Un ranking de inteligencia artificial parece una tabla deportiva hasta que descubrimos que algunos participantes están corriendo y otros están nadando. La columna decisiva no siempre es la del puesto: puede ser la letra pequeña junto al nombre del modelo.
El punto de partida es concreto. Jon Hernández enlaza Artificial Analysis entre las referencias de su análisis de GPT 5.5 del 24 de abril. No es una identificación por parecido entre gráficos: el enlace está en su sitio oficial. Referencia de Jon Hernández.
Primera fotografía: qué aparece arriba
Consulta del 18 de octubre de 2026, 22:06, hora de Santiago. Son resultados publicados por sus respectivos evaluadores, no pruebas realizadas por SmartAGI.
Desplaza la tabla para ver todas las columnas →
| Artificial Analysis Intelligence Index v4.3.2 | Puntuación publicada |
|---|---|
| Claude Opus 5.5 (Max, Default Fallback) | 58 |
| Claude Sonnet 5.5 (Max, Default Fallback) | 56 |
| Claude Opus 5.5 (Xhigh, Default Fallback) | 56 |
La síntesis del evaluador coloca estas tres configuraciones en cabeza. El detalle llamativo es que dos pertenecen a Opus 5.5: borrar Max o Xhigh del nombre borraría parte de lo evaluado. Los 58 puntos tampoco significan un 58% de aciertos en cualquier trabajo. Es un índice compuesto. Resultados de Artificial Analysis.
En otro tablero, Text Arena Overall, la tabla fechada el 15 de octubre muestra:
Desplaza la tabla para ver todas las columnas →
| Modelo | Puesto visible | Puntuación | Votos | Rango de posiciones |
|---|---|---|---|---|
| Gemini 4 Argon (High) | 1 | 1524 ± 9, preliminar | 4.904 | 1–3 |
| Muse Wonder (Max) | 2 | 1509 ± 11 | 3.247 | 1–11 |
| Claude Opus 5.5 (High) | 3 | 1508 ± 7 | 8.300 | 1–8 |
Es una fotografía de esa categoría y fecha, no una declaración sobre todas las tareas. Tabla de Arena.
Arena publica un puesto ordenado y un rango que refleja la incertidumbre estadística. Que Gemini figure primero no elimina el rango 1–3; que Muse figure segundo no lo separa de todos los que aparecen debajo. Los intervalos se solapan. Cómo calcula Arena las posiciones.
Qué hay dentro del examen
Artificial Analysis no está midiendo solamente respuestas a preguntas de cultura general. Su versión v4.3.2 combina diez evaluaciones; entre ellas hay producción de archivos, automatización de aplicaciones, programación, razonamiento y conocimiento. En GDPval-AA v2.1, las entregas son comparadas por jueces de IA. En AutomationBench-AA se verifica el cumplimiento de objetivos y las infracciones de límites pueden dejar la tarea sin crédito. Son procedimientos distintos, aunque terminen sumados en un índice.
La prueba es principalmente textual y en inglés. Para un lector que trabaja en español, esa precisión importa. También importa la versión: en septiembre se modificaron componentes y sistemas de calificación. Una puntuación antigua no se convierte automáticamente en un antes comparable. Metodología e historial de Artificial Analysis.
La velocidad que falta en el cronómetro
Artificial Analysis permite mirar el costo por tarea, no solo el precio de un millón de tokens. Su cálculo incorpora distintas clases de tokens, incluidas las de razonamiento y caché. Conviene abrir ese gráfico antes de confundir un modelo barato por token con una tarea barata.
Hay otra precisión útil: su tiempo por tarea excluye el tiempo hasta el primer token y otros gastos de ejecución. No equivale a medir cuánto espera una persona delante de la pantalla. Definiciones de costo y tiempo.
Si el trabajo es programar, hay que cambiar de tablero
SWE-bench informa el porcentaje de problemas resueltos. Su variante Verified tiene 500 casos filtrados por humanos; la vista Bash Only coloca los modelos en el mismo entorno mini-SWE-agent. Multilingual reúne 300 tareas de 42 repositorios y nueve lenguajes de programación. Son distinciones prácticas: no corresponde juntar porcentajes de variantes y entornos diferentes como si salieran del mismo examen. SWE-bench oficial.
Lo que sí sabemos esta semana
Tenemos una línea base, no una película. El cotejo actual conserva los valores destacados que habíamos registrado por la mañana: Opus 5.5 Max con 58 en Artificial Analysis y Gemini 4 Argon High con 1524 ± 9 en Arena. Eso no demuestra que nadie haya subido o bajado durante la semana.
Nuestra lectura es más modesta y más útil: antes de comprar el titular «la mejor IA», hay que mirar configuración, tarea, costo y fecha. Un modelo que encabeza una tabla merece entrar en la comparación. No merece que le entreguemos el trabajo sin hacer otra pregunta.