OpenAI实测：最强打工AI评测，榜首竟是它

OpenAI最新研究报告意外点赞Claude实力

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

近日，OpenAI发布了一项名为GDPval的全新基准测试，专门用于评估AI模型在具有实际经济价值的任务中的表现。

这一基准覆盖了美国GDP贡献最大的9大行业中的44种职业，由具备14年从业经验的行业专家精心设计任务，涉及年产值合计3万亿美元的专业领域。经过专业评审团的严格比对，Claude Opus 4.1以47.6%的任务成果媲美人类专家的表现拔得头筹。

值得注意的是，GPT-5以38.8%的成绩位居第二，与第一名存在明显差距；而GPT-4o的表现仅为12.4%。面对结果，OpenAI解释称各模型各有所长：Claude在审美表现上更胜一筹，而GPT-5则在准确性方面保持领先。

同时，OpenAI公布了包含220项任务的精选子集，并开放了自动化评分服务。此举引发了业内广泛关注，有观点认为这可能是OpenAI为展示AI经济价值所作的精心营销。

GDPval评估体系详解

与传统AI评估相比，GDPval具有以下突出优势：

• 基于真实工作场景，精准计算时间与成本
• 覆盖美国职业信息网络(O*NET)核心工作内容
• 支持多格式文件处理与多模态分析
• 评估标准除准确性外还包括结构与风格等主观因素
• 任务复杂度高，专家平均需要7小时完成

在测试构建过程中，研究团队首先筛选出对美国GDP贡献超过5%的9个核心行业，并在每个行业中选取5个薪资最高且以数字化工作为主的职业。最终选定的44个职业代表了3万亿美元的年产值。

行业顶尖专家参与评审

为确保评估权威性，OpenAI组建了平均14年从业经验的专家团队，成员来自苹果、谷歌、微软等科技巨头，以及摩根大通等金融机构。这些专家需要通过严格的多轮筛选，包括背景调查、专业测试等环节。

在任务设计阶段，每位专家需要根据O*NET的职业分类标准，为其专业领域创建代表性强的工作任务。每项任务都经过至少3轮人工审核，平均修改5次后才能最终定稿。

模型表现深度分析

在220项精选任务的盲测中，Claude Opus 4.1展现出卓越的审美能力，特别是在文档排版、PPT设计等需要视觉表现力的任务上表现出色。而GPT-5则在纯文本处理和精准计算方面保持优势。

研究还发现，将AI辅助引入工作流程可以显著提升效率：在超50%的任务中，AI产出达到或超过人类专家水平。采用"AI初稿+人工修改"的模式可以节省大量时间成本。

OpenAI同时指出当前GDPval存在的局限：样本量有限、主要针对知识型工作、缺乏交互性任务等。未来将持续拓展评估范围，完善评分系统。

值得玩味的是，微软近期宣布将与Claude的开发商Anthropic合作，优化其Microsoft 365 Copilot服务。这一动向似乎佐证了Claude在商业应用中的突出表现。