SemiAnalysis Meluncurkan Tolok Ukur GDPx yang Mencakup 11 Ranah Agentik

Pada 2 November 2026, SemiAnalysis merilis GDPx, sebuah tolok ukur kemampuan agen AI umum yang mencakup 11 ranah profesional, melalui pengumuman yang ditulis oleh Max Kan, Andrew Megalaa, dan Dylan Patel. Claude Opus 5.5 dari Anthropic memimpin papan peringkat perdana dengan skor 12,0%.

Papan Peringkat V1.0

Situs resmi GDPx menyebutkan bahwa versi pertama mencakup 206 tugas yang dikembangkan bersama 14 mitra data khusus, dan papan peringkatnya mencantumkan 13 model. Claude Opus 5.5 menempati posisi teratas dengan biaya rata-rata $51.41 per tugas dan 548K token keluaran. Gemini 4 Carbon dari Google berada di posisi kedua dengan skor 10,9% dan biaya $16.29 per tugas, sedangkan GPT-6 Astra dari OpenAI menempati posisi ketiga dengan skor 9,6% dan biaya $53.99 per tugas. Muse Wonder Full dari Meta berada di posisi keempat dengan skor 9,0%, tanpa harga publik yang dicantumkan, sementara GLM 5.3 dari Z.ai menempati posisi ke-13 dengan skor 2,7%.

SemiAnalysis menyebut GDPx sebagai tolok ukur tingkat terdepan yang sesungguhnya, justru karena skor tertingginya masih sangat rendah. Skor utama GDPx merupakan rata-rata hasil pass@1 setiap model dalam tiga percobaan, dengan bobot yang sama untuk setiap ranah dan metode penilaian yang ditetapkan untuk setiap tugas, baik biner maupun kontinu.

Desain, Mitra, dan Metodologi

Ranah yang dicakup meliputi desain chip, keamanan siber, biologi, keuangan, hukum, perdagangan kuantitatif, peningkatan diri rekursif (RSI), desain perangkat keras, ilmu material, penyelarasan, dan rekayasa perangkat lunak. SemiAnalysis mengatakan bahwa pihaknya sengaja tidak memasukkan industri seperti pemerintahan, real estat, dan asuransi. Para penulis berpendapat bahwa triliun dolar pertama pendapatan AI akan terkonsentrasi di sektor-sektor yang dapat menerapkan kecerdasan terdepan dengan ROI tinggi, serta bahwa membangun tolok ukur umum berdasarkan pangsa PDB atau taksonomi pekerjaan SOC/O*NET merupakan kekeliruan.

Setiap ranah dikembangkan bersama mitra khusus: Aria, Arcverex, dan Ergodex untuk desain chip; Arithmetic untuk keamanan siber; Latch Bio untuk biologi; Living Context untuk keuangan; Chakra untuk hukum; Third Moment untuk perdagangan kuantitatif; Extrapolate untuk RSI; Beautiful Machines untuk desain perangkat keras; ValenceForge dan Emulated untuk ilmu material; Fleet untuk penyelarasan; serta Datacurve untuk rekayasa perangkat lunak.

Batas waktu bawaan untuk setiap tugas adalah delapan jam, dan model dijalankan di lingkungan kerja bawaannya jika tersedia — Claude Code untuk Opus 5.5, Codex untuk GPT-6 Astra, dan Antigravity untuk Gemini 4 Carbon — dengan OpenCode sebagai alternatif. SemiAnalysis mewajibkan setiap mitra lolos pemeriksaan QA otomatisnya pada percobaan pertama, dengan kesalahan paling banyak hanya bersifat kecil. Pihaknya melaporkan bahwa proses yang sama menandai hampir 50% tugas dalam tolok ukur Terminal Bench 4.0 sebagai bermasalah.

Kritik terhadap GDPval

Pengumuman tersebut menempatkan GDPx sebagai penerus GDPval dari OpenAI, yang dirilis pada 25 September 2025 dan, menurut para penulis, masih menjadi tolok ukur serbaguna paling populer yang tercantum pada kartu peluncuran model-model utama. Mereka mengkritik tugas-tugas GDPval karena tidak interaktif, dengan seluruh konteks yang diperlukan disajikan begitu saja dalam prompt, serta menyebutkan tingkat kesepakatan antarpenilai ahli manusia sebesar 71% pada subset acuan emasnya. Sebaliknya, setiap tugas GDPx dilengkapi lingkungan yang realistis. Sebagai contoh, 24 tugas keuangan meniru transaksi ekuitas privat sungguhan, ketika sebuah dana membeli sekitar 62% saham produsen makanan ringan dengan harga $880 juta ditambah pembayaran kontingen, yang direkonstruksi dari sekitar 4.000 berkas anonim.

Hasil per Ranah dan Keterbatasan yang Disebutkan

SemiAnalysis menyebut Claude Opus 5.5 sebagai model terbaik secara menyeluruh, yang unggul dalam perdagangan kuantitatif, desain perangkat keras, dan desain chip; Gemini 4 Carbon sebagai model terbaik untuk biologi, dengan keunggulan tipis dalam rekayasa perangkat lunak; serta GPT-6 Astra sebagai pemenang dalam RSI dan ilmu material. SemiAnalysis memperingatkan bahwa skor keseluruhan Opus 5.5 dan GPT-6 Astra tertekan oleh pengklasifikasi keselamatan mereka dalam ranah siber, biologi, dan penyelarasan. Pihaknya juga menyebut Muse Wonder Full dari Meta sebagai model siber terbaik yang tersedia, dengan keunggulan yang berarti.

Tugas keuangan dan hukum cukup sulit sehingga semua model mendapat skor nol dengan metode penilaian biner yang ditetapkan. Karena itu, SemiAnalysis melaporkan skor parsial rata-rata untuk kedua ranah tersebut. Dalam perdagangan kuantitatif, 70 dari 111 percobaan yang dinilai menunjukkan hasil lebih buruk daripada strategi acuan yang diminta untuk dikalahkan oleh agen, dan tidak ada model yang berhasil menyelesaikan tugas publik aapl-target-winsorization. Dalam tugas siber penyelarasan milik Fleet, 196 dari 200 percobaan melanggar setidaknya satu aturan perilaku, dan 173 di antaranya melanggar aturan yang dikategorikan sebagai sangat tidak selaras. Dalam tugas layanan kesehatan, 19 dari 100 percobaan memperoleh skor di atas nol. Dari segi biaya, SemiAnalysis menempatkan GPT-6 Luna dan DeepSeek di ujung bawah kurva efisiensi biaya-kinerja, Opus di ujung atas, dan OpenAI di posisi tengah.

SemiAnalysis menyebut GDPx dirancang sebagai tolok ukur yang terus berkembang, dengan versi baru direncanakan setiap 3–6 bulan, dan mencantumkan gdpx@semianalysis.com bagi perusahaan data yang tertarik untuk berpartisipasi serta laboratorium yang ingin mengevaluasi rilis mendatang.