Un modelo de IA importante acaba de arrasar en las listas de referencia, estableciendo nuevos récords en múltiples métricas de evaluación que importan.

La última versión está arrasando en las pruebas académicas: 88.2% en GPQA Diamond (preguntas de ciencia a nivel de posgrado), 94.5% en AIME 2025 (competencia de matemáticas de secundaria elite), y un impresionante 96.7% en problemas de matemáticas de Harvard-MIT. También obtuvo 61.9% en USAMO25, una de las competiciones de matemáticas basadas en pruebas más difíciles.

Pero aquí está lo sorprendente: la puntuación ARC-AGI-2 alcanzó el 44.4%, que es casi el doble de lo que logró el modelo en segundo lugar. Esa es una brecha enorme en las capacidades de razonamiento.

Este salto en el rendimiento sugiere que estamos viendo un progreso real en el razonamiento abstracto y la resolución de problemas complejos, no solo en el reconocimiento de patrones. Las puntuaciones en matemáticas y lógica son particularmente notables dado que estos indicadores han sido resistentes a la mejora.

Vale la pena observar cómo esto impacta la carrera más amplia de la IA y lo que significa para las aplicaciones en investigación, codificación y tareas analíticas.