SemiAnalysis lanceert GDPx-benchmark met 12 procent als hoogste score

GDPx, de benchmark die SemiAnalysis op 2 november publiceert, zet Claude Opus 5.5 bovenaan met 12,0 procent, een gemiddelde over elf even zwaar gewogen domeinen.

Voor teams die AI inzetten voor softwareontwikkeling, financiële analyse of juridisch werk, is vooral de uitsplitsing van belang. Gemini 4 Carbon leidt op softwareontwikkeling; op financiële en juridische taken komen vrijwel alle geteste modellen rond nul uit. De scorekaart maakt een taakgerichte vergelijking mogelijk, maar voorspelt niet hoe een model met jouw eigen code, dossiers of systemen presteert.

De kopscore middelt elf domeinen

De GDPx-scorekaart middelt per model de uitkomsten van elf domeinen met gelijk gewicht. Als een domein meerdere taakpartners heeft, telt iedere partner even zwaar mee. Taken krijgen per domein een binaire score of een score met gedeeltelijke punten. Het standaardscherm neemt het gemiddelde van drie pogingen. De 12,0 procent is dus geen telling waarbij twaalf van elke honderd taken volledig lukken: gedeeltelijke punten tellen mee en een domein weegt even zwaar ongeacht het aantal opdrachten.

De openbare ranglijst staat standaard op dertien van de twintig modellen. Bovenaan staan Claude Opus 5.5 met 12,0 procent, Gemini 4 Carbon met 10,9 procent en GPT-6 Astra met 9,6 procent. De overige namen zijn Muse Wonder Full, Claude Fable 5.1, GPT 6.1 Sol, Claude Sonnet 5.5 en Gemini 4 Argon. Ook Muse Wonder, DeepSeek 4.1 Flash 1017, GPT-6 Luna, Grok 4.7 en GLM 5.3 staan in de lijst. De scorekaart vermeldt ook de gemiddelde benchmarkkost per taak. Die is 51,41 dollar voor Opus, 16,29 dollar voor Gemini 4 Carbon en 53,99 dollar voor GPT-6 Astra. Dat zijn gemeten kosten per GDPx-taak, geen tarieven voor gebruik in een Nederlands bedrijfsproces.

Agenten krijgen tijd en een werkomgeving

De elf domeinen zijn chipontwerp, cybersecurity, biologie, financiële analyse, juridisch werk, kwantitatieve handel, zelfverbetering van AI, hardwareontwerp, materiaalkunde, AI-alignment en softwareontwikkeling. Veertien gespecialiseerde partners leverden de taken en omgevingen. SemiAnalysis selecteerde die domeinen omdat het verwacht dat de meest geavanceerde AI-modellen daar in de komende één tot twee jaar veel waarde kunnen leveren. Overheid, vastgoed en verzekeringen vallen buiten de eerste versie.

Een taak heeft standaard een tijdslimiet van acht uur, al zijn sommige taken korter. Modellen draaien waar mogelijk in hun eigen agentomgeving: Claude Code voor Opus 5.5, Codex voor GPT-6 Astra en Antigravity voor Gemini 4 Carbon. SemiAnalysis gebruikt OpenCode wanneer een model geen eigen omgeving heeft. De vergelijking meet daarmee een combinatie van model en agentomgeving, niet alleen een los taalmodel.

Living Context maakte 24 taken rond een echte overname van een snackbedrijf. In het scenario kocht een investeerder ongeveer 62 procent voor 880 miljoen dollar plus een nabetaling. De bedrijfsnamen zijn fictief. De omgeving bevatte circa 4.000 geanonimiseerde bestanden, verdeeld over de digitale datakamer van het bedrijf en aparte dossiers van de koper, bankier en accountant.

Softwaretaken komen uit echte openbare codeopslagplaatsen en zijn geschreven door mensen die die projecten onderhouden. Cyberopdrachten draaien in nagebootste bedrijfsnetwerken met echte zero-day-kwetsbaarheden. In de materiaalkunde werken modellen in een gesimuleerd laboratorium.

De beste score hangt van het werk af

De totaalscore verbergt grote verschillen tussen vakgebieden. Volgens SemiAnalysis leidt Opus 5.5 in kwantitatieve handel, hardware- en chipontwerp. Gemini 4 Carbon komt bovenaan in biologie en softwareontwikkeling. GPT-6 Astra voert de lijst aan bij zelfverbetering van AI en materiaalkunde. Voor de financiële en juridische taken meldt SemiAnalysis dat bijna ieder model op nul uitkomt. De algemene koploper wint dus niet ieder domein en hoeft niet de beste keuze te zijn voor elke bedrijfsopdracht.

SemiAnalysis schrijft ook dat veiligheidsfilters de scores van Opus 5.5 en GPT-6 Astra drukken in cybersecurity, biologie en AI-alignment. De publicatie toont daarom een tweede vergelijking waarin juist die drie domeinen buiten de berekening vallen. Dat is een andere meetvraag: bij een AI-taak met veiligheidsgrenzen kan passend weigeren onderdeel zijn van het gewenste gedrag, terwijl een score die zulke gevallen uitsluit iets anders meet.

GDPx vergelijkt agenten in een andere taakomgeving

GDPx verschijnt ruim een jaar na OpenAI's GDPval, dat taken uit 44 beroepen en negen sectoren vergelijkt. Bij de introductie van GDPval op 25 september 2025 beschreef OpenAI de evaluatie als een eenmalige opdracht zonder meerdere interactierondes. Het noemde meer interactieve taken als volgende stap. SemiAnalysis presenteert GDPx als een agentbenchmark met rijkere omgevingen. De twee ranglijsten beantwoorden daardoor niet dezelfde vraag: GDPval bestrijkt meer beroepen, GDPx kiest elf domeinen waarin de makers veel waarde van geavanceerde AI verwachten.

Ook andere evaluaties laten zien dat de uitkomst meebeweegt met de gekozen taken. Artificial Analysis verving een banktest door 657 workflows en verhoogde de weging van afgeschermde testvragen naar 45 procent. SecurityScorecard toetst AI op 818 leveranciersrisicotaken en rapporteert 111 volledige runs met synthetische gegevens. Die kleinere benchmark kijkt naar leveranciersbeheer; GDPx bestrijkt veel meer vakgebieden, maar blijft eveneens verbonden aan zijn eigen opdrachten, tools en beoordelingsregels.

Crypto Briefing meldt dat SemiAnalysis GDPx iedere drie tot zes maanden wil bijwerken. De score is daarmee een momentopname van huidige modellen in een gekozen testomgeving. Voor Nederlandse teams kan ze helpen kandidaten voor softwareontwikkeling, dossieranalyse of juridisch onderzoek te vergelijken. Of een model het eigen werk aankan, blijft afhankelijk van de gegevens, systemen, controles en kosten in dat proces.