GDPx: nuevo benchmark evalúa a las IAs en 11 áreas y la mejor nota es solo 12.0%

SemiAnalysis lanzó el November 2, 2026 GDPx, un benchmark para capacidades generales de agentes de IA que cubre 11 dominios profesionales. El anuncio está firmado por Max Kan, Andrew Megalaa y Dylan Patel. En su debut, Claude Opus 5.5, de Anthropic, lidera con una nota de 12.0%.

El sitio oficial de GDPx presenta la primera versión con 206 tareas construidas con 14 socios de datos especializados, y el ranking inicial con 13 modelos. El segundo lugar es para Gemini 4 Carbon, de Google, con 10.9% y $16.29 por tarea, seguido por GPT-6 Astra, de OpenAI, con 9.6% y $53.99 por tarea. Muse Wonder Full, de Meta, es cuarto con 9.0% y sin precio público listado, mientras que GLM 5.3, de Z.ai, es el 13th con 2.7%.

Cómo funciona la prueba

SemiAnalysis describe GDPx como un benchmark verdaderamente de frontera justamente porque la mejor nota sigue siendo muy baja. La nota principal es el promedio del resultado de pass@1 en tres intentos, con igual peso para cada dominio, usando el método de corrección previsto para cada tarea, binario o continuo. En lenguaje simple: pass@1 mide si la IA acierta a la primera, y aquí tiene tres oportunidades para componer el promedio.

Los 11 dominios son chip design, ciberseguridad, biología, finanzas, legal, quant trading, recursive self-improvement (RSI), hardware design, ciencia de materiales, alignment e ingeniería de software. SemiAnalysis dice que dejó fuera a propósito sectores como gobierno, mercado inmobiliario y seguros. El argumento de los autores es que el primer billón de dólares en ingresos de IA se concentrará en sectores que pueden usar inteligencia de frontera con alto retorno, y que armar un benchmark general por participación en el PIB o por la taxonomía de ocupaciones SOC/O*NET es un error.

• Chip design: Aria, Arcverex y Ergodex
• Ciberseguridad: Arithmetic; biología: Latch Bio; finanzas: Living Context
• Legal: Chakra; quant trading: Third Moment; RSI: Extrapolate
• Hardware design: Beautiful Machines; materiales: ValenceForge y Emulated
• Alignment: Fleet; ingeniería de software: Datacurve

Cada tarea tiene un límite estándar de ocho horas, y los modelos corren en su propio entorno cuando existe - Claude Code para Opus 5.5, Codex para GPT-6 Astra y Antigravity para Gemini 4 Carbon - con OpenCode como alternativa. SemiAnalysis exigió que cada socio pasara su control de calidad automatizado a la primera, con como máximo errores menores, y afirma que el mismo proceso marca casi 50% de las tareas del benchmark Terminal Bench 4.0 como defectuosas.

Lo que muestran los primeros resultados

En el detalle por área, Claude Opus 5.5 es señalado como el mejor modelo general, ganando en quant trading, hardware design y chip design. Gemini 4 Carbon es el mejor en biología, con una victoria ajustada en ingeniería de software, y GPT-6 Astra gana en RSI y ciencia de materiales. SemiAnalysis advierte que las notas generales de Opus 5.5 y GPT-6 Astra están subestimadas por sus clasificadores de seguridad en los dominios de cyber, biología y alignment, y describe a Muse Wonder Full, de Meta, como el mejor modelo disponible en cyber por un margen relevante.

Las tareas de finanzas y legal son tan difíciles que todos los modelos obtienen cero en la corrección binaria prevista, por eso SemiAnalysis publica promedios de notas parciales en esos dominios. En quant trading, 70 de 111 ejecuciones evaluadas quedaron peor que la estrategia de referencia que el agente debía superar, y ningún modelo resolvió la tarea pública aapl-target-winsorization. En las tareas cyber de alignment de Fleet, 196 de 200 ejecuciones rompieron al menos una regla de comportamiento y 173 rompieron una regla clasificada como severamente desalineada; en las tareas de salud, 19 de 100 ejecuciones quedaron por encima de cero. En costo, SemiAnalysis ubica a GPT-6 Luna y DeepSeek en el extremo barato de la relación costo-rendimiento, a Opus en el extremo caro y a OpenAI en el medio.

El anuncio trata a GDPx como sucesor de GDPval, de OpenAI, lanzado el September 25, 2025, que según los autores sigue siendo el benchmark general más popular en las tarjetas de lanzamiento de los modelos. Critican las tareas de GDPval por no ser interactivas, con todo el contexto necesario entregado en el prompt, y citan una concordancia entre expertos humanos de 71% en el subconjunto gold. Cada tarea de GDPx, en cambio, trae un entorno realista: las 24 tareas de finanzas, por ejemplo, replican una transacción real de private equity en la que un fondo compra cerca de 62% de un fabricante de snacks por $880 million más earnout, reconstruida en unos 4,000 archivos anonimizados. El proyecto se presenta como un benchmark vivo, con nuevas versiones cada 3-6 months, e indica el correo gdpx@semianalysis.com para empresas de datos y laboratorios.