Modelos de IA mejoran ligeramente en matemáticas, pero siguen reprobando
Hecho Qué ha ocurrido
El benchmark ORCA de Omni Calculator evaluó nuevamente modelos de IA en 500 problemas matemáticos prácticos. Gemini 3 Flash alcanzó 72,8% de precisión (ganando 9,8 puntos), DeepSeek V3.2 llegó a 55,2% (+3,2 puntos), ChatGPT-5.2 logró 54,0% (+4,6 puntos), pero Grok 4.1 retrocedió a 60,2% (-2,6 puntos). Los investigadores hallaron que los modelos cambian sus respuestas en porcentajes altos cuando se les formula la misma pregunta dos veces (ChatGPT 65,2%, DeepSeek 68,8%).
Resumen generado mediante IA a partir de The Register AI (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Las limitaciones matemáticas de los LLM son críticas para aplicaciones empresariales que requieren precisión en cálculos, análisis financiero o resolución de problemas cuantitativos. La inconsistencia en respuestas idénticas plantea riesgos en entornos de producción donde la confiabilidad es esencial.
- Quién se ve afectado
- Empresas que dependen de IA para análisis cuantitativos, finanzas, logística, ingeniería y científicas que requieren respuestas deterministas y verificables.
- Qué puede cambiar
- El reconocimiento de que los LLM son motores de predicción probabilística, no lógicos, refuerza la necesidad de arquitecturas híbridas (IA + function calling) para operaciones críticas. Esto valida enfoques como delegar cálculo a sistemas deterministas mientras se usa IA para razonamiento.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Evolución de soluciones de function calling en Google y OpenAI; adopción de métodos de verificación formal (como los de DeepMind basados en Lean); mejora de inestabilidad en futuras versiones; cambios en los casos de uso empresarial hacia tareas donde la IA es más robusta.
Recomendación Qué debería hacer una empresa
Evaluar en los próximos 6-12 meses si arquitecturas híbridas (IA + herramientas deterministas) cierren la brecha de confiabilidad para procesos sensibles a errores; auditar la variabilidad de respuestas en cualquier flujo de IA que hoy use modelos para cálculo o toma de decisiones cuantitativas.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: The Register AI. La referencia es siempre el artículo original.
Ver fuente original ↗LLMfunction callingreinforcement learningverificación formal Omni CalculatorOpenAIGoogleAnthropicxAI benchmarks de IA confiabilidad de modelos function calling LLM y matemáticas
Relacionadas
Los modelos de IA comienzan a resolver problemas matemáticos de alto nivel de forma autónoma
Desde el lanzamiento de GPT 5.2, los modelos de OpenAI han demostrado capacidad para resolver problemas matemáticos abiertos de alto nivel. Un ingeniero de…
Por qué importaRepresenta un hito en la capacidad de razonamiento matemático autónomo de los LLMs, con matemáticos de renombre como Terence Tao reconociendo el…
Investigación repasa los tipos de acertijos que aún desafían a los modelos de IA
MIT Technology Review recopila una serie de pruebas y benchmarks (rotación mental, Knights and Knaves, SimpleBench, ARC-AGI, Torre de Hanói, logic grids) donde…
Por qué importaIlustra que el progreso de la IA en benchmarks no es uniforme: sobresale en tareas memorísticas o de patrones conocidos pero falla en razonamiento…
GPT-5.2 Pro resuelve problemas matemáticos avanzados con 31% de aciertos en FrontierMath
OpenAI anunció que GPT-5.2 Pro alcanzó un 31% de aciertos (15 de 48 problemas) en FrontierMath Tier 4, una batería de problemas matemáticos de investigación…
Por qué importaUn modelo que sostiene razonamiento matemático avanzado abre camino en ciencia, ingeniería y finanzas cuantitativa. Sin embargo, matemáticos…
GPT-6 Astra lidera benchmark de matemáticas pese a no ser prioridad de OpenAI
OpenAI's GPT-6 Astra obtuvo el primer puesto en ErdosBench, un benchmark de 226 problemas matemáticos abiertos inspirados en los problemas de Erdős, con una…
Por qué importaMuestra que incluso el laboratorio líder en IA enfrenta compromisos de optimización: mejorar en un dominio implica sacrificar avances en otros…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.