¿Entrenan los laboratorios de IA sus modelos para la prueba del «pelícano en bicicleta»? Análisis del pelicanmaxxing

El 22 de julio de 2026, el desarrollador Dylan Castillo publicó un estudio que pone a prueba la hipótesis del «pelicanmaxxing»: la idea de que los laboratorios de IA entrenan sus modelos para dibujar con soltura un pelícano en bicicleta y destacar en el benchmark nada científico de Simon Willison. Castillo ejecutó 48 prompts tres veces en 7 modelos y no encontró indicios de ese ajuste.

Qué es el benchmark del «pelícano en bicicleta»

El benchmark del «pelícano en bicicleta» es una prueba personal e informal de Simon Willison, en la que pide a cada nuevo modelo de lenguaje que genere un dibujo SVG de un pelícano montado en una bicicleta. El propio Willison la describe como «profundamente poco científica», pero en un par de años la prueba se ha vuelto tan reconocible en la comunidad que ha surgido la sospecha de que los laboratorios podrían haber empezado a optimizar sus modelos precisamente para ella, con el fin de quedar bien. Ese fenómeno recibió el nombre humorístico de pelicanmaxxing (en el texto de Castillo, pelimaxxing).

Cómo está montado el experimento

Castillo construyó una cuadrícula de 8 animales y 6 medios de transporte, es decir, 48 combinaciones o prompts, y ejecutó cada una tres veces en 7 modelos distintos. Esta matriz permite comprobar si los modelos dibujan la pareja «pelícano + bicicleta» de forma anómalamente mejor que cualquier otra combinación, como «flamenco en patinete» o «garza en barco».

• Fecha de publicación: 22 de julio de 2026
• 8 animales × 6 medios de transporte = 48 prompts, cada uno ejecutado 3 veces
• Se probaron 7 modelos: GPT-5.6 Terra, Claude Sonnet 5, Gemini 3.5 Flash, Grok 4.5, Qwen3.7-Max, GLM-5.2 y DeepSeek V4 Pro
• Los resultados fueron evaluados por dos modelos distintos: GPT-5.6 Luna y Gemini 3.1 Flash-Lite
• Para revisar todas las generaciones, el autor creó una cuadrícula interactiva con filtros

¿Hay indicios de ajuste?

Castillo no encontró rastro de pelicanmaxxing en ninguna de las cinco líneas de verificación. Los pelícanos en bicicleta no se ven mejor que otras escenas, los pelícanos no se dibujan con más pulcritud que el resto de animales, las bicicletas no salen más cuidadas que otros medios de transporte, y la combinación en sí no sale mejor de lo que predicen las habilidades individuales del modelo, incluso al ajustar por dificultad. La quinta comprobación mostró que las escenas no parecen memorizadas de memoria.

El que más se acercó a una anomalía fue GLM-5.2: registra la mayor mejora de calidad precisamente en la celda «pelícano + bicicleta», y su primera muestra ya llamó la atención del autor. Pero, según los datos de Castillo, el efecto sigue siendo pequeño y estadísticamente insignificante.

«GLM-5.2 fue la que más se acercó: tiene la mayor mejora justo en la celda del pelícano en bicicleta.

Pero el efecto es pequeño y estadísticamente insignificante, así que no le daría mucho peso», dijo Dylan Castillo, autor del estudio.

Qué significa

Simon Willison, cuyo benchmark originó toda la discusión, calificó el trabajo de Castillo de «excelente» y señaló que él mismo había revisado los modelos solo de forma selectiva, sin tanta metodología. La conclusión del estudio tranquiliza a los escépticos: mientras no haya datos de que los laboratorios «hacen trampa» para una prueba viral concreta, los modelos dibujan el pelícano en bicicleta exactamente tan bien como se lo permiten sus habilidades generales de generación.

Preguntas frecuentes

¿Qué es el pelicanmaxxing?

Es la suposición de que los laboratorios de IA entrenan deliberadamente sus modelos para superar bien la prueba del «pelícano en bicicleta» de Simon Willison. El estudio de Dylan Castillo del 22 de julio de 2026 no encontró pruebas de ello.

¿Qué modelos obtuvieron el mejor resultado?

En la matriz de 48 prompts, el que más se acercó a un resultado «sospechoso» fue GLM-5.2, con la mayor mejora en la pareja «pelícano + bicicleta». Sin embargo, el efecto es estadísticamente insignificante, por lo que el autor no lo considera una prueba de ajuste.