけではなく、変更範囲と機能維持まで納品条件になる。[公開課題文](https://gdpx.semianalysis.com/rollouts/vt01-ibex-eco)

失敗条件も見逃せない。「Current Payments」の課題文は、公開されたサービスから証拠を集めるよう指定し、課題外ファイルや実行環境の内部情報から手掛かりを得ることを禁止している。成果だけを追う探索は、この条件に抵触し得る。長時間評価を読む際には、未達、時間切れ、提出形式の不備、操作範囲違反を分けて確認したい。これは分析上の整理であり、GDPx全体の失敗内訳が判明したという意味ではない。[操作範囲の指定](https://gdpx.semianalysis.com/rollouts/current-payments-r0)

【コミュニティの生々しい熱量と議論】
提供された検索結果2は途切れていたが、原本を追加確認すると議論が読めた。Zaicは「I wonder how humans compare in these」と、人間ならどうなるのかを問う。KrydanXは一握りの専門家と誰でも使えるAIを比較する難しさを指摘し、SgathTriallairは、列挙された分野では人間もチームで働くと反論する。低い数字を見ているのに、議論は早くも「比較対象は個人か、専門家集団か」へ進んでいる。[コメント欄](https://www.reddit.com/r/singularity/comments/1xlr2l4/new_frontierlevel_long_horizon_benchmark_gdpx/)

楽観派も強気だ。Buck-Nastyは「Give it a few months and that chart will be saturated.」と、数カ月で評価が飽和すると予想する。一方Fusifufuは、経済を単純なAI課題へ還元する発想を疑いつつ、文脈をすべて与えない設計には関心を示す。どちらも利用者個人の見方で、将来の改善速度や経済効果の証拠ではない。

さらにMorningThin8819は、安全性分類器の話から、対象領域の選択で順位が変わる点に注目する。Bitter-College8786は自分にはソフトウェア開発が最重要だとして、コーディングだけの評価を望んでいる。総合首位と自分の仕事に効くモデルは同じか。この温度差こそ現場らしい。ただし、確認できたコメントに再現可能な独自ハックの報告はなく、成功談は補わない。

【今後の展望とエコシステムへの影響】
ここからは設計上の考察だ。自作エージェントで参考になるのは、長く動かすこと自体より、失敗を診断できる記録を残すことだ。取得した証拠、変更したファイル、実行した検証、残り時間、提出物を対応付ければ、探索不足と提出失敗を区別できる。途中で成果物を保存し、最後に仕様と照合する工程も検討に値する。

評価の流れがこの方向へ進むなら、短問の正答率だけで業務能力を語る説明は説得力を失う可能性がある。ただし短問評価そのものが不要になるとは言えない。基礎能力、領域別の適性、長い作業での完遂性は、それぞれ別の判断材料になるはずだ。

GDPxの12%は、労働市場全体の自動化率でも、人間に対する勝率でもない。公表された条件付きの集計値として受け止め、領域別成績、採点基準、実行基盤、失敗した軌跡へ潜る。ギークにとっての収穫は、順位表の勝者を決めることより、自分のエージェントが納品直前のどこで転ぶかを問える点にある。