Economically Important Tasks
OpenAI 自建口径，公开资料有限：GPT-5 发布页以「vs 人类专家 win/tie 率」公布的经济价值任务评测，题集未公开
基本信息
30 秒看懂
厂商自报口径，主要用于代际纵向对比，跨厂商可比性未知。GPT-5 发布页图表读数：GPT-5 win+tie 47.1（win-only 41.4）、OpenAI o3 33.5、ChatGPT agent 43.5；其公开化延伸是随后发布的 GDPval（44 职业真人任务、专家盲评）。
采用格局：读数取自发布页图表原值（vega 数据提取）；与 gdpval 同叙事线但题集不同源
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布（收录 3 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2025
2025-08-07
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
GPT-5 是 OpenAI 的统一思考模型，发布文称其在 AIME 2025（无工具 94.6%）、SWE-bench Verified 74.9%、HealthBench Hard 46.2% 等刷新 SOTA，并大幅降低事实错误与谄媚率。评测覆盖竞赛数学、编码、指令跟随与代理、多模态与健康：GPQA Diamond 88.4%、MMMU 84.2%、BrowseComp 54.9%。
思考模型多模态代理工具调用幻觉抑制
查看模型变体与证据
GPT-5 · Economically Important Tasks 47.1%o3 · Economically Important Tasks 33.5%chatgpt-agent · Economically Important Tasks 43.5%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。