Habr AI compara Claude, Gemini y ChatGPT en texto, matemáticas, análisis y creatividad

Habr AI ha publicado una comparación de tres modelos insignia: ChatGPT-5.4, Claude Opus 4.6 y Gemini 3.1 Pro. En lugar de las pruebas habituales de «escribe un relato» o «resuelve un problema», el autor puso el foco en escenarios poco convencionales, donde se ven mejor las diferencias reales entre los sistemas.

Un formato de prueba poco convencional

La idea central del material no es buscar un ganador absoluto, sino comprobar cómo se comportan los modelos fuera de las demos más trilladas. Cuando se pide a un LLM que escriba un texto breve, genere una plantilla de código o resuelva un ejercicio escolar, suelen mostrar un nivel similar. Pero en tareas más raras, límite o simplemente menos esquemáticas empiezan a aflorar el estilo de razonamiento, la flexibilidad, la resistencia a la ambigüedad y la capacidad de mantener el contexto sin pistas en cada paso.

Este enfoque importa también porque los usuarios emplean cada vez más los modelos no para una orden aislada, sino como herramienta intelectual de trabajo. En la práctica real no basta con «responder bien»: hay que entender el requisito implícito, no tropezar con la formulación, no irse por las ramas y no perder la lógica a mitad del razonamiento. Por eso una comparación con tareas inusuales parece más útil que otro benchmark formal.

Tres modelos insignia

En la prueba participan ChatGPT-5.4, Claude Opus 4.6 y Gemini 3.1 Pro, tres sistemas que suelen ocupar el segmento alto de los debates sobre calidad de generación. La propia composición muestra que no se trata de un experimento de nicho, sino de una comparación de los buques insignia actuales, entre los que suelen elegir los usuarios avanzados, editores, analistas y equipos que han integrado LLM en sus procesos diarios.

También es importante que el autor no pretende presentar el material como un veredicto final sobre el mercado. Es más bien un intento de responder a una pregunta más práctica: dónde se hacen visibles las diferencias entre los mejores modelos. En tareas corrientes la brecha puede ser pequeña, pero en escenarios con ambigüedad, requisitos combinados y restricciones creativas cada modelo muestra su sello propio. Para el lector esto es más útil que un ranking seco, porque ayuda a asociar cada modelo con un tipo concreto de trabajo.

Qué se evalúa

Según la descripción del artículo, el foco está en cuatro grupos de tareas más cercanos al uso real que a una presentación de escaparate. No se trata de medir una sola métrica, sino de ver cómo el modelo alterna entre distintos tipos de pensamiento: desde la edición cuidadosa y la lógica formal hasta los cálculos y la generación libre de ideas. Este conjunto permite valorar no una habilidad estrecha, sino el comportamiento del sistema en distintos modos, de la precisión a la creatividad.

• Trabajo con texto y calidad de las formulaciones
• Matemáticas y resistencia a errores de cálculo
• Tareas analíticas con varias condiciones
• Creatividad en peticiones atípicas y no del todo formalizadas

La fortaleza de esta comparación es que muestra no solo el nivel de conocimiento del modelo, sino el carácter de sus respuestas. Un sistema puede ser más ordenado en la estructura, otro más audaz en ideas, un tercero más estable en la lógica. Para el usuario esto suele importar más que un primer puesto abstracto, porque la elección de un LLM no depende del bombo general, sino de lo que se necesita hacer: editar texto, revisar razonamientos, resolver problemas o buscar rápidamente enfoques no convencionales.

Qué significa

Comparaciones como esta van cambiando la manera de hablar de los LLM. Ya no se trata de «quién es más listo en general», sino de qué modelo resuelve mejor tu escenario real. Para el mercado es señal de madurez: los modelos insignia son lo bastante potentes como para evaluarlos no por el efecto «guau», sino por los matices de su funcionamiento.