人工智能领域正迎来新一轮评估革命。OpenAI近日推出全新评估框架GDPval，通过追踪模型在真实经济场景中的表现，为AI能力量化提供全新视角。该框架以国内生产总值（GDP）为核心指标，从美国经济贡献最大的九大行业中筛选出44个关键职业，涵盖软件开发、法律咨询、护理服务等高价值领域，构建起包含1320项专业任务的评估体系。
在黄金开源数据集的220项任务测试中，前沿模型展现出惊人进步。Claude Opus 4.1凭借出色的文档格式设计和幻灯片布局能力，在49%的任务中达到或超越人类专家水平；GPT-5则以精准的专业知识检索能力见长，在特定领域信息提取任务中表现优异。测试数据显示，AI完成任务的平均速度较人类专家快100倍，成本降低至百分之一，这种效率优势在标准化工作流程中尤为显著。
评估方法论突破传统测试框架，每项任务均由平均从业14年的资深专家设计，基于真实工作成果改编。从法律摘要到工程图纸，从客户对话到护理方案，所有任务都经过至少五轮审核确保质量。完整数据集包含每个职业30个全审查任务，开源黄金集则提供5个典型任务供研究使用。这种设计使评估结果能真实反映AI在专业场景中的辅助价值。
实验数据显示AI能力呈指数级增长。对比2024年春季的GPT-4o与2025年夏季的GPT-5，模型在GDPval任务上的性能提升超过200%。通过扩大模型规模、增加推理步骤和丰富任务上下文等优化措施，研究人员观察到持续的性能改进。这种进步不仅体现在速度提升，更表现在处理复杂任务时的准确性增强。
评估机制采用双轨制设计。专业评分员在盲测环境下对比AI与人类成果，依据详细评分标准给出"更优"、"相当"或"较差"的判断。同时开发的自动评分系统虽尚不能完全替代人工评估，但已能提供快速预判参考。这种设计既保证评估严谨性，又兼顾效率需求。
该框架揭示AI已具备处理重复性、规则明确任务的能力，这为工作模式转型带来契机。OpenAI研究团队指出，当AI承担标准化工作时，人类可将更多精力投入创造性劳动和复杂决策。这种分工转变可能推动生产力跃升，但需要配套建立公平的收益分配机制和技能转型支持体系。
作为动态评估系统，GDPval正持续扩展覆盖范围。研究团队计划纳入更多行业和职业类型，增加需要处理模糊情境的任务设计，并提升交互性评估维度。这个仍在演进的框架，正为量化评估AI在多元化知识工作中的进展提供新工具，其发展轨迹或将重塑人类对智能劳动力的认知边界。
