OpenAI 釋出新基準 GDPval：覆蓋 44 種職業，實測 AI 打工水平

AI 在各種考試和奧數競賽裡拿高分，早就不是什麼新鮮事了。但對大多數每天打工的人來說，大模型能不能解開一道高數題根本不重要，大家更關心的是：它能不能幫我把手頭這堆爛攤子收拾了？

OpenAI 正式釋出了一個全新的基準測試，名字叫 GDPval。它的核心目的只有一個：不再測大模型會不會做題，而是專門測它們在真實職場中，能不能幹出具有實際經濟價值的工作。

44 個職業，全是拿真實工作產出來考

以往的測試比如 MMLU 像是在考大學入學試卷，即便是後來的 SWE-Bench 也主要侷限在寫程式碼和修 bug。OpenAI 這次乾脆把標準錨定在了宏觀經濟上。

他們先從聖路易斯聯儲的資料中挑出了貢獻美國 GDP 超過 5% 的 9 大核心行業，包括醫療、金融、製造、零售和專業服務等。接著根據美國勞工統計局 2024 年 5 月的就業資料，找出每個行業裡薪酬總額最高、且以腦力勞動為主的職業。

所謂腦力勞動，OpenAI 給出的門檻是：利用美國勞工部的 O*NET 資料庫，只要該職業有 60% 以上的任務不需要在物理世界裡動手，就符合標準。最終他們圈出了 44 個職業。

這裡面不僅有軟體工程師、律師和會計師，還有註冊護士、機械工程師、房產經紀人、新聞記者甚至私人偵探。總共有 1,320 個具體任務，其中 220 個任務作為黃金測試集完全開源。

這些任務不是一兩句簡單的提示詞，而是帶著完整的背景檔案和上下文。大模型需要交付的東西也五花八門，涵蓋法律意見書、工程藍圖、護理計劃、PPT、電子表格和多媒體檔案。

為了出這些考卷，OpenAI 請來了各行業的資深專家，平均從業時間超過 14 年。每個題目平均要經歷 5 輪嚴格稽核，確保它確實是行業裡日常會出現的真活兒。

盲測對比專家，連競品模型也一起拉來考

做完題目之後，怎麼打分也是個難題。OpenAI 依然依賴這些資深專家來進行雙盲評審。

打分專家完全不知道哪份結果是人類寫的，哪份是 AI 生成的。他們要對產出進行挑刺、排序，並明確標記出 AI 的表現到底比人類更好、差不多，還是更差。

除了自家的 GPT-4o、o4-mini、OpenAI o3 和 GPT-5，OpenAI 這次還直接把競品拉到了同一張考卷上，受測模型包括 Claude Opus 4.1、Gemini 2.5 Pro 和 Grok 4。

為了降低未來評估的門檻，OpenAI 還訓練了一個專門用來模仿專家口味的自動評分模型，並在 evals.openai.com 上作為實驗性研究服務開放。不過他們自己也承認，這個自動打分工具目前還不如真人專家靠譜，暫時不能完全取代人工評審。

不過 GDPval 目前也有個明顯的侷限：它目前全是一次性交付的單輪測試。在實際工作中，很少有人能靠一個指令把幾萬字的方案交出來，複雜的任務往往需要反覆溝通、改版和補充背景。OpenAI 表示未來的版本會補上多輪互動的工作流。

為什麼重要

我們認為，GDPval 的釋出意味著 AI 行業的評測標準正在發生一次重要轉向。

長期以來，模型廠商都在刷那些越來越難、但離普通人極度遙遠的學術基準。這種分數除了在技術釋出會上好看，很難回答企業採購者最直接的問題：我花錢買你的 API，到底能省下多少工時？GDPval 第一次把模型能力和真實的經濟產出直接綁在了一起。

對普通打工人來說，這是一份極具參考價值的體檢報告。如果你從事的是這 44 個職業之一，不妨看看這些具體的測試任務。但值不值得現在就把工作全盤託付給 AI？答案顯然是否定的。真實職場的複雜度不僅在於寫出一份漂亮的報告，還在於上下文的理解和反覆修改，單輪測試能拿高分，不代表它在實際流程裡不會翻車。

從行業競爭來看，OpenAI 這一步走得很聰明，它正在試圖定義什麼叫作實用的 AGI。把宏觀經濟指標和自家評測繫結，本質上是在搶佔商業敘事的高地，逼著 Anthropic 和 Google 也必須把評測重心轉移到真實工種上。

但這裡的隱患也同樣明顯。知識工作的核心往往不是一份標準答案，而是人際協作與特定組織的默契。用標準化的交付物來量化 44 個職業的價值，看起來很有說服力，但也可能過早低估了各行業非標準化環節的複雜性。