OpenAI: dos ajustes de API triplican el resultado de GPT-5.6 en ARC-AGI-3, hasta el 38,3%

OpenAI informó el 30 de julio de 2026 de que activar dos ajustes de su Responses API, la conservación del razonamiento (retained reasoning) y la compactación (compaction), triplicó el resultado del modelo GPT-5.6 Sol en el benchmark ARC-AGI-3: del 13,3% al 38,3% en el conjunto público de tareas. Además, el consumo de tokens de salida por juego cayó aproximadamente seis veces, y con la nueva configuración el modelo superó a Opus 5 de Anthropic.

Qué mide ARC-AGI-3

ARC-AGI-3 es un benchmark interactivo de razonamiento abstracto en el que un agente de IA resuelve por turnos tareas de juego desconocidas: ejecuta una acción, ve el resultado y planifica la siguiente. A diferencia de las pruebas estáticas, aquí la memoria entre turnos es crítica: el agente debe ir acumulando comprensión de las reglas del juego a medida que avanza. Precisamente de esa memoria depende todo el salto del 13,3% al 38,3% del que habla OpenAI.

En qué consisten los dos ajustes

Los dos ajustes, retained reasoning y compaction, son los mismos mecanismos que OpenAI aplica en sus productos ChatGPT y Codex. Retained reasoning conserva la cadena de razonamiento privada del modelo entre distintas ventanas de contexto. Compaction resume el contexto acumulado cuando se acerca al límite, en lugar de recortar de forma mecánica lo más antiguo. Ambos parámetros están disponibles a través de la Responses API, la interfaz de OpenAI para escenarios agénticos.

• Modelo: GPT-5.6 Sol de OpenAI
• Harness oficial de ARC-AGI-3: 13,3% en el conjunto público
• Con retained reasoning y compaction a través de la Responses API: 38,3%
• Tokens de salida por juego: aproximadamente 6 veces menos
• Publicación: blog de OpenAI, 30 de julio de 2026

Por qué el resultado era tan bajo

El harness oficial de ARC-AGI-3 descartaba el razonamiento privado del agente después de cada turno, y por eso el resultado se estancaba en el 13,3%. GPT-5.6 Sol veía el registro de sus acciones anteriores y breves notas sobre ellas, pero no el razonamiento que había originado esos movimientos, así que en cada paso tenía que volver a descifrar el juego prácticamente desde cero. Cuando el historial de turnos superaba la ventana de contexto, el harness eliminaba además las acciones más antiguas. En la práctica, el modelo recordaba que «había movido el bloque morado», pero olvidaba por qué lo había hecho.

«Los benchmarks nunca miden solo el modelo: también miden la infraestructura técnica que lo rodea», señala el blog de

OpenAI.

Cómo se comparó GPT-5.6 con Opus 5

Con los ajustes activados, GPT-5.6 Sol obtuvo un 38,3% y superó a Opus 5 de Anthropic, que alcanzó un 30,2% en ARC-AGI-3. Según OpenAI, la diferencia no se debe al modelo en sí, sino a la configuración de la prueba: el harness oficial carece de capacidades específicas de cada proveedor, como retained reasoning, que sí están disponibles a través de la Responses API. La misma técnica tuvo además un efecto secundario: un ahorro de aproximadamente seis veces en tokens de salida por juego.

Qué significa

El resultado en un benchmark no depende solo del modelo, sino también de cómo esté configurada la API y de cómo se haya diseñado el harness de la prueba. La misma GPT-5.6 Sol obtiene un 13,3% o un 38,3% según la configuración, y eso cambia la lectura de las tablas comparativas con las que los laboratorios de IA miden fuerzas entre sí.

Preguntas frecuentes

¿Qué son retained reasoning y compaction?

Retained reasoning conserva la cadena de razonamiento privada del modelo entre ventanas de contexto, y compaction resume el contexto antiguo en lugar de recortarlo sin más. OpenAI ya utiliza ambos ajustes en ChatGPT y Codex.

¿Cuánto mejoró el resultado de GPT-5.6 Sol?

En el conjunto público de ARC-AGI-3, el resultado subió del 13,3% al 38,3%, es decir, aproximadamente el triple. Al mismo tiempo, el consumo de tokens de salida por juego se redujo en torno a seis veces.

¿Superó GPT-5.6 Sol al modelo Opus 5?

Sí. Con los dos ajustes, GPT-5.6 Sol obtuvo un 38,3% frente al 30,2% de Opus 5 de Anthropic en ARC-AGI-3, según datos de OpenAI.