Lunes, 16 de noviembre de 2026
Portada de las 21:50
Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Inteligencia artificial · artificialanalysis.ai

Artificial Analysis Intelligence Index v5.0

Artificial Analysis publica la versión 5.0 de su índice de inteligencia para modelos de lenguaje, que combina nueve evaluaciones en cuatro categorías con el mismo peso. La página de metodología detalla qué mide cada prueba, cómo se puntúa y con qué parámetros se ejecutan los modelos.

Foto: vía artificialanalysis.ai

Leer el artículo aquíArtículo original (artificialanalysis.ai) 11 comentarios en Hacker News

Escucha la noticia2 min

El índice es una media ponderada de cuatro categorías, cada una con un 25 %: Knowledge Work, Coding, Science y General. Según Artificial Analysis, es una síntesis útil para comparar modelos, aunque admite que, como toda métrica, tiene limitaciones y puede no aplicarse a cualquier caso de uso. Es una batería sobre todo de texto y en inglés; las entradas de imagen, voz y el rendimiento multilingüe se miden aparte.

La v5.0 incorpora nueve evaluaciones. En Knowledge Work: AA-Briefcase v1.1 (15 %), AutomationBench-AA (5 %) y GDP.pdf (5 %). En Coding: FrontierCode 2.0 (15 %) y Terminal-Bench 4.0 (10 %). En Science: Terminal-Bench-Science 0.1.0 (15 %) y CritPt v2, subconjunto difícil (10 %). En General: AA-Omniscience v1.1 (15 %) y HLE-Diamond (10 %). Varias de ellas son agénticas y usan herramientas, y algunas son privadas.

AA-Briefcase es un benchmark nuevo de tareas de trabajo del conocimiento en proyectos complejos de varias semanas, con muchas tareas enlazadas y miles de archivos de entrada. Combina puntuación por rúbrica y comparaciones por pares para evaluar el éxito verificable, la calidad analítica y la presentación. AA-Omniscience puntúa la precisión (10 %) y 1 menos la tasa de alucinación (5 %) como componentes separados.

Fuera del índice quedan otras evaluaciones que se publican por separado, como el Multilingual Index (basado en Global-MMLU-Lite en 16 idiomas), GDPval-AA, HealthBench, IFBench o MMMU Pro. Entre los principios declarados están la estandarización, la ausencia de sesgo, el prompting zero-shot y la transparencia. Los parámetros fijan temperatura 0 para modelos sin razonamiento y 0,6 para los de razonamiento, hasta 30 reintentos ante fallos de API y pass@1 como puntuación habitual. Para las pruebas agénticas usan e2b como proveedor de sandbox.

En Hacker News

«Artificial Analysis Intelligence Index v5.0» · puesto 2 · 29 puntos · enviado por scooby7430

Lo que dicen los comentarios

El post no tiene aún comentarios, así que todavía no hay debate sobre la nueva versión del índice.

Pregunta sobre esta noticia

Respuestas automáticas a partir de las noticias de El Autómata, sus fuentes y la radio. Pueden contener errores: comprueba los enlaces.

Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.