SemiAnalysis merilis GDPx pada 2 November 2026, sebuah benchmark baru untuk mengukur seberapa jauh agen Super Intelligence bisa mengerjakan pekerjaan ahli sungguhan, bukan sekadar menjawab pertanyaan. Penulisnya Max Kan, Andrew Megalaa, dan Dylan Patel. Versi pertamanya berisi 206 tugas di 11 bidang, dibuat bersama 14 mitra data spesialis.
Hasil pertamanya langsung jadi bahan pembicaraan, karena angkanya rendah untuk semua model. Claude Opus 5.5 dari Anthropic memimpin dengan 12,0%. Google Gemini 4 Carbon di posisi kedua dengan 10,9%, dan GPT-6 Astra dari OpenAI di posisi ketiga dengan 9,6%. Muse Wonder Full dari Meta di posisi keempat dengan 9,0%, sementara GLM 5.3 dari Z.ai paling bawah dari 13 model yang diuji, dengan 2,7%.
Biayanya ikut ditulis di papan skor, dan perbandingannya menarik. Satu tugas GDPx rata-rata menghabiskan $51,41 untuk Opus 5.5 dan $53,99 untuk GPT-6 Astra, tapi hanya $16,29 untuk Gemini 4 Carbon. Selisih skor Gemini dengan pemuncak cuma 1,1 poin, dengan biaya sekitar sepertiga. Buat tim yang memakai model setiap hari, angka biaya itu sama pentingnya dengan angka skor.
Tugasnya bukan soal jawab cepat
GDPx sengaja dibuat berat. Setiap tugas punya batas waktu delapan jam dan latar kerja yang realistis, bukan satu prompt rapi. Model dijalankan di harness aslinya kalau tersedia: Claude Code untuk Opus, Codex untuk model OpenAI, Antigravity untuk Gemini, dan OpenCode sebagai cadangan. Skor utama adalah pass@1 dari tiga percobaan, semua bidang berbobot sama, dan penilaiannya mengikuti cara yang dimaksud tiap tugas, lulus-gagal atau nilai bertahap.
Kesebelas bidangnya adalah desain chip, desain perangkat keras, keamanan siber, biologi, keuangan, hukum, perdagangan kuantitatif, perbaikan diri rekursif, ilmu material, keselarasan, dan rekayasa perangkat lunak. SemiAnalysis bilang bidang-bidang itu dipilih karena di sanalah model perbatasan diperkirakan menghasilkan nilai ekonomi paling besar, bukan karena pangsanya terhadap PDB. Pemerintah, real estat, dan asuransi sengaja tidak dimasukkan.
Di mana tiap model menang
Tidak ada satu model yang mendominasi semuanya. Opus 5.5 memenangkan perdagangan kuantitatif, desain perangkat keras, dan desain chip. Gemini 4 Carbon memimpin biologi dan unggul tipis di rekayasa perangkat lunak. GPT-6 Astra memimpin perbaikan diri rekursif dan ilmu material. SemiAnalysis juga menyebut Muse Wonder Full sebagai model siber terbaik yang tersedia, dengan selisih yang jelas.
Dua bidang menjadi lantai bagi semua model. Dalam penilaian lulus-gagal, keuangan dan hukum praktis menghasilkan nol untuk semua model, sehingga SemiAnalysis melaporkan nilai parsial untuk keuangan. Itu bukan detail teknis kecil. Artinya, pekerjaan yang menuntut ketepatan penuh dan bisa dipertanggungjawabkan, seperti menandai dokumen hukum sampai bisa dipakai, masih jauh dari jangkauan agen hari ini.
Dua catatan yang mengubah bacaan papan skor
Catatan pertama soal filter keamanan. SemiAnalysis sendiri bilang skor Opus 5.5 dan GPT-6 Astra tertekan oleh klasifier keamanan mereka di bidang keamanan siber, biologi, dan keselarasan, karena model kadang menolak tugas. Kalau ketiga bidang itu dikeluarkan, papan skornya berubah: GPT-6 Astra unggul tipis 0,1 poin atas Opus 5.5, dan Gemini 4 Carbon turun ke posisi kelima. Jadi urutan teratas bergantung pada bidang apa yang dihitung.
Catatan kedua soal siapa yang mengukur. Skor-skor ini adalah skor SemiAnalysis sendiri, belum dijalankan ulang secara independen. GDPx juga produk berbayar, dan penulisnya berkepentingan agar benchmark ini menjadi acuan. Itu tidak membuat angkanya salah, tapi membuat pembacaan yang jujur harus menyebut sumbernya: ini klaim satu lembaga riset yang kredibel, bukan hasil uji pihak ketiga.
GDPx diposisikan sebagai penerus GDPval dari OpenAI, yang dirilis September 2025 dan masih menjadi benchmark umum yang paling sering muncul di kartu rilis model. Bedanya, GDPval memberi model satu prompt dan satu dokumen lalu meminta hasil jadi, sementara GDPx memberi agen lingkungan kerja dan waktu berjam-jam. SemiAnalysis berencana memperbarui benchmark ini setiap tiga sampai enam bulan, jadi papan skor 12% ini adalah titik awal, bukan putusan akhir.
Konteksnya, hasil ini datang di hari yang sama dengan rilis LongCat-2.5 dari Meituan, model yang dibangun untuk pekerjaan coding yang berjalan panjang, seperti di artikel LongCat kami. GDPx menguji klaim seperti itu dengan cara yang lebih keras: bukan apakah model bisa menjawab, tapi apakah ia bisa menyelesaikan pekerjaan ahli sampai tuntas. Dan kalau kamu penasaran dengan agen yang bekerja tanpa dipanggil, bandingkan dengan prototipe Super-agent DeepSeek, yang masih berstatus kode riset.
Sumber: pengumuman SemiAnalysis (2 Nov 2026) via Unite.AI (2 Nov 2026), CryptoBriefing (2 Nov 2026), SiliconNoon, ModelDex, dan OfficeChai (2 Nov 2026). Angka adalah potret saat penulisan, 2 November 2026 malam WIB, dan bisa berubah.
Nulis soal crypto dan Super Intelligence: kabar pasar, proyek baru, model Super Intelligence, dan peluang awal kayak airdrop dan testnet. Semua tulisan berangkat dari pengumuman resmi, dan biayanya selalu kami hitung di depan.