Por Canuto  

SemiAnalysis presentó GDPx, un benchmark para evaluar tareas profesionales de varios pasos en 11 dominios. Según los resultados atribuidos a la firma, Claude Opus 5.5 encabezó la clasificación con 12% de éxito; Gemini 4 Carbon y GPT-6 Astra destacaron en áreas específicas.
***

  • Según los resultados de GDPx v1.0, Claude Opus 5.5 obtuvo una tasa general de éxito de 12%; Gemini 4 Carbon logró 10,9% y GPT-6 Astra, 9,6%.
  • La evaluación comprende 11 dominios, incluidos diseño de chips, biología y finanzas. SemiAnalysis excluyó gobierno y seguros por considerar menor su potencial de retorno para aplicaciones de IA.
  • SemiAnalysis indicó que ningún modelo lideró todas las áreas y que planea actualizar GDPx cada tres a seis meses.

GDPx pone a prueba a la IA de frontera: el mejor modelo alcanza 12%

SemiAnalysis presentó GDPx, un benchmark diseñado para evaluar si los modelos de inteligencia artificial pueden completar tareas profesionales de varios pasos, más allá de responder consultas. Según los resultados atribuidos a la firma, Claude Opus 5.5, de Anthropic, obtuvo el mejor resultado general en la primera clasificación, con una tasa de éxito de 12%.

La evaluación comprende 11 dominios que SemiAnalysis considera atractivos por el posible retorno económico de aplicar inteligencia artificial avanzada. Gemini 4 Carbon, de Google, y GPT-6 Astra, de OpenAI, quedaron detrás de Claude Opus 5.5 en el resultado agregado, aunque cada uno sobresalió en áreas específicas.

Una prueba orientada al trabajo agéntico

SemiAnalysis describe GDPx como una evaluación de capacidades agénticas generales: la habilidad de un sistema para realizar acciones sucesivas con el fin de alcanzar un objetivo. A diferencia de una prueba centrada únicamente en respuestas a preguntas, el benchmark busca medir el desempeño en procesos que requieren varios pasos conectados.

GDPx v1.0 abarca 11 dominios, entre ellos diseño de chips, biología y finanzas, además de otras áreas técnicas y profesionales. La selección no pretende reproducir la distribución de los empleos en toda la economía ni asignar peso a cada tarea según la participación de su industria en el producto interno bruto.

En cambio, SemiAnalysis eligió sectores en los que considera que los modelos de frontera podrían ofrecer un retorno de inversión elevado. La firma plantea que el primer billón de dólares en ingresos asociados con la IA podría concentrarse en áreas donde esta tecnología genere valor económico significativo, en lugar de repartirse de forma uniforme entre actividades.

Ese criterio determina qué entra y qué queda fuera de la medición. Según SemiAnalysis, gobierno y seguros no forman parte de GDPx porque la firma considera que ofrecen un potencial de retorno menor para las aplicaciones de IA que los sectores priorizados. Es una decisión de diseño del benchmark, no una conclusión universal sobre la utilidad de la tecnología en esas industrias.

Cómo se construyeron las tareas

Para preparar los desafíos, SemiAnalysis colaboró con 14 startups especializadas que, según la descripción del proyecto, ayudaron a generar tareas vinculadas con dominios específicos del benchmark. La participación de esos socios busca relacionar la evaluación con problemas definidos por organizaciones que trabajan en esas áreas.

La información disponible en el material de presentación no detalla el número de ejercicios en cada dominio ni el procedimiento completo para validar cada respuesta. Por eso, el resultado agregado debe interpretarse dentro de los límites de la prueba y de las tareas seleccionadas.

GDPx no mide toda la inteligencia de un modelo ni establece por sí solo cuánto dinero producirá la IA. Ordena el desempeño en los sectores y desafíos que SemiAnalysis eligió de acuerdo con su hipótesis sobre dónde podría concentrarse el retorno económico.

La elección de dominios condiciona las conclusiones: si cambian las tareas o el peso relativo de cada área, la clasificación podría ofrecer otra imagen de las fortalezas comparativas de los modelos. La firma indicó que prevé revisar el benchmark periódicamente, por lo que las comparaciones entre versiones también deberán considerar posibles cambios en la evaluación.

La tabla de posiciones y sus diferencias

En GDPx v1.0, Claude Opus 5.5 obtuvo una tasa general de éxito de 12,0%. Gemini 4 Carbon quedó en segundo lugar, con 10,9%, y GPT-6 Astra alcanzó 9,6%. Estas cifras corresponden al resultado agregado y no describen una superioridad uniforme en todas las disciplinas evaluadas.

La clasificación por dominio ofrece un panorama más repartido. Según los resultados atribuidos a SemiAnalysis, Gemini 4 Carbon encabezó biología e ingeniería de software, mientras que GPT-6 Astra obtuvo los mejores resultados en auto-mejora recursiva y ciencia de materiales.

El resultado general favorece a Anthropic en esta evaluación, pero no demuestra que su modelo sea el más capaz en todas las tareas profesionales. Google y OpenAI aparecen con ventajas específicas, por lo que el orden agregado no basta para establecer qué sistema se desempeña mejor en cada aplicación.

SemiAnalysis señala que ningún modelo actual resuelve de forma integral las tareas de todos los dominios medidos. Un sistema puede destacar en una especialidad y ofrecer resultados más bajos en otra, una variación relevante para organizaciones que evalúan incorporar IA en procesos con requisitos distintos.

Qué implica un éxito general de 12%

Una tasa de éxito de 12% significa que, bajo las condiciones de GDPx, el modelo completó con éxito aproximadamente una de cada ocho tareas evaluadas. El porcentaje describe el desempeño en esta prueba concreta; no equivale a una medida general de calidad, a la probabilidad de éxito de la IA en cualquier puesto ni a una estimación de ingresos.

La utilidad de la cifra depende de considerar el alcance de la evaluación: los dominios y desafíos que SemiAnalysis seleccionó. La clasificación muestra resultados relativos dentro de ese marco, pero no permite extrapolar directamente el rendimiento a toda la economía ni a cualquier tarea profesional.

El liderazgo agregado de Anthropic también convive con los mejores resultados de Google y OpenAI en campos concretos. Por ello, los resultados ofrecen una imagen más matizada que la idea de que un solo laboratorio domina todas las capacidades evaluadas.

Para empresas e investigadores, las diferencias por especialidad pueden resultar más informativas que el orden total. GDPx permite comparar resultados dentro de su marco, pero no determina por sí solo qué modelo conviene para una aplicación: esa decisión depende de las tareas y necesidades de cada organización.

Un benchmark que cambiará con el tiempo

SemiAnalysis indicó que no considera GDPx una medición estática y que planea actualizarlo cada tres a seis meses. La firma espera incorporar comentarios y nuevos socios para que la prueba evolucione junto con los modelos y las tareas que busca medir.

Las actualizaciones pueden afectar las comparaciones entre versiones. Si se agregan tareas o socios, un cambio en la puntuación podría reflejar tanto una mejora del modelo como modificaciones en la evaluación; por eso, el diseño de cada edición será importante para interpretar las tendencias.

La primera clasificación sitúa a Claude Opus 5.5 al frente con 12%, mientras que Gemini 4 Carbon y GPT-6 Astra lideran en dominios específicos. Las futuras revisiones de GDPx buscarán seguir esos cambios en los 11 dominios incluidos, sin que los resultados actuales permitan afirmar que algún modelo domina el trabajo profesional de manera integral.

El interés económico detrás de la prueba es una de sus premisas, pero el resultado inmediato es una medición del desempeño en tareas seleccionadas. Según las cifras atribuidas a SemiAnalysis, incluso el modelo mejor ubicado completó con éxito una proporción minoritaria de los desafíos incluidos en GDPx v1.0.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados