LO ESENCIAL EN 30 SEGUNDOS
- GDPx v1.0 incluye 206 tareas en 11 ámbitos, elaboradas con 14 socios especializados, y clasifica 13 modelos.
- Claude Opus 5.5 encabeza la tabla con un 12,0 %, por delante de Gemini 4 Carbon (10,9 %) y GPT-6 Astra (9,6 %); GLM 5.3 queda último con un 2,7 %.
- Según SemiAnalysis, los filtros de seguridad rebajaron las puntuaciones globales de Opus 5.5 y GPT-6 Astra en ciberseguridad, biología y alineamiento.
La firma SemiAnalysis, especializada en semiconductores e IA, publicó el 2 de noviembre GDPx, un benchmark que pretende medir cómo resuelven los agentes de IA tareas largas y realistas en los sectores donde, según sus autores, la IA generará más valor económico. Los primeros resultados son bajos para todos: el modelo mejor situado obtiene solo un 12 %.
Qué mide el benchmark
La versión 1.0 reúne 206 tareas repartidas en 11 ámbitos: diseño de chips, ciberseguridad, biología, finanzas, derecho, trading cuantitativo, automejora recursiva, diseño de hardware, ciencia de materiales, alineamiento e ingeniería de software. Las tareas las redactaron 14 socios especializados, con apoyo editorial de SemiAnalysis. Los autores, Max Kan, Andrew Megalaa y Dylan Patel, explican que dejaron fuera a propósito sectores como la administración pública, el inmobiliario y los seguros, y presentan GDPx como respuesta a GDPval de OpenAI, que consideran poco interactivo.
Los agentes disponen por defecto de ocho horas por tarea y, cuando es posible, se ejecutan en la herramienta de su propio desarrollador, como Claude Code, Codex o Antigravity; en los demás casos se usa OpenCode. La puntuación principal promedia el acierto al primer intento en tres pruebas y da el mismo peso a cada ámbito. Cada ámbito publica al menos una tarea, aunque la mayoría se mantienen privadas.
Los resultados
En la clasificación pública, Claude Opus 5.5 ocupa el primer puesto con un 12,0 %, seguido de Gemini 4 Carbon (10,9 %), GPT-6 Astra (9,6 %) y Muse Wonder Full (9,0 %). GLM 5.3 cierra la lista de 13 modelos con un 2,7 %. SemiAnalysis considera a Opus 5.5 el modelo más completo, líder en trading cuantitativo, diseño de hardware y diseño de chips, mientras que GPT-6 Astra destaca en automejora recursiva y ciencia de materiales, y Gemini 4 Carbon en biología.
Ningún modelo superó una tarea de finanzas o de derecho con evaluación binaria estricta, por lo que se muestran puntuaciones parciales. En diseño de hardware, ninguna de las 12 ejecuciones logró un éxito completo verificado, y en trading cuantitativo 70 de las 111 ejecuciones evaluadas rindieron peor que la estrategia de referencia.
Advertencias
Los autores señalan que los filtros de seguridad redujeron artificialmente las puntuaciones globales de Opus 5.5 y GPT-6 Astra, porque a veces se activaron rechazos en ciberseguridad, biología y alineamiento. El uso de entornos de ejecución distintos para cada modelo también dificulta la comparación directa. SemiAnalysis admite además que no cuenta con expertos internos en todos los campos. La firma define GDPx como un benchmark vivo y, según Unite.AI, prevé nuevas versiones cada tres a seis meses.