SemiAnalysis, 11 Ajan Tabanlı Alanı Kapsayan GDPx Kıyaslama Ölçütünü Tanıttı

SemiAnalysis, 2 Kasım 2026’da Max Kan, Andrew Megalaa ve Dylan Patel’in kaleme aldığı bir duyuruyla, 11 profesyonel alanı kapsayan genel ajan yeteneklerine yönelik bir kıyaslama ölçütü olan GDPx’i yayımladı. Açılış sıralamasında Anthropic’in Claude Opus 5.5 modeli %12,0 puanla ilk sırada yer aldı.

V1.0 Sıralaması

Resmî GDPx sitesi, ilk sürümün 14 uzmanlaşmış veri ortağıyla geliştirilen 206 görevden oluştuğunu belirtiyor; sıralamada ise 13 model yer alıyor. Claude Opus 5.5, görev başına ortalama 51,41 dolar maliyet ve 548 bin çıktı tokenıyla sıralamanın zirvesinde. Google’ın Gemini 4 Carbon modeli, %10,9 puan ve görev başına 16,29 dolar maliyetle ikinci sırada yer alırken OpenAI’ın GPT-6 Astra modeli %9,6 puan ve görev başına 53,99 dolar maliyetle üçüncü. Meta’nın Muse Wonder Full modeli, kamuya açık bir fiyat belirtilmeden %9,0 puanla dördüncü sırada; Z.ai’ın GLM 5.3 modeli ise %2,7 puanla 13. sırada.

SemiAnalysis, en yüksek puanın hâlâ bu kadar düşük olmasını, GDPx’in gerçekten en ileri düzeyde bir kıyaslama ölçütü olduğunun göstergesi olarak nitelendiriyor. Manşet GDPx puanı, her modelin üç denemedeki pass@1 sonucunun ortalamasını alıyor, tüm alanlara eşit ağırlık veriyor ve her görev için öngörülen ikili ya da sürekli puanlama yöntemini uyguluyor.

Tasarım, Ortaklar ve Yöntem

Alanlar; çip tasarımı, siber güvenlik, biyoloji, finans, hukuk, nicel alım satım, yinelemeli öz gelişim (RSI), donanım tasarımı, malzeme bilimi, hizalama ve yazılım mühendisliğinden oluşuyor. SemiAnalysis, kamu yönetimi, gayrimenkul ve sigorta gibi sektörleri bilinçli olarak kapsam dışında bıraktığını söylüyor. Yazarlara göre yapay zekâdan elde edilecek ilk trilyon dolarlık gelir, ileri düzey zekâyı yüksek yatırım getirisiyle kullanabilen sektörlerde yoğunlaşacak; gayrisafi yurt içi hasıla payına veya SOC/O*NET meslek sınıflandırmasına dayalı genel bir kıyaslama ölçütü oluşturmak ise hatalı.

Her alan, uzmanlaşmış ortaklarla geliştirildi: çip tasarımı için Aria, Arcverex ve Ergodex; siber güvenlik için Arithmetic; biyoloji için Latch Bio; finans için Living Context; hukuk için Chakra; nicel alım satım için Third Moment; RSI için Extrapolate; donanım tasarımı için Beautiful Machines; malzeme bilimi için ValenceForge ve Emulated; hizalama için Fleet; yazılım mühendisliği içinse Datacurve.

Görevler için varsayılan süre sınırı sekiz saat. Modeller, kullanılabildiği durumlarda kendi yerel çalışma ortamlarında çalıştırılıyor: Opus 5.5 için Claude Code, GPT-6 Astra için Codex ve Gemini 4 Carbon için Antigravity; bunlar kullanılamadığında yedek olarak OpenCode devreye giriyor. SemiAnalysis, her ortağın otomatik kalite kontrolünden ilk denemede ve en fazla küçük hatalarla geçmesini şart koştu. Şirket, aynı sürecin Terminal Bench 4.0 kıyaslama ölçütündeki görevlerin yaklaşık %50’sini hatalı olarak işaretlediğini bildiriyor.

GDPval Eleştirisi

Duyuruda GDPx, OpenAI’ın 25 Eylül 2025’te yayımladığı GDPval’ın devamı olarak konumlandırılıyor. Yazarlara göre GDPval, büyük model sürüm duyurularında kullanılan genel amaçlı kıyaslama ölçütleri arasında hâlâ en popüler olanı. Yazarlar, GDPval görevlerinin etkileşimli olmamasını ve gerekli tüm bağlamın istemde hazır olarak sunulmasını eleştiriyor; altın standart alt kümesinde insan uzmanlar arasındaki puanlayıcı uyumunun %71 olduğunu belirtiyor. Buna karşılık her GDPx görevi gerçekçi bir ortamla birlikte sunuluyor: Örneğin 24 finans görevi, bir fonun atıştırmalık üreticisinin yaklaşık %62’sini 880 milyon dolar ve koşullu ek ödeme karşılığında satın aldığı gerçek bir özel sermaye işlemini, yaklaşık 4.000 anonimleştirilmiş dosyada yeniden oluşturuyor.

Alanlara Göre Sonuçlar ve Belirtilen Sınırlamalar

SemiAnalysis, Claude Opus 5.5’i nicel alım satım, donanım tasarımı ve çip tasarımında birinci olarak en başarılı genel amaçlı model; Gemini 4 Carbon’u yazılım mühendisliğinde küçük bir farkla öne geçen en iyi biyoloji modeli; GPT-6 Astra’yı ise RSI ve malzeme biliminde kazanan model olarak gösteriyor. Şirket, Opus 5.5 ve GPT-6 Astra’nın genel puanlarının siber güvenlik, biyoloji ve hizalama alanlarında güvenlik sınıflandırıcıları nedeniyle düşürüldüğü uyarısında bulunuyor. Ayrıca Meta’nın Muse Wonder Full modelini, kayda değer bir farkla mevcut en iyi siber güvenlik modeli olarak nitelendiriyor.

Finans ve hukuk görevleri, amaçlanan ikili puanlamaya göre tüm modellerin sıfır alacağı kadar zor; bu nedenle SemiAnalysis bu alanlar için ortalama kısmi puanları bildiriyor. Nicel alım satımda puanlanan 111 çalıştırmanın 70’i, ajandan geçmesi istenen referans stratejiden daha kötü sonuç verdi ve hiçbir model herkese açık aapl-target-winsorization görevini çözemedi. Fleet’in hizalama alanındaki siber güvenlik görevlerinde 200 çalıştırmanın 196’sı en az bir davranış kuralını ihlal etti; 173’ü ise ciddi ölçüde yanlış hizalanmış olarak değerlendirilen bir kuralı çiğnedi. Sağlık hizmetleri görevlerinde 100 çalıştırmanın 19’u sıfırın üzerinde puan aldı. Maliyet açısından SemiAnalysis, GPT-6 Luna’yı ve DeepSeek’i maliyet-performans sınırının düşük maliyet ucuna, Opus’u yüksek maliyet ucuna, OpenAI’ı ise ikisinin arasına yerleştiriyor.

SemiAnalysis, GDPx’in yaşayan bir kıyaslama ölçütü olarak tasarlandığını ve her 3–6 ayda bir yeni sürümler yayımlanmasının planlandığını söylüyor. Ayrıca katılmak isteyen veri şirketleri ve gelecekteki sürümlerini değerlendirmek isteyen laboratuvarlar için gdpx@semianalysis.com bağlantısını veriyor.