GDPx: novo benchmark testa IAs em 11 areas e melhor nota e so 12.0%

A SemiAnalysis lancou em November 2, 2026 o GDPx, um benchmark para capacidades gerais de agentes de IA que cobre 11 dominios profissionais. O anuncio e assinado por Max Kan, Andrew Megalaa e Dylan Patel. Na estreia, o Claude Opus 5.5, da Anthropic, lidera com nota de 12.0%.

O site oficial do GDPx lista a primeira versao com 206 tarefas construidas com 14 parceiros de dados especializados, e o ranking inicial com 13 modelos. O segundo lugar e do Gemini 4 Carbon, do Google, com 10.9% e $16.29 por tarefa, seguido pelo GPT-6 Astra, da OpenAI, com 9.6% e $53.99 por tarefa. O Muse Wonder Full, da Meta, e o quarto com 9.0% e sem preco publico listado, enquanto o GLM 5.3, da Z.ai, e o 13th com 2.7%.

Como o teste funciona

A SemiAnalysis descreve o GDPx como um benchmark verdadeiramente de fronteira justamente porque a melhor nota continua muito baixa. A nota principal e a media do resultado de pass@1 em tres tentativas, com peso igual para cada dominio, usando o metodo de correcao previsto para cada tarefa, binario ou continuo. Em linguagem simples: pass@1 mede se a IA acerta de primeira, e aqui ela tem tres chances para compor a media.

Os 11 dominios sao chip design, ciberseguranca, biologia, financas, juridico, quant trading, recursive self-improvement (RSI), hardware design, ciencia dos materiais, alignment e engenharia de software. A SemiAnalysis diz que deixou de fora de proposito setores como governo, mercado imobiliario e seguros. O argumento dos autores e que o primeiro trilhao de dolares de receita de IA vai se concentrar em setores que conseguem usar inteligencia de fronteira com alto retorno, e que montar um benchmark geral por participacao no PIB ou pela taxonomia de ocupacoes SOC/O*NET e um erro.

• Chip design: Aria, Arcverex e Ergodex
• Ciberseguranca: Arithmetic; biologia: Latch Bio; financas: Living Context
• Juridico: Chakra; quant trading: Third Moment; RSI: Extrapolate
• Hardware design: Beautiful Machines; materiais: ValenceForge e Emulated
• Alignment: Fleet; engenharia de software: Datacurve

Cada tarefa tem limite padrao de oito horas, e os modelos rodam no seu ambiente proprio quando existe - Claude Code para o Opus 5.5, Codex para o GPT-6 Astra e Antigravity para o Gemini 4 Carbon - com o OpenCode como alternativa. A SemiAnalysis exigiu que cada parceiro passasse em seu controle de qualidade automatizado de primeira, com no maximo erros pequenos, e afirma que o mesmo processo aponta quase 50% das tarefas do benchmark Terminal Bench 4.0 como quebradas.

O que os primeiros resultados mostram

No detalhe por area, o Claude Opus 5.5 e apontado como o melhor modelo geral, vencendo quant trading, hardware design e chip design. O Gemini 4 Carbon e o melhor em biologia, com vitoria apertada em engenharia de software, e o GPT-6 Astra vence em RSI e ciencia dos materiais. A SemiAnalysis alerta que as notas gerais do Opus 5.5 e do GPT-6 Astra estao subestimadas pelos seus classificadores de seguranca nos dominios de cyber, biologia e alignment, e descreve o Muse Wonder Full, da Meta, como o melhor modelo disponivel em cyber por margem relevante.

As tarefas de financas e juridico sao tao dificeis que todos os modelos zeram na correcao binaria prevista, por isso a SemiAnalysis divulga medias de notas parciais nesses dominios. Em quant trading, 70 de 111 execucoes avaliadas ficaram piores que a estrategia de referencia que o agente deveria superar, e nenhum modelo resolveu a tarefa publica aapl-target-winsorization. Nas tarefas cyber de alignment da Fleet, 196 de 200 execucoes quebraram pelo menos uma regra de comportamento e 173 quebraram uma regra classificada como severamente desalinhada; nas tarefas de saude, 19 de 100 execucoes ficaram acima de zero. Em custo, a SemiAnalysis coloca GPT-6 Luna e DeepSeek na ponta barata da relacao custo-desempenho, Opus na ponta cara e OpenAI no meio.

O anuncio trata o GDPx como sucessor do GDPval, da OpenAI, lancado em September 25, 2025, que os autores dizem seguir como o benchmark geral mais popular nos cartoes de lancamento dos modelos. Eles criticam as tarefas do GDPval por nao serem interativas, com todo o contexto necessario entregue no prompt, e citam concordancia entre especialistas humanos de 71% no subconjunto gold. Cada tarefa do GDPx, ao contrario, traz um ambiente realista: as 24 tarefas de financas, por exemplo, replicam uma transacao real de private equity em que um fundo compra cerca de 62% de um fabricante de salgadinhos por $880 million mais earnout, reconstruida em cerca de 4,000 arquivos anonimizados. O projeto e apresentado como um benchmark vivo, com novas versoes a cada 3-6 months, e indica o e-mail gdpx@semianalysis.com para empresas de dados e laboratorios.