SemiAnalysis lanza GDPx, una prueba de referencia que abarca 11 dominios de capacidades agénticas

El 2 de noviembre de 2026, SemiAnalysis presentó GDPx, una prueba de referencia de capacidades agénticas generales que abarca 11 ámbitos profesionales, en un anuncio redactado por Max Kan, Andrew Megalaa y Dylan Patel. Claude Opus 5.5 de Anthropic encabeza la clasificación inaugural con una puntuación del 12,0 %.

La clasificación de la versión 1.0

El sitio oficial de GDPx indica que la primera versión incluye 206 tareas desarrolladas con 14 socios especializados en datos y que su clasificación ordena 13 modelos. Claude Opus 5.5 ocupa el primer puesto, con un costo promedio de $51,41 por tarea y 548.000 tokens de salida. Gemini 4 Carbon de Google queda en segundo lugar, con un 10,9 % y $16,29 por tarea, mientras que GPT-6 Astra de OpenAI ocupa el tercer puesto, con un 9,6 % y $53,99 por tarea. Muse Wonder Full de Meta queda en cuarto lugar, con un 9,0 % y sin precio público indicado, y GLM 5.3 de Z.ai ocupa el puesto 13, con un 2,7 %.

SemiAnalysis describe GDPx como una prueba de referencia verdaderamente de vanguardia precisamente porque la puntuación más alta sigue siendo tan baja. La puntuación principal de GDPx promedia el resultado pass@1 de cada modelo en tres intentos, asigna el mismo peso a todos los dominios y aplica el método de evaluación previsto para cada tarea, ya sea binario o continuo.

Diseño, socios y metodología

Los dominios son diseño de chips, ciberseguridad, biología, finanzas, derecho, negociación cuantitativa, automejora recursiva (RSI), diseño de hardware, ciencia de materiales, alineación e ingeniería de software; SemiAnalysis afirma que excluye deliberadamente sectores como la administración pública, el sector inmobiliario y los seguros. Los autores sostienen que el primer billón de dólares de ingresos de la IA se concentrará en sectores capaces de implementar inteligencia de vanguardia con un alto retorno de la inversión, y que es un error construir una prueba de referencia general basada en la proporción del PIB o en la taxonomía ocupacional SOC/O*NET.

Cada dominio se desarrolló con socios especializados: Aria, Arcverex y Ergodex para el diseño de chips; Arithmetic para la ciberseguridad; Latch Bio para la biología; Living Context para las finanzas; Chakra para el derecho; Third Moment para la negociación cuantitativa; Extrapolate para RSI; Beautiful Machines para el diseño de hardware; ValenceForge y Emulated para la ciencia de materiales; Fleet para la alineación; y Datacurve para la ingeniería de software.

Las tareas tienen un límite de tiempo predeterminado de ocho horas, y los modelos se ejecutan en su entorno nativo cuando está disponible: Claude Code para Opus 5.5, Codex para GPT-6 Astra y Antigravity para Gemini 4 Carbon; OpenCode se utiliza como alternativa. SemiAnalysis exigió que cada socio superara su control de calidad automatizado al primer intento, con errores menores como máximo, y señala que el mismo proceso detecta fallas en casi el 50 % de las tareas de la prueba Terminal Bench 4.0.

La crítica a GDPval

El anuncio presenta GDPx como sucesor de GDPval, de OpenAI, publicado el 25 de septiembre de 2025, que, según los autores, sigue siendo la prueba de referencia de propósito general más popular en las fichas de lanzamiento de los principales modelos. Critican que las tareas de GDPval no sean interactivas y que el aviso proporcione de antemano, de forma demasiado explícita, todo el contexto necesario; además, citan un acuerdo entre evaluadores expertos humanos del 71 % en su subconjunto de referencia. En cambio, cada tarea de GDPx incluye un entorno realista: por ejemplo, las 24 tareas financieras reproducen una transacción real de capital privado en la que un fondo compra aproximadamente el 62 % de un fabricante de aperitivos por 880 millones de dólares, más una contraprestación contingente, reconstruida a partir de unos 4.000 archivos anonimizados.

Resultados por dominio y limitaciones señaladas

SemiAnalysis señala que Claude Opus 5.5 es el mejor modelo en términos generales y que gana en negociación cuantitativa, diseño de hardware y diseño de chips; que Gemini 4 Carbon es el mejor modelo para biología y obtiene una victoria ajustada en ingeniería de software; y que GPT-6 Astra gana en RSI y ciencia de materiales. Advierte que los clasificadores de seguridad penalizan las puntuaciones generales de Opus 5.5 y GPT-6 Astra en los dominios de ciberseguridad, biología y alineación, y describe Muse Wonder Full de Meta como el mejor modelo de ciberseguridad disponible, con una ventaja considerable.

Las tareas de finanzas y derecho son tan difíciles que todos los modelos obtienen cero con el método de evaluación binario previsto, por lo que SemiAnalysis informa las puntuaciones parciales promedio de esos dominios. En negociación cuantitativa, 70 de las 111 ejecuciones evaluadas rindieron peor que la estrategia de referencia que se pidió superar al agente, y ningún modelo resolvió la tarea pública aapl-target-winsorization. En las tareas de ciberseguridad de alineación de Fleet, 196 de 200 ejecuciones infringieron al menos una regla de comportamiento y 173 infringieron una regla clasificada como gravemente desalineada; en las tareas de atención sanitaria, 19 de 100 ejecuciones obtuvieron una puntuación superior a cero. En cuanto a los costos, SemiAnalysis sitúa a GPT-6 Luna y DeepSeek en el extremo de bajo costo de la frontera costo-rendimiento, a Opus en el extremo de alto costo y a OpenAI en un punto intermedio.

SemiAnalysis afirma que GDPx está concebida como una prueba de referencia en evolución, con nuevas versiones previstas cada 3–6 meses, e incluye gdpx@semianalysis.com para las empresas de datos interesadas en participar y los laboratorios que buscan evaluar futuros lanzamientos.