El TIS-100 es un juego en el que cada nodo es un procesador diminuto con dos registros y quince líneas de código como máximo. Los nodos vecinos se esperan unos a otros para intercambiar valores. Cada solución se puntúa en ciclos, nodos e instrucciones, y mejorar una cifra suele empeorar otra, así que cada puzle tiene una frontera de compromisos y no una única mejor respuesta. Los autores dieron a 16 LLM el juego y su manual, les ocultaron la clasificación de la comunidad y les pidieron que siguieran mejorando.
Cada modelo intentó los 47 puzles del juego y ocho de torneo de la comunidad, con un solo intento puntuado (pass@1) y entre 10 y 45 minutos por puzle. Trabajaban con herramientas de texto: manual, entradas de prueba visibles, registros y diagnósticos del juego. No tenían código de la comunidad ni los récords exactos. Un punto solo cuenta si se repite en el juego limpio y pasa 100.000 pruebas en el simulador independiente TIS-100-CXX.
Opus 5.5 y GPT-6 Astra encabezan la tabla y los datos no los distinguen. Ambos resolvieron los 55 puzles y encontraron puntos nuevos en 11. Opus 5.5 suma más puntos (72 frente a 32), pero GPT-6 Astra tiene algo más de proximidad a los récords (78,0 frente a 77,2); el intervalo de esa diferencia incluye el cero. Resolver y optimizar son habilidades distintas: Gemini 3.8 Flash resolvió 53 puzles y halló puntos nuevos en uno; Fable 5.1 resolvió 52 y los halló en cinco.
En total hay 133 puntos nuevos en 18 de los 55 puzles. De ellos, 18 superan un récord de la comunidad y 115 son compromisos nuevos entre las tres métricas. Los tres récords absolutos de ciclos son de puzles de torneo. Opus 5.5 bajó de 2.694 a 1.918 ciclos en Undecimal Twin Rounder (un 29 % más rápido, a cambio de un nodo y 28 instrucciones más). GPT-6.1 Sol pasó de 3.872 a 3.460 en Intersection Identifier y Gemini 4 Argon de 198 a 188 en Error: 8.
El coste no sigue a la calidad. GPT-6.1 Sol alcanza 75,6 de proximidad con unos 0,75 dólares por puzle; Opus 5.5 llega a 77,2 con 5,08; Fable 5.1 es el más caro, con 7,19, y puntúa 70,2. Quince de los dieciséis modelos resolvieron los cinco puzles de enrutamiento y sincronización, y ninguno halló allí un punto nuevo. El artículo añade que, a los pocos días, jugadores humanos recogieron los programas de los modelos y mejoraron la mayoría.
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.