La firma de referencia Artificial Analysis ha lanzado la versión 5 de su Índice de Inteligencia, calificándola como la mayor actualización de su ranking de modelos compuestos desde que debutó la versión 4 en enero. El cambio de titular: por primera vez, el 60 por ciento del Índice se basa en evaluaciones con conjuntos de pruebas privadas o respuestas reservadas, una respuesta directa a los problemas de contaminación de los índices de referencia que han erosionado la confianza en las tablas de clasificación públicas.

La reorganización llega con un veredicto claro desde arriba. Claude Opus 5.5 (max) lidera el índice v5 en 58, por delante de GPT-6 Astra (max) en 57 y GPT-6.1 Sol (max) en 55. Anthropic y OpenAI ocupan juntos las cinco primeras posiciones, con Gemini 4 Argon (alto) de Google a continuación en 50. Para más contexto sobre esta historia, consulta nuestra noticias de IA.

Qué cambió en la v5

El índice v5 está organizado en cuatro categorías igualmente ponderadas: trabajo de conocimiento, codificación, ciencia y general, cada una con un valor del 25 por ciento. Dos puntos de referencia son completamente nuevos y tres recibieron actualizaciones importantes:

  • FrontierCode 2.0 (nuevo). Punto de referencia privado de Cognition de 132 tareas de codificación del mundo real en repositorios de código abierto, calificado según si un mantenedor del repositorio realmente fusionaría el cambio del agente. Las tareas permanecen privadas para evitar la contaminación y Artificial Analysis ejecuta cada tarea tres veces en su arnés agente Stirrup.
  • Terminal-Bench-Science (nuevo). Setenta tareas de investigación científica agentes ejecutadas en un entorno de terminal, donde una tarea pasa solo si pasa cada una de sus pruebas.
  • HLE-Diamond (actualizado). Una versión refinada de 1000 preguntas del último examen de la humanidad del Centro para la seguridad de la IA y escalar la IA, dividida en partes iguales entre preguntas de razonamiento y conocimiento, que reemplaza el HLE original.
  • AA-Omniscience v1.1 (actualizado). Un conjunto de datos de conocimiento y alucinaciones limpios con preguntas públicas y saturadas eliminadas.
  • Subconjunto duro CritPt v2 (actualizado). Un subconjunto duro privado de 40 preguntas del punto de referencia de física a nivel de investigación, revisado por sus autores y ejecutado con ejecución de código.

Salidos del Índice: GDPval-AA v2.1, SciCode y AA-LCR v1.1. Artificial Analysis también lanzó un Índice de Progreso v1 complementario, que rastrea la capacidad del modelo a lo largo del tiempo en una única escala continua.

Claude Opus 5.5 toma la delantera general

Claude Opus 5.5 (max) lidera tres de las nueve evaluaciones individuales: FrontierCode 2.0 con un 46 por ciento, HLE-Diamond con un 68 por ciento y AA-Omniscience v1.1 con un 48. Ningún modelo lo lidera todo: otros cinco modelos superan los seis puntos de referencia restantes.

GPT-6 Astra (max) lidera Terminal-Bench-Science con un 63 por ciento y el subconjunto duro CritPt v2 con un 72 por ciento, lo que confirma la fortaleza de OpenAI en el trabajo científico a largo plazo. Claude Sonnet 5.5 encabeza AA-Briefcase en 1812 Elo, Kimi's K3.1 Pro lidera Terminal-Bench 4.0 con un 67 por ciento, Gemini 4 Argon lidera AutomationBench-AA con un 78 por ciento y Muse Wonder Full lidera GDP.pdf con un 33 por ciento.

Los resultados de HLE-Diamond contienen un detalle revelador: los modelos líderes obtienen puntuaciones mucho mejores en razonamiento que en conocimiento. Claude Opus 5.5 y GPT-6 Astra alcanzaron el 78 por ciento en preguntas de razonamiento, pero cayeron al 58 y 50 por ciento respectivamente en conocimiento, evidencia de que incluso los sistemas fronterizos todavía alucinan o carecen de hechos con más frecuencia de lo que sugieren sus puntajes de razonamiento.

La brecha entre los pesos abiertos se triplica

El hallazgo más aleccionador para el ecosistema de pesos abiertos: la brecha entre el mejor modelo abierto y el líder general se triplicó, ampliándose de 3 puntos en v4.3 a 12 puntos en v5.

El K3.1 Pro de Kimi es el mejor modelo de peso abierto con 46, pero sus pesos aún no se han publicado. Entre los modelos con pesos liberados, el V4.1 Flash 1017 (max) de DeepSeek y el GLM-5.3 (max) de Z.ai lideran con 32, 26 puntos detrás de Claude Opus 5.5 y por debajo de Claude Haiku 5.5 (max) con 36.

La brecha es más amplia en los puntos de referencia agentes más estrictos. En HLE-Diamond, Kimi K3.1 Pro obtiene una puntuación del 37 por ciento frente al 68 por ciento del Opus 5.5; en Terminal-Bench-Science, 34 por ciento frente al 63 por ciento del GPT-6 Astra. La mayoría de los modelos de ponderación abierta evaluados obtienen una puntuación inferior al 10 por ciento en el punto de referencia científico.

El precio por tarea varía trece veces

El coste sigue siendo una variable decisiva. Entre los diez modelos con mayor puntuación, GPT-6.1 Terra (max) es el más barato a $0,96 por tarea de Índice de Inteligencia, mientras que Claude Fable 5.1 (max) es el más caro a $13,04, una diferencia de más de 13 veces.

La historia de la eficiencia es posiblemente la conclusión más práctica de la v5: GPT-6.1 Sol (max) obtiene una puntuación de 4 puntos de Claude Opus 5.5 y cuesta aproximadamente un octavo por tarea, a $1,27 frente a los $10,04 del Opus. GPT-6 Astra (max) se encuentra entre ellos a $ 6,24.

Por qué son importantes los puntos de referencia privados

El cambio hacia conjuntos de evaluación privados refleja un problema que afecta a toda la industria: los puntos de referencia públicos se filtran en los datos de entrenamiento y se saturan, haciendo que sea imposible confiar en las ganancias en las tablas de clasificación. Con FrontierCode 2.0, las tareas se califican en función de si un mantenedor fusionaría el cambio (con cualquier falla en la verificación de bloqueo con una puntuación de cero) y la lista de tareas permanece privada.

Eso hace que la v5 sea uno de los puntos de referencia más difíciles de superar, y su veredicto tiene peso: la frontera está liderada por Anthropic y OpenAI, las configuraciones de esfuerzo importan más que nunca y los modelos de pesos abiertos tienen mucho terreno que recuperar en las tareas de agencia que definen cada vez más el trabajo de IA en el mundo real.

---

Mantente al Día con la IA

Las últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.

Leer más noticias de IA →