Dans un article publié le 4 novembre, Yahoo Finance rapporte que Gemini 4 Carbon a obtenu 10,9 % au benchmark GDPx, contre 12 % pour Claude Opus 5.5. L’écart est de 1,1 point. Ces scores agrégés résument des résultats sur 11 domaines, où les modèles en tête ne sont pas toujours les mêmes.
| Modèle | Score GDPx rapporté | Coût rapporté par tâche GDPx | Contexte tarifaire |
| Gemini 4 Carbon | 10,9 % | 16,29 $ US | Tarif de lancement de Google |
| Claude Opus 5.5 | 12 % | 51,41 $ US | Montant rapporté pour cette comparaison |
Les coûts sont eux aussi rapportés par Yahoo Finance. Celui de Gemini 4 Carbon représente environ 31,7 % de celui de Claude Opus 5.5, soit 68,3 % de moins dans cette comparaison. Il s’agit de coûts par tâche GDPx, pas de tarifs généraux d’API applicables à d’autres usages.
Comment GDPx établit son score
Publié le 2 novembre par SemiAnalysis, GDPx couvre 11 domaines et s’appuie sur 14 partenaires spécialistes. Le score principal est exprimé en pass@1 sur trois tentatives : il mesure la réussite avec une tentative, dans le cadre des essais du benchmark. Les domaines ont le même poids; quand plusieurs partenaires évaluent un domaine, ils sont également pondérés. Le rapport de SemiAnalysis détaille la méthode GDPx.
Les tâches ont une limite par défaut de huit heures, certaines étant plus courtes. Les modèles sont exécutés dans leur environnement natif lorsqu’il est disponible, et la notation est binaire ou partielle selon le domaine. Le pourcentage est donc un résultat composite propre à ce protocole, pas un taux de réussite sur les tâches ordinaires d’un utilisateur.
Les résultats varient selon les domaines
Dans les résultats décrits par SemiAnalysis, Claude Opus 5.5 arrive en tête en trading quantitatif, en conception matérielle et en conception de puces. Gemini 4 Carbon mène en biologie et en ingénierie logicielle; GPT-6 Astra est devant en amélioration récursive et en science des matériaux. SemiAnalysis indique aussi que les classificateurs de sécurité pénalisent certains scores de Claude Opus 5.5 et de GPT-6 Astra.
Les deux scores globaux ne suffisent donc pas à désigner le modèle le plus performant pour tous les usages. Pour comparer des modèles sur un travail précis, les résultats du domaine concerné comptent davantage que leur seule position dans le score agrégé.
