🧠 ¿Cuál es el mejor modelo de lenguaje en 2025? Así se miden (y manipulan) los LLM con benchmarks

🌐 Una jungla de inteligencias artificiales

Hoy existen casi 70 modelos de lenguaje conocidos en el mercado y varios centenares si contamos los especializados. Plataformas como HuggingFace o Wikipedia reflejan el crecimiento explosivo de estos sistemas. Desde ChatGPT de OpenAI hasta Claude de Anthropic, pasando por Gemini de Google, DeepSeek R1 o Qwen de Alibaba, la competencia es feroz.

Pero con tantos LLM disponibles, ¿cómo saber cuál es mejor? ¿Y qué significa realmente «mejor»?

📊 ¿Qué es un benchmark de IA?

Los AI benchmarks o puntos de referencia son pruebas estandarizadas diseñadas para medir las capacidades de los LLM en tareas concretas, como:

• Comprensión lectora 🧾

• Razonamiento abstracto 🔍

• Programación 💻

• Generación de texto coherente ✍️

• Veracidad en las respuestas ✅

¿Cómo funcionan?

1. Material de prueba: ejercicios, textos o preguntas.

2. Modo de evaluación: zero-shot (sin ejemplos), few-shot (con pocos ejemplos), o fine-tuned.

3. Puntuación: se comparan las respuestas con las correctas y se asigna una nota.

El objetivo es medir si un modelo resuelve problemas, razona o simplemente repite patrones aprendidos.

🏆 Los benchmarks más conocidos

🔢 ¿Qué modelos obtienen las mejores puntuaciones?

• MMLU:

  • 🥇 Gemini 2.5 Pro (84.1%)

  • 🥈 GPT-o1 (83.5%)

  • 🥉 Claude 3.7 Sonnet (82.7%)

• HellaSwag:

  • 🥇 Claude 3 Opus (95.4%)

  • 🥈 GPT-4 (95.3%)

  • 🥉 Mistral Large (89.2%)

• MT-Bench:

  • 🥇 GPT-4 Turbo

  • 🥈 Otros modelos de OpenAI

  • 🥉 Mistral Medium y Claude 1

Los rankings cambian constantemente, y los resultados dependen de la potencia computacional empleada, el tipo de prueba y la metodología usada.

⚠️ ¿Son fiables los benchmarks?

Aunque útiles, los benchmarks tienen muchas limitaciones:

• 🔋 Requieren mucha potencia computacional.

• 🎯 Los modelos son entrenados para «ganar», no para razonar.

• 🧩 No miden comprensión real (falta de validez de constructo).

Un ejemplo polémico fue el caso del modelo o3 de OpenAI, que supuestamente superó la prueba ARC-AGI con un 87.5%. Pero según la experta Melanie Mitchell, el modelo no razonó: generó muchas respuestas y votó internamente por la mejor, violando el principio del test (uso limitado de recursos, sin entrenamiento específico).

🎭 Es como si un alumno diera todas las respuestas posibles al examen… y eligiera luego la correcta con ayuda externa.

🧑‍⚖️ Benchmarks con humanos: la nueva tendencia

Ante estas fallas, la evaluación humana vuelve a tomar protagonismo. Plataformas como LMArena (antes Chatbot Arena) permiten a cualquier persona comparar dos LLM de forma anónima y decidir cuál responde mejor.

• Más de 3 millones de comparaciones hasta la fecha.

• Ranking público actualizado con modelos como Gemini 2.5 Pro, GPT-4 Turbo y Claude Opus.

En campos como la medicina, ya se empieza a dejar de lado benchmarks como MedQA. Expertos proponen evaluaciones humanas basadas en juegos de rol médicos, tal como se forma a los profesionales en hospitales.

🧠 A medida que los LLM avanzan, la única forma de medir si piensan como humanos… es que los humanos lo comprueben.

🧭 ¿Cuál es el mejor LLM?

No hay una respuesta definitiva. Depende de:

• La tarea concreta (programar, resumir, razonar).

• El tipo de evaluación (benchmark técnico o juicio humano).

• Los recursos disponibles (potencia, datos, acceso).

Pero sí hay una conclusión clara: los benchmarks son útiles, pero insuficientes. Y a medida que la inteligencia artificial se hace más compleja, nos toca a nosotros decidir si realmente se está volviendo… inteligente.

Fernando Juca Maldonado

Ingeniero en Sistemas de Información y docente universitario en el área de tecnología. Especialista en el desarrollo de sitios web, plataformas e-commerce y entornos virtuales de aprendizaje basados en Moodle. Experiencia en soluciones tecnológicas aplicadas a la educación y a la transformación digital de organizaciones.

Publicaciones relacionadas:

DeepSeek y OpenAI: dos estrategias enfrentadas para conquistar la IA 🧠 El lenguaje como puerta a la singularidad: ¿traducción perfecta = inteligencia artificial general? Google Search Evoluciona con IA: ¿El Fin de los Diez Enlaces Azules? Cómo Usar ChatGPT como Buscador en Firefox | Guía Paso a Paso 🚀