Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarThe Decoder→ original

El nuevo modelo de OpenAI, Astra, escribe un 40 % más corto, pero su puntuación de reconocimiento de incertidumbre cayó de 96 a 24

OpenAI ha hecho que las respuestas de GPT-6.2 Astra y Sol sean más cortas y directas, pero los modelos dicen «no estoy seguro» con menos frecuencia. Artificial Analysis calculó que la respuesta media de Astra se redujo de 352 a 210 palabras (−40 %), y la de Sol, de 337 a 223 (−34 %). La puntuación de reconocimiento de incertidumbre (posición del modelo entre los evaluados, escala de 1 a 100) bajó en Astra de 96 a 24, y en Sol, de 98 a 51. Por eso, en medicina, derecho y finanzas conviene pedir las advertencias explícitamente en el prompt.

Procesado por IA desde The Decoder; editado por Hamidun News
El nuevo modelo de OpenAI, Astra, escribe un 40 % más corto, pero su puntuación de reconocimiento de incertidumbre cayó de 96 a 24
Fuente: The Decoder. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalThe Decoder ↗
Editor jefe
Encabezados por respuestaAstra, 0,11 frente a 1,99; Sol, 0,25 frente a 1,85
Índice de transparenciaAstra 41, Sol 57, Claude Fable 5.2 81, Opus 5.5 90
Dato clave #3Las puntuaciones son un ranking relativo, no un porcentaje de respuestas ni una medida de precisión

Muchos se quejaban de que los chatbots dicen demasiado: tres párrafos de introducción, listas, encabezados y advertencias de rigor. OpenAI parece haberlo escuchado. Los analistas de Artificial Analysis compararon los nuevos GPT-6.

2 Astra y Sol con sus predecesores y encontraron dos cosas. Primero, las respuestas se acortaron entre un 34 % y un 40 %: Astra ahora escribe de media 210 palabras en lugar de 352, y Sol, 223 en lugar de 337. Segundo, los modelos dicen «no estoy seguro» con mucha menos frecuencia.

La puntuación de este rasgo (posición del modelo entre todos los evaluados, escala de 1 a 100) se desplomó en Astra de 96 a 24, y en Sol, de 98 a 51. Imagine un asistente que antes decía «parece que sí, pero compruébelo» y ahora simplemente responde con tono seguro. Para quienes construyen productos sobre estos modelos, esto importa más de lo que parece.

Qué cambió en el estilo de las respuestas

Artificial Analysis sometió los modelos a su propia prueba, AA-PersonalityBench, y calculó por separado métricas sencillas como la longitud de la respuesta. La respuesta media de Astra pasó de 352 a 210 palabras, es decir, un 40 % menos. Sol pasó de 337 a 223 palabras, un 34 % menos.

La maquetación también cambió. Astra tenía de media 1,99 encabezados por respuesta; ahora tiene 0,11. Sol tenía 1,85 y ahora tiene 0,25. Además, se usan menos guiones largos, una de las señales por las que muchos reconocen un texto generado por una IA.

El índice de organización (estructura, claridad, orden de la exposición) bajó, en cambio: Astra pasó de 70 a 11 y Sol de 86 a 27. Sin embargo, subió el rasgo Answer First, es decir, qué tan rápido el modelo responde a la pregunta planteada: Astra pasó de 49 a 89 y Sol de 64 a 87. La valoración de la «naturalidad» del lenguaje también mejoró: de 58 a 100 en Astra y de 54 a 79 en Sol.

El precio de la brevedad: menos advertencias honestas

La caída más acusada se produjo en el rasgo Admits Uncertainty, es decir, la disposición del modelo a reconocer que no sabe algo o que no está seguro.

Una aclaración importante: no se trata de porcentajes de respuestas. Las puntuaciones muestran la posición relativa del modelo entre todos los evaluados, en una escala de 1 a 100. Un valor de 24 no significa que Astra reconozca su incertidumbre en el 24 % de los casos. Significa que, en este rasgo, se sitúa en la parte baja del ranking.

El índice de transparencia agregado incluye cinco rasgos: reconocimiento de incertidumbre, veracidad, advertencias sobre supuestos, señalamiento de matices y ausencia de adulación (este último se puntúa al revés: menos adulación, mejor). Astra obtiene 41 y Sol, 57. Anthropic queda por encima: Claude Fable 5.2 logró 81 y Opus 5.5, 90. En organización, Anthropic también va delante: Opus 5.5 obtuvo 79 y Fable 5.2, 54. En cuanto a capacidad informativa, Opus 5.5 lidera con 90 puntos frente a 31 de Astra, 38 de Sol y 47 de Fable 5.2.

Cómo leer este ranking y qué hacer como desarrollador

La prueba se diseñó así: 900 preguntas en inglés, con modelos que responden sin prompt de sistema. Un trío de jueces basados en IA examina pares de respuestas anónimas y decide en cuál se expresa más fuertemente el rasgo indicado, o si hay empate. De ahí salen 30 rasgos y ocho índices generales. La comparación se realizó con las variantes de máximo nivel de razonamiento.

La limitación principal: es una evaluación del estilo, no de la calidad. Un índice de transparencia bajo no demuestra que el modelo se equivoque más a menudo. Solo indica que acompaña sus respuestas con menos advertencias. Además, los jueces son también modelos de IA y las preguntas están solo en inglés, así que en tareas en otros idiomas el panorama podría variar.

Las conclusiones prácticas son estas:

  • En interfaces de chat y bots de consulta, donde el usuario quiere una respuesta rápida, el nuevo estilo de OpenAI puede ser una ventaja: el texto es más corto, consume menos tokens y se lee más deprisa.
  • En medicina, finanzas, derecho y análisis, donde importa el grado de certeza, conviene pedir explícitamente al modelo que indique sus supuestos y su nivel de confianza. Sin esa petición, según la prueba, sonará más seguro de lo que realmente está.
  • Si pasa desde una versión anterior, revise sus prompts y parsers. La desaparición de encabezados y listas puede romper un formato que antes funcionaba por sí solo.
  • Al elegir entre OpenAI y Anthropic, mire no solo la precisión en los benchmarks, sino también la forma de presentar las respuestas. Esta influye en cómo los usuarios confían en ellas y las verifican.

En resumen: OpenAI ha apostado por un estilo conciso y conversacional, mientras que Anthropic, en estas dimensiones, se mantiene más cerca de un enfoque cauteloso y desarrollado. Cuál es mejor depende del producto. Conviene comprobar la diferencia con sus propios datos antes de desplegar en producción.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué cambió en el estilo de las respuestas?

Artificial Analysis sometió los modelos a su propia prueba, AA-PersonalityBench, y calculó por separado métricas sencillas como la longitud de la respuesta. La respuesta media de Astra pasó de 352 a 210 palabras, es decir, un 40 % menos. Sol pasó de 337 a 223 palabras, un 34 % menos. La maquetación también cambió. Astra tenía de media 1,99 encabezados por respuesta; ahora tiene 0,11. Sol tenía 1,85 y ahora tiene 0,25.

¿Qué se sabe sobre El precio de la brevedad: menos advertencias honestas?

La caída más acusada se produjo en el rasgo Admits Uncertainty, es decir, la disposición del modelo a reconocer que no sabe algo o que no está seguro. Una aclaración importante: no se trata de porcentajes de respuestas. Las puntuaciones muestran la posición relativa del modelo entre todos los evaluados, en una escala de 1 a 100. Un valor de 24 no significa que Astra reconozca su incertidumbre en el 24 % de los casos. Significa que, en este rasgo, se sitúa en la parte baja del ranking.

Cómo leer este ranking y qué hacer como desarrollador?

La prueba se diseñó así: 900 preguntas en inglés, con modelos que responden sin prompt de sistema. Un trío de jueces basados en IA examina pares de respuestas anónimas y decide en cuál se expresa más fuertemente el rasgo indicado, o si hay empate. De ahí salen 30 rasgos y ocho índices generales. La comparación se realizó con las variantes de máximo nivel de razonamiento. La limitación principal: es una evaluación del estilo, no de la calidad.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…