GDPxベンチマーク初公開：最強モデルでもわずか12%、金融・法律タスクは全モデル0点

SemiAnalysisは2026年11月2日にGDPxベンチマークを公開した。最強モデルのClaude Opus 5.5はわずか12.0%しか得点できず、Gemini 4 Carbonは10.9%、GPT-6 Astraは9.6%にとどまり、金融・法律タスクでは厳格な二値評価のもと全モデルが0点を記録した。

事実の整理

SemiAnalysisが公開したGDPxベンチマークは、チップ設計、生物学、金融、法律、量的取引、再帰的自己改善、ハードウェア設計、材料科学、アライメント、ソフトウェアエンジニアリングなど11分野をカバーしている。このベンチマークはAria、Arcverex、Ergodex、Arithmetic、Latch Bio、Living Context、Chakra、Third Moment、Extrapolate、Beautiful Machines、ValenceForge、Emulated、Fleet、Datacurveの14社の専門RLEnvironmentスタートアップとの共同で完成した。各分野のタスクは厳格な品質管理を経ており、評価結果が真の能力を反映するよう設計されている。

結果として、先行モデルでさえ全体スコアはわずか12%にとどまった。サイバーセキュリティ、生物学、アライメントなど安全分類器を作動させる可能性のある分野を除外するとランキングは変動するが、金融・法律タスクの0点は変わらなかった。Claude Opus 5.5は量的取引、ハードウェア設計、チップ設計で突出した成績を示し、Gemini 4 Carbonは生物学とソフトウェアエンジニアリングで首位、GPT-6 Astraは再帰的自己改善と材料科学で優位に立った。

仕組みの解説

GDPxはGDP貢献度の高い分野に焦点を当て、政府・不動産・保険などの業界を除外し、最先端モデルのエージェント的能力を追跡することを目的として設計されている。タスクはモデルが実際の制約のもとで判断を下すことを求めており、単純な算術やパターンマッチングの実行とは異なる。金融・法律タスクでの0点は、モデルが計算処理は可能であっても、相手方の戦略を予測したり複雑な意思決定を行ったりする能力を欠いていることを示している。

安全分類器が一部モデルのスコアに影響を与えており、Claude Opus 5.5やGPT-6 Astraは特定分野で制限を受けた。ベンチマークではモデルの性能に顕著なスパイクが観察され、異なるモデルファミリー内でも同様のパターンが見られた。コストと性能のパレートフロンティアでは、低コスト側にLunaとDeepSeekが、高コスト側にClaude Opusが位置し、OpenAIはその中間に位置する。Gemini 4 Carbonの登場も注目に値する。

産業への影響

このベンチマークは「AIがナレッジワーカーを代替できる」という通説に正面から異議を唱えるものだ。モデルはサンドボックス環境では高スコアを得られても、実際の法律・金融シナリオに置かれると全面的に機能不全に陥る。これはベンチマーク飽和問題に関する歴史的な先例と類似している。GDPxは専門パートナーとの協力によってこうした問題を回避している。

モデル選択においては、安全分類器の重要性が過小評価されている。たとえばMuse Wonder Fullはサイバーセキュリティ分野で突出した成績を示した。産業界は特に高付加価値分野での展開戦略を見直す必要があり、汎用ベンチマークだけに依存しても実際のROIを反映するには不十分だ。

戦略的評価

【分析】GDPxの公開は、各研究機関が知識カバレッジの単純な拡張よりもエージェント的判断能力の最適化を優先するよう促す可能性がある。OpenAIとAnthropicがランキングで優位に立つ一方、SpaceXAI、Meta、オープンソースモデルは後れを取っており、これが今後の投資や提携の方向性に影響を与えうる。Gemini 4 Carbonの進歩はGoogleの特定分野における潜在力を示しているが、正式リリース後の実際のパフォーマンスを見極める必要がある。長期的には、このようなベンチマークが経済全体への分散投資ではなく、高リターン分野への資源集中を促進するうえで有用となるだろう。