La prueba ARC-AGI siempre se ha considerado un indicador estricto de la "capacidad de razonamiento general" de la IA – sin depender de la memorización ni del emparejamiento de patrones, evaluando puramente si el modelo puede adaptarse con flexibilidad a tareas abstractas nunca antes vistas.
GPT-5.2 obtuvo un 72% en ARC-AGI-1 y un 18% en ARC-AGI-2.
¿Qué significan estas cifras?
El 72% en ARC-AGI-1 ya supera a la mayoría de los modelos. Pero ARC-AGI-2 es la verdadera piedra de toque: la dificultad es varios escalones más alta. El 18% demuestra que los LLM actuales siguen siendo muy limitados al enfrentarse a tareas de razonamiento abstracto completamente nuevas y no entrenadas.
Una analogía: es como un estudiante que saca buenas notas en los exámenes, pero se queda perplejo ante tipos de preguntas que nunca ha visto. Esta brecha revela exactamente la diferencia entre una IA "que parece inteligente" y la "inteligencia general real".
Cambio de estrategia de OpenAI
Una tendencia clara de GPT-5.2 es la optimización de costes. En comparación con la generación anterior, el coste de llamada para la misma tarea ha disminuido considerablemente, mientras que la capacidad de razonamiento ha aumentado aún más.
OpenAI está siguiendo claramente dos caminos:
- Línea premium: competir por el límite absoluto de capacidad
- Línea económica: abaratar las capacidades existentes
Esta estrategia contrasta de forma interesante con el enfoque de DeepSeek de utilizar MoE para reducir costes. Uno baja los precios desde arriba, el otro sube las capacidades desde abajo – el punto de encuentro podría ser el precio de equilibrio del sector.
Para quienes siguen el progreso de la AGI, el 18% en ARC-AGI-2 es una cifra mucho más informativa que las puntuaciones de MMLU o HumanEval – porque mide directamente la capacidad de generalización, no la memoria.
Fuente de referencia: CocoLoop, blog oficial de ARC Prize, informe técnico de OpenAI