OpenAI报告：AI专家任务速度提升100倍，成本降至1%

最新消息，9月27日科技媒体ZDNet于26日发表专题报道，披露OpenAI创新性地推出了GDPval评估基准。这一全新AI测评工具专门设计用于评估前沿AI模型在实际商业场景中的经济价值创造能力，有效弥合了实验室测试与现实应用间的鸿沟。

当前市场涌现大量声称能提升生产力的AI工具，但实际企业应用效果存在明显落差。为解决AI模型学术测评与实际表现不匹配的问题，OpenAI在26日正式发布GDPval评估框架。该体系着眼于"量化AI在经济价值创造类真实任务中的表现"，力求为业界提供更具实用参考价值的评估标准。

GDPval测评体系高度还原真实工作场景，其测评范围覆盖对美国GDP贡献最大的9个核心行业、44种典型职业的1320项具体工作任务。所有测评任务均由平均拥有14年行业经验的专业人士设计打造，确保了任务的专业性和实践性。

与传统依赖简单文本问答的测评方式不同，GDPval要求AI模型实际处理办公文档、制作演示幻灯片、格式化商务文件等多种工作输出，从而更全面地验证AI在真实商业环境下的综合表现。

在首次测评中，OpenAI邀请行业专家采用双盲评估方式测试了包括GPT-5、GPT-4o在内的多个顶尖模型，同时对比了Anthropic的Claude Opus 4.1和谷歌Gemini 2.5 Pro等主流产品。

测评结果颇具戏剧性：Claude Opus 4.1凭借在文档排版、幻灯片视觉效果等"美学设计"方面的突出表现荣膺综合榜首；而OpenAI自家的GPT-5则在专业领域知识准确度方面表现最为出色。

研究发现清晰地展现了AI性能的指数级进步和显著成本优势。数据显示，从2024年春季发布的GPT-4o到预计2025年夏季问世的GPT-5，模型的实际工作性能提升超过100%。

最具冲击力的研究结果显示，前沿AI模型完成GDPval测评任务的速度比行业专家快100倍，成本仅为人工的1%。

不过OpenAI特别说明，这些数据仅反映纯模型推理成本，并未计入现实中必要的人工监督、反复修改和系统集成等环节的开支。

OpenAI也坦言GDPval当前存在明显局限。作为初期版本，该基准仅能评估一次性任务表现，尚不能测量模型处理需多轮修改的复杂项目，或应对充满不确定性的现实工作场景。

举例来说，GDPval暂无法评估AI根据客户反馈修改方案的能力，也无法测试处理数据异常等动态情况。OpenAI表示未来将扩展更多行业测评，纳入更具挑战性的任务，并计划开放部分数据集供学术研究使用。