GDPval-AA v2.1

エージェント・業務・高いほど良い

このベンチマークとは

44職種の実務タスクでエージェントを評価する。Artificial Analysis が Elo で算出。

Elo は対戦形式の相対評価で、差が大きいほど人間の評価者に選ばれやすい。絶対的な正答率ではない。

＊＝開発元の自社発表。出典（表）ごとに分けています。同じ表の値どうしは同じ条件で比べられます。

Opus 5.5 は max effort（Terminal-Bench は xhigh）。本番セーフガード有効のため一部で不利。

Anthropic の発表値を報じたもの。公式発表での再確認が必要。