GDPval-AA是由第三方獨立機構Artificial Analysis基於OpenAI的GDPval數據集開發的一項AI基準測試系統，旨在評估大模型在真實世界知識工作任務中的表現。該評估覆蓋44種職業與9大GDP核心行業，其任務源自資深從業者的真實交付物，並通過引入agentic工作流與盲測兩兩對比的Elo評分機制來衡量模型性能。
截至2026年2月，在GDPval-AA的Elo排行榜上，Anthropic的Claude Opus 4.6模型以1606分位居榜首。其他主流模型如GPT-5.4、Claude Sonnet 4.6等也在該基準上被評估與比較。
研發背景,發展歷程,核心技術,運營模式,核心團隊,重要事件,
研發背景
GDPval-AA是第三方獨立機構Artificial Analysis在OpenAI公開的GDPval數據集基礎上開發的大模型評估基準。它進一步引入了agentic（代理）能力評估和ELO排行榜，成為當前最受關注的“實用性”評測基準之一。
該基準旨在更貼近企業真實需求，直接衡量模型在金融、法律、醫療、製造等高經濟價值場景中的表現，評估模型在真實世界知識工作任務中的“經濟價值”。其設計理念代表了大模型評測從“學術考試”向“職場實戰”的重要轉向。
該基準覆蓋了44種知識工作職業、9大GDP核心行業，任務來自資深職業人士（平均14年經驗）的真實交付物。評估時讓模型在agent循環中工作，並通過盲測兩兩對比的方式計算Elo分數。
發展歷程
GDPval-AA基準推出後，成為當前最受關注的“實用性”評測基準之一，其基於Elo評分的排行榜用於衡量AI模型在真實世界知識工作任務上的表現。
截至2026年2月，GDPval-AA已成為衡量通用智慧型體性能的主要指標，其排行榜覆蓋的模型變體數量已增至233個，並隨著新模型的發布而快速變化。
核心技術
GDPval-AA的核心技術包括Agentic評估框架、ELO評分系統、第三方獨立性和透明開源。其Agentic評估框架使模型在智慧型體循環中運行，通過開源框架如Stirrup使用Shell命令和網頁瀏覽來模擬實際智慧型體的工作流程。ELO評分系統採用盲測成對比較計算ELO分數，用於多模型間的比較。該基準由Artificial Analysis獨立開發，以避免廠商自我評估偏差，覆蓋233個模型變體，有助於提升其可信度。數據集部分開源且評估框架公開，支持社區進行更貼近實際套用的AI評估。這些設計旨在評估模型在企業環境中的適用性，其評估範圍涵蓋財務、法律、醫療、製造等多個領域。
運營模式
GDPval-AA以公開發布的ELO排行榜為主要形式，採用盲測成對比較計算ELO分數，目前已覆蓋233個模型變體。其評估數據集部分開源，評估框架公開，鼓勵社區共同推進更真實的AI評測。
GDPval-AA的排行榜結果被用於對比不同模型在辦公、知識工作等場景下的實用性能。該測試涵蓋了金融、法律等領域的實際工作任務。例如，Kimi K2.5在評估中取得1309的Elo評分，Claude Sonnet 4.6在辦公任務中達到1633分。
核心團隊
GDPval-AA由第三方獨立機構Artificial Analysis開發。
重要事件
GDPval-AA是Artificial Analysis基於OpenAI GDPval數據集做的評估，覆蓋44種知識工作職業、9大GDP核心行業，任務來自資深職業人士的真實交付物，使用agent loop和盲測兩兩對比打Elo分。GDPval-AA是衡量通用智慧型體性能的主要指標，用於評估模型在實際知識工作任務上的表現，並成為當前最受關注的實用性評測基準之一。
2026年1月28日，月之暗面公司的Kimi K2.5模型在GDPval-AA評估中取得了1309的Elo評分。2026年2月，Anthropic公司的Claude Opus 4.6在GDPval-AA排行榜上以1606分登頂，其表現比當時業界次優模型OpenAI的GPT-5.2高出約144個Elo分數。截至當月，排行榜前五名還包括Claude Opus 4.6 (Non-reasoning, 1579分)、GPT-5.2 (xhigh, 1462分)等模型。
2026年2月18日，Anthropic發布的新模型Claude Sonnet 4.6在辦公任務的GDPval-AA Elo評分中達到1633分，超過了Opus 4.6的1606分和GPT-5.2的1462分。2026年3月19日，小米公司發布的MiMo-V2-Pro模型在GDPval-AA中取得1426 Elo分，領先於GLM-5、Kimi K2.5等同類模型。同期，GPT-5.4和Claude Sonnet 4.6的Elo分分別為1667和1633。2026年4月9日，Meta公司發布Muse Spark模型，其在GDPval-AA Elo測試（辦公任務）中的得分為1444分，而當時GPT-5.4和Claude Opus 4.6的得分分別為1672分和1606分。
GDPval-AA排行榜的快速變化推動大模型評測從“學術考試”向“職場實戰”轉向。
