El benchmark parte de una foto y un prompt. En un entorno de navegador con three.js y manifold.js, que emula el ciclo básico de modelado de Blender, el agente escribe código de geometría, renderiza la escena, inspecciona las vistas y la refina. Según sus autores, así se mide la comprensión espacial (forma, escala, profundidad, colocación de objetos, perspectiva y oclusión) y la capacidad de programar. Se eligió este entorno en lugar de Blender para no mezclar el razonamiento espacial con flujos de trabajo propios del software, como los nodos de shaders y las texturas. No es generación de imagen a 3D con difusión o reconstrucción neuronal: el agente construye geometría editable mediante código.
Se evaluaron 11 modelos con 25 fotos de referencia, 275 ejecuciones en total, de las cuales 258 se completaron con éxito. Un modelo de visión, sin ver nombres ni costes, compara seis vistas renderizadas de dos ejecuciones de la misma foto y elige A, B o empate: son 1.120 votos sobre 560 pares. Con ellos se ajusta un Elo por modelo, anclado en Claude Sonnet 5.5 = 1000. Una diferencia de 100 puntos equivale a un 64 % de probabilidad de victoria para el que va por delante.
Gemini 4 Argon lidera con 1544 puntos y GPT-6 Astra queda a 4, dentro del solapamiento de sus intervalos de confianza del 95 %. Argon es además el más estable de los seis primeros: nunca quedó por debajo del puesto 4 en ninguna foto. Le siguen GPT-6.1 Sol (1413), Claude Opus 5.5 (1233) y Kimi K3.1 Pro (1185). En la cola están Nemotron 3.5 Super VL (382), GLM 5.3 Flash (812) y Step 5 Preview (824).
En coste, Kimi K3.1 Pro ofrece más Elo por dólar: 1185 puntos por 1,50 $. Gemini 4 Argon cuesta 7,4 veces más (11,12 $) para sacar 359 puntos más. El conjunto de las pruebas suma 59,94 $ de coste de API registrado, 12 h 49 min de ejecución y 162 millones de tokens. Cada ejecución puede reproducirse y editarse en el playground.
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.