据钛媒体报道，数据标注与评测公司Surge AI在过去一个多月里连续发布三份面向真实职场的新评测集：sudo L7、GDP.xlsx和DAYJOB。
sudo L7包含60道来自真实生产代码库的编程任务。排行榜上，Claude Opus 5.5与Sonnet 5.5并列第一，通过率为41.7%；OpenAI的GPT-6 Astra为33.9%；10月6日以预览版上线的Mistral Large 4得分11.7%。
GDP.xlsx由70道取自金融、医疗、地产等12个行业从业者日常工作的真实Excel任务组成，排名第一的Gemini 4 Argon得分38.3%。DAYJOB收录130项由医疗和金融专家编写的长流程任务，医疗赛道最好成绩为Claude Opus 5.5的24.7%，金融赛道为Claude Sonnet 5.5的24%。
同期，第三方评测聚合平台BenchLM截至10月26日的统计显示，其追踪的710个基准中有295个为百分制基准，其中105个（约36%）已饱和，榜首得分全部在90分以上。