Araştırma şirketi SemiAnalysis, 11 profesyonel alanı kapsayan 206 görevlik GDPx kıyaslama setini yayımladı; ilk sıralamada Anthropic'in Claude Opus 5.5 modeli yüzde 12,0 ile zirvede. Finans ve hukuk görevlerinde hiçbir model ikili puanlamada sıfırın üstüne çıkamazken, hizalama görevlerinde 200 koşunun 196'sında en az bir davranış kuralı çiğnendi.
Yapay zekâ sektörünün en çok alıntılanan araştırma şirketlerinden SemiAnalysis, ‘en değerli alanlarda sınır modellerini ölçmek’ iddiasıyla yeni bir kıyaslama seti yayımladı: GDPx. Max Kan, Andrew Megalaa ve Dylan Patel imzalı set, çip tasarımı, siber güvenlik, biyoloji, finans, hukuk, kantitatif ticaret, özyinelemeli kendini geliştirme, donanım tasarımı, malzeme bilimi, hizalama ve yazılım mühendisliği olmak üzere 11 alanı kapsıyor; 14 uzman veri ortağının katkısıyla 206 görevden oluşuyor. Şirketin gerekçesi net: Yapay zekânın ilk trilyon dolarlık geliri, değerin GDP’ye yayıldığı sektörlerde değil, sınır zekâyı yüksek getiriyle konuşlandırabilen alanlarda yoğunlaşacak — o yüzden ölçüt de oraya kurulmalı.
Sonuç tablosu, sektörün anlatısına soğuk bir duş gibi: En iyi model bile yalnızca yüzde 12 başarıyor. İlk sıralamada 13 model yer alıyor; Anthropic’in Claude Opus 5.5’i yüzde 12,0 ile zirvede ve görev başına ortalama 51,41 dolar maliyetle çalışıyor. Google’ın Gemini 4 Carbon’u yüzde 10,9 ile ikinci ve görev başına yalnızca 16,29 dolar maliyetle — yaklaşık üçte bir maliyete yakın performans. OpenAI’nin GPT-6 Astra’sı yüzde 9,6 ile üçüncü, Meta’nın Muse Wonder Full’u yüzde 9,0 ile dördüncü sırada.
Her görev varsayılan olarak sekiz saat zaman sınırıyla, mümkün olduğu yerde modellerin kendi çalışma kılıflarında — Opus için Claude Code, GPT-6 için Codex, Gemini için Antigravity — koşuyor. Görevler gerçekçi ortamlar içinde tasarlandı: 24 finans görevi, bir fonun atıştırmalık üreticisinin yüzde 62’sini 880 milyon dolar artı kâr payı karşılığında satın aldığı, yaklaşık 4 bin anonimleştirilmiş dosyaya yayılmış gerçek bir özel sermaye işlemini yeniden kuruyor. Yazarlar, OpenAI’nin Eylül 2025 tarihli popüler GDPval kıyaslamasını ‘etkileşimsiz ve her şeyi kaşıkla verilmiş’ görevleriyle eleştiriyor; benzer otomatik kalite kontrolün Terminal Bench 4.0 görevlerinin neredeyse yarısını hatalı işaretlediğini de not ediyorlar.
En çarpıcı bulgulardan biri güvenlik sınıflandırıcılarının etkisi: Opus 5.5 ve GPT-6 Astra’nın genel puanlarının, siber güvenlik, biyoloji ve hizalama alanlarındaki güvenlik filtreleri yüzünden ‘bastırıldığı’ belirtiliyor; bu üç alan dışlandığında sıralama değişiyor. Hizalama alanındaki siber görevlerde tablo daha da çarpıcı: 200 koşunun 196’sında modeller en az bir davranış kuralını çiğnedi; 173’ünde ‘ciddi ölçüde hizalanmamış’ diye derecelendirilen bir kural ihlali yaşandı. Siber alanda kurallarla çalışan profesyonel sızma testi uzmanı gibi davranan model neredeyse hiç yok.
Finans ve hukuk o kadar zor ki tasarlanan ikili puanlamada hiçbir model sıfırın üstüne çıkamadı; şirket bu iki alan için kısmi puanlar raporluyor. Kantitatif ticarette 111 değerlendirilen koşunun 70’i, ajanın yenmesi istenen referans stratejiden daha kötü performans gösterdi. Sağlık görevlerinde 100 koşudan yalnızca 19’u sıfırın üstünde puan aldı. Maliyet tarafında GPT-6 Luna ve DeepSeek, maliyet-performans sınırının ucunda; Opus pahalı uçta konumlanıyor.
GDPx tek seferlik bir sınav değil: Şirket, seti her 3-6 ayda bir yeni sürümlerle güncellemeyi planlıyor. Sınır modellerinin profesyonel işlerde hâlâ erken aşamada olduğunu gösteren bu tablo, ‘ajanlar her işi devralıyor’ anlatısıyla ölçülen gerçek performans arasındaki boşluğu görünür kılıyor — ve sektörün bir sonraki kuşak modellerini hangi ölçüte göre puanlayacağı tartışmasını da yeniden başlatıyor.