
SemiAnalysis publicó hoy GDPx, un benchmark de capacidades agénticas generales que apunta donde los benchmarks tradicionales ya no llegan. La cifra que define el lanzamiento: Claude Opus 5.5 lidera el leaderboard debut con un 12,0%. Cuando el mejor modelo del mundo resuelve apenas 12% de las tareas, el benchmark está midiendo la frontera de verdad.
Qué es GDPx
- 206 tareas construidas con 14 partners especializados, abarcando 11 dominios: diseño de chips, ciberseguridad, biología, finanzas, legal, trading cuantitativo, auto-mejora recursiva (RSI), diseño de hardware, ciencia de materiales, alignment y software engineering.
- Cada tarea vive en un entorno realista e interactivo, con límite de tiempo por defecto de 8 horas.
- Los modelos corren en su harness nativo cuando existe: Claude Code para Opus 5.5, Codex para GPT-6 Astra, Antigravity para Gemini 4 Carbon. Fallback: OpenCode.
El ejemplo de finanzas da la medida del realismo: las 24 tareas de ese dominio replican una transacción de private equity completa — un fondo compra ~62% de un fabricante de snacks por US$880 millones más earnout — reconstruida en ~4.000 archivos anonimizados. Nada de contexto servido en bandeja.
El leaderboard V1.0
| Modelo | Puntaje | Costo por tarea |
|---|---|---|
| Claude Opus 5.5 | 12,0% | US$51,41 |
| Gemini 4 Carbon | 10,9% | US$16,29 |
| GPT-6 Astra | 9,6% | US$53,99 |
| Meta Muse Wonder Full | 9,0% | sin precio público |
| … | … | … |
| GLM-5.3 (Z.ai) | 2,7% | — (posición 13) |
Detalles metodológicos: el puntaje promedia pass@1 en tres intentos, pondera todos los dominios por igual y aplica el método de grading propio de cada tarea (binario o continuo). Claude Opus 5.5 gana en quant trading, hardware y diseño de chips; Gemini 4 Carbon se lleva biología y software engineering por poco; GPT-6 Astra domina RSI y materiales. Y el costo importa: Gemini 4 Carbon cuesta un tercio de lo que cuesta Opus por tarea.
Por qué existió que existir
GDPx llega como sucesor crítico de GDPval de OpenAI (el benchmark de uso general más citado en las model cards). Los reproches de SemiAnalysis: tareas no interactivas con todo el contexto “servido en cuchara” en el prompt y un acuerdo inter-rater humano de apenas 71% en su subset dorado. Más duro aún: el mismo proceso de QA que SemiAnalysis exigió a sus partners marca cerca del 50% de las tareas de Terminal Bench 4.0 como rotas.
La lectura práctica
Para quien elige modelos para flujos agénticos en producción, GDPx apunta a ser una señal más honesta: entornos persistentes, horizontes largos y tareas donde el modelo tiene que buscar su propio contexto. El puntaje bajo de todos — de 2,7% a 12% — dice que el hype agéntico sigue muy adelantado respecto de la capacidad real. Útil recordatorio antes de asignarle a un agente algo crítico y cruzarse de brazos.
Fuentes: SemiAnalysis (GDPx announcement), Unite.AI.


