Los benchmarks de IA dejan de medir lo importante: modelos como Mythos los superan

Las pruebas con las que la industria comparaba modelos empiezan a quedar inservibles. Modelos como Mythos alcanzan o superan el techo de los benchmarks actuales. Cuando un examen ya no distingue entre el bueno y el excelente, deja de informar sobre lo que el modelo es capaz de hacer. La clave Techo superado: los modelos más avanzados rozan o pasan el máximo de las pruebas clásicas. Comparación falsa: dos modelos muy distintos obtienen una puntuación casi idéntica. Vacío de medición: todavía no hay una alternativa consolidada para evaluar capacidad real. Por qué importa Sin mediciones fiables, las decisiones de compra, de regulación y de investigación se apoyan en números que ya no describen la realidad. La consecuencia práctica es que la evaluación sólida vuelve a ser la que hace cada equipo sobre su propio trabajo: pruebas propias, con tareas reales.