Relay-Bench: incluso GPT-5.5 solo alcanza un 43,3% en una prueba de razonamiento multidominio

En julio de 2026, un grupo de investigadores publicó en arXiv Relay-Bench, un benchmark que evalúa la capacidad de los modelos de lenguaje para resolver en una sola consulta tareas encadenadas de distintas áreas. El mejor de los modelos probados, GPT-5.5 en modo xHigh, obtuvo solo un 43,3%: es decir, ni siquiera el sistema más potente fue capaz de completar la mitad de las tareas.

Qué mide Relay-Bench

Relay-Bench evalúa si un modelo es capaz de mantener varios dominios de razonamiento dentro de un mismo prompt. Todo el conjunto de pruebas está formado por tareas compuestas: varias subtareas de un solo dominio se unen en una cadena que no se puede resolver razonando únicamente en un área. Cada tarea contiene entre 2 y 13 subtareas y es íntegramente textual: no requiere entrada ni salida multimodal, lo que facilita reproducir la prueba con cualquier modelo.

Los autores describen el benchmark como «no saturado» (unsaturated): los modelos actuales tienen todavía un enorme margen de mejora, el techo queda lejos y no se alcanzará con una sola actualización. Esto distingue a Relay-Bench de muchas pruebas antiguas, en las que los modelos punteros llevan tiempo estancados en el 90–100% y ya no se diferencian entre sí.

• El líder de la clasificación es GPT-5.5 (xHigh), con un 43,3%
• Cada tarea combina entre 2 y 13 subtareas relacionadas
• Dominios: razonamiento visual, código, matemáticas, extracción de información (búsqueda web), resolución de problemas, conocimiento general y análisis de datos
• Formato exclusivamente textual: sin imágenes ni en la entrada ni en la salida
• Los modelos pueden ejecutar código, buscar en la web y usar cualquier herramienta

Por qué ni siquiera GPT-5.5 supera el 43%

Las tareas están complicadas a propósito, de ahí que los resultados sean bajos incluso en los modelos más potentes. Según la descripción publicada en arXiv, a las cadenas básicas se les añaden capas de dificultad mediante la codificación del prompt (prompt encoding) y el inflado deliberado del contexto (context bloat): el modelo tiene que filtrar el ruido sin perder el hilo entre dominios. No hay restricciones más allá del propio model harness: los autores animan expresamente a usar la ejecución de código, la búsqueda web y todas las herramientas disponibles, pero aun así la barrera del 43,3% sigue sin superarse.

El problema clave es el cambio de un área a otra. Un modelo puede resolver con solvencia una subtarea de matemáticas y otra de código por separado, pero tropieza cuando el resultado de una subtarea debe pasar a la siguiente dentro de una única cadena de razonamiento. Ese «relevo» (relay) es precisamente el que da nombre al benchmark.

«Un benchmark no saturado, holístico y de texto que mide la capacidad de los LLM para completar un conjunto de tareas de distintos dominios en un solo prompt», según la descripción de

Relay-Bench en arXiv.

En qué se diferencia de las pruebas habituales

Relay-Bench no evalúa habilidades aisladas, sino su combinación dentro de una misma tarea. Los benchmarks clásicos miden por separado código, matemáticas o conocimiento general; aquí, en cambio, siete dominios se entrelazan en una única cadena, y un fallo en cualquier eslabón echa por tierra toda la tarea. Este formato se acerca más a los escenarios de trabajo reales, en los que un agente debe buscar datos en la web, hacer cálculos y escribir código dentro de un mismo encargo.

Qué significa

Relay-Bench pone de manifiesto la brecha entre las habilidades específicas de los modelos y el razonamiento de extremo a extremo: los LLM saben resolver cada área por separado, pero todavía no consiguen enlazarlas en una cadena larga y multidominio. El margen de mejora es enorme: del 43,3% al techo queda mucho camino, y son precisamente pruebas «no saturadas» como esta las que marcarán el listón para las próximas generaciones de modelos y sistemas agénticos.

Preguntas frecuentes

¿Qué es Relay-Bench?

Relay-Bench es un benchmark de texto presentado en arXiv en julio de 2026. Evalúa cómo resuelven los modelos de lenguaje tareas compuestas de siete dominios (código, matemáticas, búsqueda web, análisis de datos, entre otros) reunidas en una sola cadena dentro de un mismo prompt.

¿Qué modelo obtuvo el mejor resultado?

El mejor resultado fue el de GPT-5.5 en modo xHigh: un 43,3%. Esto significa que incluso el modelo más potente de los probados resolvió menos de la mitad de las tareas, y que el benchmark sigue siendo «no saturado» y lejos de su techo.