Epoch AI: los modelos recientes no lograron replicar una idea algorítmica humana

Epoch AI ha publicado InnovationEval, y su título lo dice todo: los modelos de IA recientes tuvieron dificultades para igualar una novedad algorítmica ideada por un humano. La publicación salió el 9 de octubre de 2026. En Hacker News reunió 86 puntos y 71 comentarios, es decir, la comunidad se enganchó al tema de inmediato. Una aclaración previa: el material que llegó a la redacción solo contiene el título, el enlace y los contadores de la discusión. No incluye tablas con resultados de modelos concretos, y nosotros no los inventamos.

Qué se sabe de la publicación

Epoch AI lleva años haciendo evaluaciones independientes de las capacidades de los modelos, por eso sus conclusiones suelen leerse con más atención que las notas de prensa de los laboratorios. El nombre InnovationEval indica que lo que se examina es precisamente la capacidad de inventar. Los modelos no resuelven una tarea memorizada: tienen que llegar a una idea que antes propuso un investigador humano. La formulación del título («struggled to match») sugiere que el resultado fue más flojo de lo esperado.

Esto es lo que se puede afirmar con los datos disponibles:

• Fuente: Epoch AI, página publications/innovationeval.
• Fecha de publicación en el agregador: 9 de octubre de 2026.
• Conclusión principal: los modelos recientes no lograron repetir con solvencia una innovación algorítmica humana.
• Reacción en Hacker News: 86 puntos, 71 comentarios.
• No se detalla en nuestra fuente: la lista de modelos, el número de intentos, los criterios de acierto ni los porcentajes concretos.

Por qué importa este tipo de prueba

La mayoría de los benchmarks populares miden lo bien que un modelo resuelve problemas con una respuesta conocida: matemáticas de olimpiada, corrección de bugs en repositorios, programación competitiva. En ese terreno el progreso de los últimos años ha sido rápido, y las gráficas suelen chocar con un techo. Una prueba de invención funciona de otra manera. Responde a la pregunta de si el modelo es capaz de proponer un recurso nuevo, y no de armar una buena solución con lo que ya está en los datos de entrenamiento.

Esto conecta directamente con la gran promesa de la industria: agentes de IA que aceleren la propia investigación en IA. Si un modelo no reproduce ni siquiera una idea que un humano ya encontró, conviene mantener las conversaciones sobre la automatización del trabajo científico en un marco más acotado. También vale lo contrario: una sola prueba no cierra el asunto. El resultado depende de cómo se plantee la tarea, de las pistas, del presupuesto de razonamiento y de qué innovación concreta se haya elegido como referencia.

Cómo leer el resultado

En la fuente original hay que fijarse en tres cosas. Primero, cómo separan los autores la invención del recuerdo: si la idea pudo entrar en el corpus de entrenamiento, la prueba mide memoria y no novedad. Segundo, cuántos intentos tuvo el modelo y cómo se eligió la mejor respuesta. Tercero, qué se consideró un éxito: una coincidencia total con la solución humana o un enfoque funcionalmente equivalente. De estos detalles depende lo contundente que sea la conclusión.

La actividad en Hacker News (71 comentarios con 86 puntos) sugiere que los lectores tienen preguntas, sobre todo acerca de la metodología. Es normal en un trabajo de este tipo: medir la «inventiva» es mucho más difícil que medir la precisión en un test con clave de respuestas.

Qué hacer en la práctica

A los equipos que construyen productos con agentes de código e investigación les conviene dividir las tareas en dos clases. La ingeniería rutinaria, el refactoring, la migración de algoritmos conocidos y el ajuste de parámetros entran en lo que los modelos hacen de forma fiable. El planteamiento de enfoques algorítmicos nuevos sigue siendo un terreno en el que el humano marca la dirección, mientras el modelo trabaja como ejecutor rápido y generador de variantes para probar.

Antes de revisar planes, abra el original en epoch.ai y contraste tres parámetros: la lista de modelos evaluados, el número de ejecuciones y el criterio de acierto. Si compra herramientas de IA para I+D, conviene pedir al proveedor resultados en tareas con novedad, y no solo en benchmarks estándar. Y tenga presente que el próximo lanzamiento puede cambiar el panorama: estas evaluaciones se quedan obsoletas rápido.