OpenAI 发布 GDPval：衡量 AI 模型在真实经济任务中的表现

这些测试在推动模型推理能力的边界方面功不可没，但它们往往无法反映许多人在日常工作中处理的任务类型。为了弥补这一差距，OpenAI 推出了 GDPval——一个全新的评估框架，旨在衡量模型在经济价值高、贴近现实世界的任务上的表现。该评估覆盖了 44 个职业，所有任务均源自真实的工作产出。

什么是

GDPval？ GDPval 的命名源于其设计理念：以国内生产总值（GDP）这一关键经济指标为出发点，从对 GDP 贡献最大的行业中的关键职业提取任务。OpenAI 的使命是确保通用人工智能惠及全人类，而 GDPval 正是为了透明地传达 AI 模型在现实世界中帮助人们的能力。 该评估的首个版本涵盖了从对美国 GDP 贡献最大的 9 大行业中选出的 44 个职业。GDPval 完整集包含 1,320 项专业任务（其中 220 项为开源黄金集），每项任务都由平均从业经验超过 14 年的资深专业人士精心设计和审核。任务基于真实的工作产品，例如法律简报、工程蓝图、客户支持对话或护理计划。

GDPval 的独特之处

与 SWE-Lancer（基于真实薪酬的自由软件工程项目）等专注于特定领域的评估不同，GDPval 涵盖了众多任务和职业，具有高度的多样性和现实性。与学术考试风格的基准（如 Humanity's Last Exam）不同，GDPval 的任务并非简单的文本提示，而是附带参考文件和上下文，预期交付物涵盖文档、幻灯片、图表、电子表格和多媒体等多种形式。 历史表明，从互联网到智能手机，重大技术从发明到广泛采用需要十多年的时间。像 GDPval 这样的评估有助于将关于 AI 未来改进的讨论建立在证据而非猜测的基础上。然而，OpenAI 也承认，GDPval 是一个早期步骤，尚未反映许多经济任务的全部细微差别。它目前仅限于单次评估，无法捕捉模型需要构建上下文或通过多轮草稿改进的情况。

职业选择方法：基于经济数据驱动

GDPval 的行业选择基于圣路易斯联邦储备银行的数据，选取了对美国 GDP 贡献超过 5% 的行业。随后，研究团队利用美国劳工统计局（BLS）2024 年 5 月的职业就业报告中的工资和就业数据，在每个行业内挑选出对总工资和薪酬贡献最大的 5 个职业。 为了确定职业是否主要为知识工作，团队使用了美国劳工部赞助的 O*NET 数据库中的任务数据。他们将每个职业的每项任务分类为知识工作或体力劳动，如果一个职业中至少 60% 的任务被归类为不涉及体力劳动，则该职业被认定为“主要知识工作”。这一阈值作为第一版 GDPval 的起点，重点关注 AI 可能对现实生产力产生最高影响的职业。

国内视角：中国

AI 模型的评估与进展 OpenAI 的 GDPval 发布为全球 AI 评估领域设立了新的标杆。在国内，类似的评估体系也在快速发展。例如，百度的文心一言、阿里巴巴的通义千问、深度求索的 DeepSeek 以及智谱的 GLM 等模型，在中文语境下的专业任务评估中各有侧重。国内的评估往往更注重中文语义理解、传统文化知识以及特定行业（如金融、制造）的落地应用。 与国际上强调 GDP 关联的评估不同，国内厂商在模型评估上更倾向于结合具体的产业场景，如电商客服、智能办公助手等。随着 GDPval 这类评估的引入，国内 AI 社区也开始思考如何借鉴其方法论，构建更贴近真实经济价值的评测体系，以推动模型在生产力工具中的实际应用。

未来展望与局限性

GDPval 是 AI 评估领域的一次重要进步，它不再局限于学术竞赛，而是直接面向经济生产。未来版本将扩展到更具交互性的工作流程和上下文丰富的任务，以更好地反映现实世界知识工作的复杂性。 业界普遍认为，AI 对经济的影响将是深远且长期的。通过 GDPval，OpenAI 试图为衡量这种影响提供一个更坚实的证据基础。正如 OpenAI 在官方博客中所说：“评估像 GDPval 这样的工具，有助于将关于未来 AI 改进的对话建立在证据而非猜测之上。”

常见问题

GDPval 与之前的基准测试（如 MMLU、SWE-Bench）有何不同？

GDPval 专注于基于真实工作产品的任务，覆盖 44 个职业，强调经济价值；而 MMLU 是学术考试式问答，SWE-Bench 仅关注软件工程缺陷修复。GDPval 的任务更贴近现实，且附带有参考文件和上下文。

GDPval 的行业和职业是如何选择的？

行业基于圣路易斯联邦储备银行数据，选取对美国 GDP 贡献超过 5% 的行业；职业则根据美国劳工统计局工资数据，选择每个行业中薪酬贡献最大的知识工作职业，并通过 O*NET 任务数据验证其知识工作属性。

GDPval 目前有哪些局限性？

GDPval 目前仅支持单次评估，无法捕捉多轮迭代或上下文积累的工作场景。此外，它主要覆盖美国经济结构中的职业，未来需要扩展到更多国家和行业以增强全球适用性。

国内 AI

模型如何借鉴 GDPval 的思路？ 国内厂商可以借鉴 GDPval 的方法论，结合本土产业特点（如制造业升级、数字政务），构建基于真实工作场景的评估集，以衡量模型在具体经济任务中的生产力提升效果。

GDPval 对普通用户有什么意义？

GDPval 帮助用户了解 AI 模型在处理日常专业任务（如撰写法律文件、制定护理计划）中的实际能力，从而更合理地选择和使用 AI 工具来提升工作效率。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。 编辑团队：内容策划 · 技术编辑 · AI 研究组 网站：bingdada.com © 2026 Bingdada. 保留所有权利。