Índice de contenidos
Claves de la noticia
- SemiAnalysis presenta GDPx con 206 tareas profesionales repartidas entre once áreas y catorce colaboradores.
- Claude Opus 5.5 encabeza la clasificación publicada con un 12 %, pero la nota agrega dominios con igual peso.
- Diseñar un chip que funcione tampoco garantiza una puntuación alta: la prueba de Aria penaliza tiempo, energía y superficie.
SemiAnalysis ha publicado este 2 de noviembre GDPx, su nueva evaluación de agentes de inteligencia artificial. Su resultado más llamativo es una nota máxima del 12 %. Sin embargo, para entender qué mide conviene mirar la distribución de ejercicios y una de sus pruebas de diseño electrónico: ese porcentaje no equivale a contar cuántos encargos de una empresa puede automatizar un modelo.
La firma presenta el lanzamiento como un examen de agentes para actividades de alto valor económico en su hilo oficial de presentación. Esa elección de ámbitos forma parte del diseño del ensayo; no constituye una muestra aleatoria de todos los trabajos.
Today we’re releasing GDPx, a benchmark for measuring agentic capabilities across the most valuable domains.
GDPx is a true frontier-level benchmark: even the best model scores just 12% (1/7)🧵 pic.twitter.com/RNnkcuUkih
— SemiAnalysis (@SemiAnalysis_) November 2, 2026
Una clasificación con once votos iguales
La tabla pública de la versión 1.0 sitúa a Claude Opus 5.5 en cabeza, seguido de Gemini 4 Carbon, con 10,9, y GPT-6 Astra, con 9,6. Son resultados comunicados por los autores del ensayo, no mediciones reproducidas por esta redacción. La comparación se limita a las condiciones de esa edición; tampoco establece por sí sola diferencias estadísticamente significativas entre posiciones próximas.
El diseño combina once ámbitos y catorce proveedores de tareas. Según la metodología, cada dominio pesa lo mismo en la puntuación final y, cuando intervienen varios colaboradores en uno, estos también reciben pesos iguales. El tiempo por ejercicio tiene un límite general de ocho horas, con excepciones más cortas. Los sistemas usan su entorno de agente nativo cuando existe, de modo que se evalúa también la combinación de modelo y herramientas.
El inventario oficial de dominios permite comprobar una consecuencia menos visible. Un recuento propio de sus once bloques suma las 206 tareas anunciadas. Diseño de chips reúne 34, frente a diez de investigación para mejorar modelos. Ambos, sin embargo, aportan la misma fracción de la nota global.
| Dominio | Tareas | Del inventario | Peso global |
|---|---|---|---|
| Diseño de chips | 34 | 16,5 % | 9,1 % |
| Finanzas | 24 | 11,7 % | 9,1 % |
| Mejora de modelos | 10 | 4,9 % | 9,1 % |
Los porcentajes del inventario se calculan dividiendo cada recuento entre 206; el peso es 100 dividido entre once, con redondeo a una decimal. La conclusión es concreta: GDPx equilibra áreas, no cantidades de ejercicios. Por tanto, transformar el 12 % en un número de tareas resueltas multiplicándolo por 206 produciría una lectura incorrecta de la clasificación.
Un acelerador correcto puede quedar lejos de la referencia
La prueba pública Tensor Graph Machine, explicada por Aria, ilustra otra distinción. Pide diseñar e implementar físicamente un acelerador programable para operaciones INT8 de TensorFlow Lite. El agente debe producir circuitería sintetizable y completar el trazado, además de superar verificaciones funcionales y físicas. Es una tarea de ingeniería sobre artefactos comprobables, no una pregunta sobre cómo construir un chip.
El ejercicio utiliza un proceso académico de 45 nanómetros para permitir iteraciones en ocho horas. Excluye aspectos como varias esquinas de proceso y ciertas técnicas de gestión del reloj. Estas simplificaciones delimitan el resultado: superar la prueba no equivale a tener un diseño preparado para cualquier fábrica o producto comercial.
Después de superar los controles, la recompensa compara el producto de tiempo de ejecución, energía y área con una referencia experta. Aria publica para la mejor ejecución de Opus factores de 1,17, 1,19 y 1,84, respectivamente. Multiplicar esos valores redondeados da aproximadamente 2,56; invertirlo arroja alrededor de 0,39, coherente con su nota publicada de 0,392.
Ese cálculo explica por qué corrección y eficiencia son exigencias distintas. El diseño funciona, pero necesita más recursos que la referencia. En esa ejecución, la superficie es el mayor multiplicador individual de la penalización. Para un comprador de herramientas de diseño, comprobar que una salida compila deja pendiente precisamente la parte que afecta al coste físico del circuito.
Elegir un agente exige conservar la tarea concreta
Para una empresa que evalúe agentes, el dato útil cambia con el trabajo: reparar código, preparar documentos y optimizar circuitos requieren condiciones de aceptación diferentes. Una media entre dominios permite ordenar sistemas de forma compacta, pero oculta qué parte coincide con el proceso que se quiere contratar. La tabla por áreas ayuda a plantear esa comprobación antes de extrapolar el puesto global.
Esta precaución conecta con el problema de interpretar pruebas condicionadas de agentes y sus límites. También importa conocer qué controles están realmente desplegados, como mostraba la ampliación de Orchestrate para descubrir y aislar agentes. Ninguno de esos antecedentes sustituye una evaluación del flujo propio.
GDPx aporta una comparación exigente y documentación que permite examinarla. Sus cifras deben conservar el dominio, el entorno y la regla de puntuación que las producen. La lección de esta primera edición es operativa: un resultado correcto puede seguir siendo caro, y una buena posición media puede no identificar la herramienta adecuada para una tarea específica.
Imagen de cabecera: ilustración conceptual generada por IA; no representa las instalaciones de SemiAnalysis ni una ejecución real del ensayo.
