GPT-6 Astra pierde 5 puntos con esfuerzo medio, pero resuelve la tarea tres veces más rápido
La mayoría de los laboratorios fija en la API un nivel de reasoning effort inferior al máximo, y esto recorta mucho el tiempo por tarea. Según Artificial Analysis, GPT-6 Astra con esfuerzo medio obtiene 52 puntos en el Intelligence Index frente a 57 con el máximo, pero completa la tarea en ~5,8 minutos en lugar de ~18. En GPT-6.1 Sol, al reducir el esfuerzo el índice cae de 55 a 46.
Procesado por IA desde X: @ArtificialAnlys; editado por Hamidun News
Una situación conocida: conectas un modelo de primer nivel, ejecutas un par de pruebas y el agente piensa durante minutos y minutos. El usuario alcanza a cerrar la pestaña. La culpa no es necesariamente del servidor. Con más frecuencia se debe a un ajuste que muchos no tocan: el nivel de reasoning effort, es decir, cuánto «tiempo de reflexión» dedica el modelo antes de responder.
Los analistas de Artificial Analysis recordaron en X que la mayoría de los laboratorios líderes fija en la API un valor por defecto inferior al esfuerzo máximo. Esto reduce drásticamente el Time per Task, es decir, el tiempo que el modelo dedica a una tarea completa. A continuación repasamos qué mostraron sus cifras y qué hacer con ellas.
Qué mostraron las cifras
Primer ejemplo: GPT-6 Astra. Con esfuerzo medio el modelo obtiene 52 puntos en el Intelligence Index, y con el máximo, 57. La diferencia es de cinco puntos, aproximadamente un 9% del mejor resultado. A cambio, la tarea con nivel medio tarda alrededor de 5,8 minutos, frente a unos 18 con el máximo. El tiempo se reduce aproximadamente a un tercio, mientras que la calidad bajó menos de una décima parte.
Segundo ejemplo: GPT-6.1 Sol. Aquí el panorama es más duro: el índice cae de 55 a 46, es decir, 9 puntos o cerca de un 16%. La publicación se corta en la cifra 3,9, por lo que la unidad de medida y el nivel exacto de esfuerzo no se ven en este fragmento. Conviene sacar conclusiones sobre Sol después de revisar la tabla completa en el enlace del original.
Por qué importa en la práctica
Imagina un agente de revisión de código. Recibe un pull request, lee los diffs, ejecuta comprobaciones y escribe comentarios. Si cada ejecución tarda 18 minutos, el desarrollador ya se ha pasado a otra cosa y el comentario llega al vacío. Con 6 minutos aún es tolerable. En este escenario, cinco puntos perdidos en el índice general a menudo no importan, mientras que una latencia tres veces menor se nota de inmediato.
El caso opuesto: el análisis por lotes nocturno de incidentes complejos o la generación de una migración en una base de código grande. Nadie espera frente a la pantalla y cada error sale caro. Aquí el esfuerzo máximo se justifica, porque el tiempo casi no cuesta nada y el precio de un error es alto.
De ahí una regla sencilla: el nivel de esfuerzo es una palanca de producto, no un detalle técnico menor. Hay que elegirlo según el escenario, no dejarlo como viene de fábrica.
Qué hacer al respecto
Primero: averigua qué valor por defecto usa tu proveedor. Varía entre laboratorios, y con frecuencia los desarrolladores pasan años con un valor que nadie eligió conscientemente.
Segundo: mide no solo la calidad, sino también el tiempo por tarea con tu propio conjunto de tareas. El índice general es un promedio de benchmarks, y tu tráfico puede comportarse de otra manera. Ejecuta las mismas 50–100 solicitudes reales con varios niveles de esfuerzo y compara la tasa de respuestas correctas y el tiempo mediano.
Tercero: considera el enrutamiento. Envía las solicitudes simples a esfuerzo bajo o medio, y escala al máximo las complejas o dudosas. Así obtienes velocidad en la mayoría de los casos y calidad donde de verdad hace falta.
Limitaciones
Es una publicación breve en X, no un informe completo. Vemos solo dos modelos y parte de los datos de Sol está cortada. El Intelligence Index es una métrica agregada, y en tareas específicas la brecha entre niveles de esfuerzo puede ser notablemente mayor o menor. Además, el tiempo depende de la carga de la infraestructura del proveedor, y tus cifras serán distintas.
Conclusión: no tomes el esfuerzo máximo como el modo «correcto» por defecto. En el caso de Astra, cambiar cinco puntos por una aceleración de tres veces parece rentable en escenarios interactivos. Con Sol el precio es mayor, y comprobarlo con tus propios datos es especialmente importante.
- 12 nov 2026LeCun pide en ECCV 2026 pasar de la generación de píxeles a los modelos del mundo
- 12 nov 2026Google abre Gemini 4 Carbon: un modelo agéntico entre 2 y 6 veces más barato que Fable 5.2
- 12 nov 2026Google lanza Gemini Decision 1: respuesta en 150–250 ms y 0,10 $ por 1M de tokens
- 12 nov 2026Gemini 4 Carbon frente a Claude Fable 5.2: 103 veces más barato, pero con peor imagen
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué mostraron las cifras?
Primer ejemplo: GPT-6 Astra. Con esfuerzo medio el modelo obtiene 52 puntos en el Intelligence Index, y con el máximo, 57. La diferencia es de cinco puntos, aproximadamente un 9% del mejor resultado. A cambio, la tarea con nivel medio tarda alrededor de 5,8 minutos, frente a unos 18 con el máximo. El tiempo se reduce aproximadamente a un tercio, mientras que la calidad bajó menos de una décima parte. Segundo ejemplo: GPT-6.1 Sol.
¿Qué se sabe sobre Por qué importa en la práctica?
Imagina un agente de revisión de código. Recibe un pull request, lee los diffs, ejecuta comprobaciones y escribe comentarios. Si cada ejecución tarda 18 minutos, el desarrollador ya se ha pasado a otra cosa y el comentario llega al vacío. Con 6 minutos aún es tolerable. En este escenario, cinco puntos perdidos en el índice general a menudo no importan, mientras que una latencia tres veces menor se nota de inmediato.
¿Qué se sabe sobre Qué hacer al respecto?
Primero: averigua qué valor por defecto usa tu proveedor. Varía entre laboratorios, y con frecuencia los desarrolladores pasan años con un valor que nadie eligió conscientemente. Segundo: mide no solo la calidad, sino también el tiempo por tarea con tu propio conjunto de tareas. El índice general es un promedio de benchmarks, y tu tráfico puede comportarse de otra manera. Ejecuta las mismas 50–100 solicitudes reales con varios niveles de esfuerzo y compara la tasa de respuestas correctas y el tiempo mediano.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.