家务任务 80.6%、真实工作 12%：AI 基准测试的一周

文章对比同日发布的两个基准：OpenAI 的 LifeVal 测试日常生活任务，其 GPT-6 Astra 得分 80.6%；SemiAnalysis 的 GDPx 测试芯片设计、法律分析、量化交易等专业任务，最佳模型 Claude Opus 5.5 通过率仅 12.0%。作者指出两个数字的评测方、任务难度与评分方式不同，80.6% 是 OpenAI 自建自评的平均奖励，12.0% 是研究机构设计的严苛任务通过率，差距本身比单一数字更值得关注。

AI推荐理由 文章对比了同日发布的两个基准：OpenAI 自建自评的 LifeVal（GPT-6 Astra 得 80.6%）与 SemiAnalysis 的 GDPx 专业任务测试（Claude Opus 5.5 仅 12.0%），并指出两个数字的评测方、任务难度和评分口径不同，不能直接当作能力结论。其价值在于提示基准自评偏差与任务分布差异；但内容为博客转述，未提供原始基准细节，且涉及的具体模型与日期无法在片段中独立核实。