El retest publicado el 14 de septiembre de 2026 puso a GPT-5.6 Luna ante tres problemas pequeños pero reveladores: resolver una referencia ambigua, explicar un chiste matemático y razonar sobre una partida de tres en raya con el tablero girado. El modelo acertó una variante y falló otra casi idéntica, además de cambiar de explicación en los otros dos casos. En paralelo, GPT-5.6 Sol obtuvo resultados muy diferentes en ARC-AGI-3 según el conjunto de pruebas y la configuración utilizada. La conclusión es incómoda —y bastante más útil que un titular triunfalista—: GPT-5.6 muestra capacidad especializada, pero estas pruebas no zanjan el debate sobre la AGI.
Un cambio mínimo en el enunciado produjo respuestas distintas
El primer ejercicio utilizaba un esquema de Winograd, una prueba en la que el sistema debe resolver a qué sustantivo se refiere un pronombre usando el sentido de la frase, no solo sus palabras más cercanas.
GPT-5.6 Luna identificó correctamente que una maleta marrón era demasiado pequeña. En una versión paralela con un cambio mínimo en la redacción, respondió que la mesa era demasiado pequeña, aunque el antecedente previsto era el coche. La diferencia importa porque el ejercicio no pedía repetir una respuesta memorizada: exigía trasladar la misma relación lógica a una frase nueva.
El resultado no equivale a una tasa de fallos de toda la familia GPT-5.6. Es una observación concreta de un retest, y sirve para medir algo muy específico: la estabilidad del razonamiento cuando cambia ligeramente el contexto.
El modelo también vaciló con un chiste y un tablero de tres en raya
La misma revisión puso a GPT-5.6 Luna ante el chiste de Will Rogers sobre los promedios de inteligencia de Oklahoma y California. El modelo ofreció explicaciones inconsistentes: en algunas respuestas trató la broma como una contradicción matemática y en otras intentó explicar su comparación de medias.
En el ejercicio de tres en raya, el tablero aparecía girado 90 grados. GPT-5.6 Luna alternó entre considerar que el giro tenía importancia estratégica y decir que solo cambiaba la posición física de las casillas, sin alterar el juego subyacente. Esta última interpretación es la que corresponde a un simple cambio de orientación del tablero, pero la variación entre respuestas es precisamente el punto de la prueba.
Los tres ejercicios examinan transferencia: aplicar una idea a una situación que conserva la estructura, pero no la superficie. Es una propiedad importante para cualquier sistema que aspire a resolver problemas nuevos, aunque estos ejemplos por sí solos no describen el comportamiento del modelo en todas las tareas.
Por qué cambia tanto una puntuación de ARC-AGI-3
GPT-5.6 Sol figura con un 13,33 % en el conjunto público de ARC-AGI-3 y un 7,78 % en el conjunto semiprivado bajo las condiciones de evaluación indicadas. OpenAI comunicó además un 38,3 % en el conjunto público al conservar el razonamiento y activar la compactación en su propio arnés, frente al 13,3 % de su comparación con el arnés oficial.
| Evaluación | Configuración | Resultado | Qué representa |
| ARC-AGI-3, conjunto público | Condiciones indicadas en la evaluación | 13,33 % | Resultado del conjunto público |
| ARC-AGI-3, conjunto semiprivado | Condiciones indicadas en la evaluación | 7,78 % | Resultado del conjunto semiprivado |
| ARC-AGI-3, conjunto público | Arnés de OpenAI con razonamiento conservado y compactación | 38,3 % | Experimento de OpenAI con otra configuración |
La diferencia no es un detalle cosmético. El arnés decide cuánto contexto conserva el sistema, cómo gestiona una tarea larga y qué recursos puede emplear antes de entregar una respuesta. Por eso una puntuación debe viajar siempre con su conjunto de datos, su configuración y su variante exacta del modelo. Un porcentaje aislado cuenta solo media historia.
Qué puede medir ARC-AGI-3
ARC-AGI-3 enfrenta a los agentes a juegos 2D desconocidos. Para avanzar, deben deducir cómo funcionan, probar acciones y aprender qué movimientos resultan eficaces. Es un entorno más exigente que responder preguntas conocidas, porque obliga a descubrir reglas a partir de la interacción.
Pero el salto entre ese entorno y la inteligencia general sigue siendo enorme. François Chollet ha señalado que la vida real exige horizontes de aprendizaje mucho más largos, modelos del mundo más complejos, objetivos ambiguos y espacios de exploración mayores que los de una partida breve.
Además, no existe un umbral universalmente aceptado para declarar que un sistema es AGI. Una definición habitual habla de igualar o superar las capacidades humanas en prácticamente todas las tareas cognitivas, pero la discusión sobre si los modelos actuales cumplen ese criterio continúa abierta.
Por eso las puntuaciones de ARC-AGI-3 no demuestran por sí solas que GPT-5.6 sea AGI. Miden el rendimiento de GPT-5.6 Sol en una familia concreta de juegos, bajo condiciones concretas. El retest de GPT-5.6 Luna añade otra pieza: la fluidez de una respuesta no garantiza que el modelo transfiera de forma estable una regla a una variante muy cercana.
GPT-6 Astra no es GPT-5.6
GPT-6 Astra pertenece a una generación y un producto distintos. Sus cifras de ARC-AGI-3 —99,9 % en el arnés de OpenAI y 62,7 % en la configuración estándar— sirven como contexto sobre la sensibilidad de las pruebas, pero no son resultados de GPT-5.6 ni deben mezclarse con ellos.
La comparación útil no es quién luce mejor en un titular. Es preguntar qué tarea se midió, con qué configuración, durante cuánto tiempo y si el sistema pudo trasladar la regla aprendida a un problema nuevo.
Medir transferencia, no solo una cifra
Para evaluar un agente en el mundo real, una puntuación de lanzamiento tampoco basta. Conviene observar si recupera una sesión tras un inicio de sesión fallido, si pide aclaraciones ante una instrucción ambigua, si detecta que una página está desactualizada y cuántos intentos necesita antes de producir un resultado aceptable. El coste por resultado correcto y el tiempo de corrección completan una imagen mucho más práctica que un único porcentaje.
