GDPx评估高价值领域智能体任务，但缺少人类基线且评分粒度受到质疑。
推荐理由：最强模型在GDPx上仅完成七项中的一项，但缺少人类基线、评分还被GPT-6 Pro发现错误；零分制也会抹平具有经济意义的部分成功。
阅读原文