Muse Spark de Meta lo cambia todo

Meta sorprendió a la industria de la IA con la aparición repentina y poderosa de Muse Spark, señalando una reentrada agresiva en la competencia de IA de vanguardia. Este modelo innovador rompe las percepciones de la trayectoria reciente de IA de Meta, marcando un giro decisivo de su estrategia de código abierto de larga data a un desafío directo contra los titanes de la industria. Muse Spark posiciona a Meta no solo como un participante, sino como un contendiente formidable en la carrera por la inteligencia artificial general avanzada.

Este lanzamiento fundamental representa el primer resultado importante de los recién establecidos Meta Superintelligence Labs, presentando el modelo inaugural de la ambiciosa "familia Muse". Los laboratorios dedicados subrayan el compromiso de Meta con el desarrollo de IA propietaria y de vanguardia, yendo más allá del enfoque colaborativo y impulsado por la comunidad que definió sus éxitos anteriores con modelos como Llama. Este cambio indica una profunda repriorización interna hacia la construcción de capacidades de primer nivel y de código cerrado.

Durante años, Meta defendió la IA de código abierto, democratizando el acceso a modelos potentes como Llama 4 Maverick y fomentando un ecosistema de desarrolladores vibrante. Muse Spark altera drásticamente este panorama estratégico, demostrando una clara intención de invertir fuertemente en modelos propietarios de alto rendimiento. Esta nueva dirección permite a Meta salvaguardar sus innovaciones y aprovecharlas exclusivamente dentro de su vasta cartera de productos, asegurando una ventaja competitiva.

Muse Spark llega como un auténtico modelo de clase frontera, diseñado específicamente para competir directamente con modelos como GPT-5.4 de OpenAI, Gemini 3.1 Pro Preview de Google y Claude Opus 4.6 de Anthropic. Su arquitectura multimodal nativa, construida desde cero para comprender video, imágenes, audio y texto, lo distingue de los modelos que simplemente unen modalidades. Este diseño integrado impulsa su impresionante rendimiento en diversos puntos de referencia.

En el Artificial Analysis Intelligence Index, Muse Spark obtiene una sólida puntuación de 52, lo que lo sitúa firmemente entre los cinco mejores modelos a nivel mundial. Si bien está por detrás de Gemini 3.1 Pro Preview, GPT-5.4 y Claude Opus 4.6 en este índice completo, sus puntos fuertes en visión y procesamiento de datos en tiempo real son particularmente notables. El debut de Muse Spark establece firmemente a Meta como un actor importante, que ya no se contenta con simplemente facilitar la revolución de la IA, sino que está decidido a liderarla.

Muse Spark de Meta se distingue por su multimodalidad nativa, un diseño arquitectónico construido desde cero para procesar y comprender simultáneamente diversos tipos de datos. A diferencia de muchos modelos competidores que "unen" componentes separados para diferentes modalidades, Muse Spark integra video, imágenes, audio y texto en su núcleo fundamental. Este enfoque fundacional permite una comprensión mucho más cohesiva y matizada a través de entradas dispares, yendo más allá del mero procesamiento paralelo.

Esta arquitectura nativa se traduce directamente en un rendimiento superior en tareas de comprensión visual. Por ejemplo, Muse Spark analizó hábilmente un menú de pizarra particularmente desafiante de Yezzi's, descifrando con precisión la tiza manuscrita compleja, navegando por los reflejos de vidrio que distraen y distinguiendo múltiples secciones distintas con precios variables. Esta sólida capacidad posiciona a Muse Spark como el segundo modelo de visión más capaz evaluado por Artificial Analysis.

Fundamentalmente, Muse Spark extiende esta comprensión sofisticada al contenido de video dinámico, una capacidad aún notablemente rara incluso entre los modelos de lenguaje grandes más avanzados. El modelo procesa no solo información visual estática, sino también secuencias temporales y audio asociado, proporcionando un análisis contextual que va mucho más allá de la simple interpretación de imágenes. Esta capacidad de interpretar escenas e interacciones en evolución representa un avance significativo para las aplicaciones de IA en el mundo real.

La verdadera multimodalidad conlleva profundas implicaciones prácticas, permitiendo a la IA interactuar con el mundo de formas sin precedentes. Meta demostró la capacidad de Muse Spark para analizar el contenido de un refrigerador directamente desde una transmisión de video, generando consejos de salud personalizados y sugiriendo superposiciones interactivas para la planificación dietética. Este profundo razonamiento de salud se evidencia aún más por su impresionante puntuación de 42.8 en HealthBench Hard, superando sustancialmente a rivales como Gemini 3.1 Pro (20.6) y GPT-5.4 (40.1), un logro que surge del entrenamiento con más de 1,000 médicos.

Una comprensión tan completa e integrada abre vastas nuevas vías para asistentes de IA intuitivos y potentes. Imagine el análisis en tiempo real del dibujo de un niño, generando inmediatamente historias interactivas, o brindando soporte técnico en vivo interpretando la actividad de la pantalla y los comandos de voz de un usuario simultáneamente. La eficiencia de Muse Spark, utilizando solo 58 millones de tokens de salida para lograr sus resultados, subraya aún más la naturaleza avanzada de su diseño multimodal.

Muse Spark afirma inmediatamente la renovada ambición de IA de Meta, posicionándose directamente en el nivel superior de los modelos de frontera. En el exhaustivo Artificial Analysis Intelligence Index, Muse Spark obtiene una puntuación de 52, asegurando un lugar entre los 5 primeros a nivel mundial. Esto lo sitúa justo detrás de líderes establecidos como Gemini 3.1 Pro Preview, GPT-5.4 y Claude Opus 4.6, lo que indica una formidable entrada competitiva de Meta Superintelligence Labs.

Su arquitectura multimodal nativa se traduce directamente en un rendimiento sobresaliente en diversos tipos de datos. Muse Spark se clasifica como el segundo modelo de visión más capaz evaluado por Artificial Analysis, destacando incluso con entradas desafiantes. Por ejemplo, interpreta con precisión menús complejos escritos a mano con tiza, navegando por reflejos y secciones de precios variados con una precisión notable donde los rivales fallan.

Un logro destacado reside en su experiencia especializada en el dominio. Muse Spark domina el benchmark HealthBench Hard, obteniendo una impresionante puntuación de 42.8. Esto supera significativamente a sus competidores, incluidos Gemini 3.1 Pro (20.6) y GPT-5.4 (40.1), un resultado directo del entrenamiento con más de 1,000 médicos colaboradores. Esta capacidad especializada subraya su potencial para aplicaciones transformadoras en campos médicos.

Más allá de la visión, Muse Spark demuestra sólidas habilidades de razonamiento y seguimiento de instrucciones. Logró un 39.9% en Humanity's Last Exam (HLE), siguiendo de cerca a Gemini 3.1 Pro Preview (44.7%) y GPT-5.4 (41.6%). Además, obtuvo la quinta puntuación más alta en CritPT, un benchmark centrado en preguntas difíciles de investigación en física, demostrando su destreza en la investigación científica compleja.

A pesar de estas impresionantes ganancias, Muse Spark presenta áreas de mejora, lo que garantiza una perspectiva equilibrada. Actualmente, se queda atrás en tareas de razonamiento altamente abstracto, como el benchmark ARC-AGI-2, donde otros modelos demuestran una ligera ventaja. El enfoque de Meta en la eficiencia multimodal, incluida su notable token efficiency, sugiere que futuras iteraciones probablemente abordarán estas brechas específicas, solidificando aún más su posición de vanguardia. Para una inmersión más profunda en sus capacidades, los lectores pueden explorar Presentamos Muse Spark: El modelo más potente de Meta hasta la fecha.

Muse Spark de Meta introduce una metodología de entrenamiento revolucionaria: thought compression. Esta técnica novedosa redefine fundamentalmente cómo los large language models aprenden a razonar, priorizando la eficiencia y la concisión en sus procesos internos, un avance crítico para la AI de frontera.

El concepto detrás de thought compression es contraintuitivo pero profundamente efectivo. Durante su extenso entrenamiento, Meta penaliza explícitamente a Muse Spark por generar un número excesivo de internal tokens necesarios para "pensar" o llegar a una solución. Esta restricción deliberada e impuesta obliga al modelo a desarrollar vías de razonamiento increíblemente concisas y potentes, eliminando sistemáticamente pasos computacionales superfluos y representaciones internas redundantes. Se trata de lograr el mismo resultado de alta calidad con una fracción de la carga mental.

Considere la vívida analogía presentada en el video: imagine a un escritor hábil encargado de condensar un extenso ensayo académico de 2,000 palabras en un resumen ejecutivo conciso e impactante de 500 palabras. La inmensa presión para economizar palabras conduce a un argumento más refinado, directo y, en última instancia, más efectivo. Muse Spark se somete a una disciplina cognitiva rigurosa similar, lo que obliga a sus procesos de pensamiento internos a volverse extraordinariamente optimizados y eficientes, haciendo que cada "thought" token cuente.

Esta eficiencia sin precedentes se traduce directamente en una enorme ventaja económica para Meta, redefiniendo la economía del despliegue de AI a gran escala. Al entrenar modelos para "pensar" con menos internal tokens, Muse Spark se vuelve significativamente más barato y rápido de operar a escala en toda la infraestructura global de Meta. Esto permite a la compañía implementar capacidades de AI más sofisticadas y de alto rendimiento — desde mejorar las experiencias en redes sociales hasta impulsar aplicaciones de metaverse de próxima generación — sin incurrir en los costos computacionales prohibitivos típicamente asociados con los modelos de frontera. Esta innovación asegura que Meta pueda mantener una ventaja competitiva, entregando servicios avanzados de AI globalmente con una optimización de recursos sin igual, democratizando el acceso a una inteligencia potente.

La división de AI de Meta llevó a cabo una revisión radical de nueve meses de todo su pipeline de entrenamiento, culminando en la eficiencia sin precedentes de Muse Spark. Esta reingeniería intensiva, anclada en la novedosa técnica de 'thought compression', reformuló fundamentalmente cómo Meta construye y escala sus large language models. El esfuerzo sostenido implicó optimizar todo, desde la curación de datos y la arquitectura del modelo hasta los algoritmos de entrenamiento distribuido, produciendo un modelo que ofrece un rendimiento de primer nivel con una sobrecarga computacional significativamente menor.

Un nuevo gráfico interno de 'escalera de escalado' ilustra vívidamente este cambio dramático en la utilización de recursos. Revela que Muse Spark alcanza puntos de referencia de rendimiento que anteriormente exigían de 3 a 10 veces más computación de modelos frontera competidores en el Artificial Analysis Intelligence Index. Esta ganancia de eficiencia no es meramente incremental; redefine la curva de costo-rendimiento para el desarrollo avanzado de IA, haciendo que los modelos de alta capacidad sean más accesibles y sostenibles de implementar a escala.

Internamente, Muse Spark representa un salto aún más asombroso para Meta. El modelo cuenta con una ventaja de computación de 10x sobre su predecesor inmediato, Llama 4 Maverick, un testimonio de las profundas mejoras en la investigación fundamental de IA de Meta. Esta mejora interna masiva subraya el éxito de la estrategia de Meta para optimizar su infraestructura de IA y metodologías de entrenamiento, yendo más allá del escalado por fuerza bruta hacia un desarrollo de modelos inteligente y consciente de los recursos.

Esta eficiencia recién descubierta proporciona a Meta una ventaja estratégica crítica en la ferozmente competitiva carrera de la IA. La compañía ahora puede entrenar modelos superiores por sustancialmente menos dinero, optimizando sus vastos clústeres de GPU y reduciendo significativamente los costos operativos asociados con el desarrollo de IA a gran escala. Alternativamente, Meta puede optar por iterar sobre arquitecturas completamente nuevas y direcciones de investigación de vanguardia a un ritmo significativamente más rápido que sus rivales, acelerando la innovación y solidificando su posición entre la élite de la IA.

Muse Spark de Meta introduce el Contemplating Mode, una característica pionera única entre los grandes modelos de lenguaje comerciales. Esta capacidad sin precedentes orquesta múltiples agentes de IA, estableciendo un 'consejo de modelos' dinámico para el razonamiento paralelo y la resolución mejorada de problemas. Marca la primera vez que un mecanismo agéntico de este tipo se ha integrado directamente en un LLM listo para producción.

En Contemplating Mode, Muse Spark activa una serie de agentes de IA especializados, cada uno asignado para analizar un problema desde diferentes ángulos. Estos agentes luego colaboran, combinando sus conocimientos individuales y esfuerzos de razonamiento en un juicio único y refinado. Esta arquitectura está diseñada específicamente para manejar consultas de razonamiento científico altamente complejas, donde la comprensión matizada y el análisis multifacético son críticos.

Los resultados son sorprendentes: el Contemplating Mode de Muse Spark alcanza un punto de referencia de última generación del 38.3% en Frontier Science Research. También obtuvo un impresionante 39.9% en Humanity's Last Exam (HLE), situándose solo tres puntos por debajo del 41.6% logrado por GPT-5.4 Pro. Estas puntuaciones posicionan a Muse Spark como un formidable competidor frente a los modelos de razonamiento extremo de DeepMind y OpenAI, demostrando su capacidad para tareas analíticas avanzadas.

Esta colaboración multiagente no solo produce una precisión superior, sino también una mayor eficiencia de tokens en comparación con los enfoques de un solo agente. Las pruebas revelan una clara escalera de escalado: la precisión aumenta consistentemente a medida que el número de agentes que orquestan dentro del Contemplating Mode crece de uno, a dos, cuatro y hasta dieciséis, optimizando el uso de recursos mientras se maximiza el rendimiento.

Dado el éxito de Muse Spark, los sistemas multiagente están a punto de convertirse en el nuevo estándar arquitectónico para la IA de frontera. Este paradigma colaborativo ofrece un camino claro para que los modelos aborden problemas cada vez más complejos, especialmente a medida que las capacidades de los modelos individuales alcanzan mesetas similares. Para obtener más información sobre las capacidades de Muse Spark y cómo acceder a él, consulte Mark Zuckerberg anuncia Muse Spark, un nuevo modelo de IA de Meta: Cómo probarlo, resultados de benchmark | Mashable.

Muse Spark se labra un nicho estratégico en los dominios críticos de la atención médica y las ciencias de la vida, lo que indica la ambición de Meta de dominar las verticales de IA especializadas. Esta fortaleza dirigida proviene de una colaboración sin precedentes: Meta se asoció con más de 1,000 médicos y expertos médicos para seleccionar un vasto conjunto de datos de capacitación de alta calidad y robustez fáctica. Esta base de datos rigurosa y dirigida por expertos garantiza que los resultados de Muse Spark no solo sean precisos, sino también clínicamente relevantes, yendo más allá del conocimiento general hacia una comprensión médica precisa.

En el exigente benchmark HealthBench Hard, Muse Spark logró una puntuación dominante de 42.8, estableciendo una ventaja estratégica clara sobre sus pares. Esta cifra supera significativamente a los principales competidores, con Gemini 3.1 Pro obteniendo 20.6 y GPT-5.4 un 40.1. Tal ventaja sustancial subraya las capacidades superiores de razonamiento y recuperación de hechos de Muse Spark dentro de contextos médicos complejos, validando la metodología de entrenamiento enfocada de Meta y la inversión en datos especializados.

Este enfoque estratégico permite aplicaciones prácticas notables, democratizando el acceso a información de salud compleja. Aprovechando su multimodalidad nativa, Muse Spark puede analizar con precisión imágenes de alimentos, detallando su contenido nutricional, recuento de calorías y ofreciendo orientación dietética personalizada. De manera similar, se destaca en explicar la musculatura precisa involucrada durante ejercicios específicos, brindando a los usuarios información anatómica detallada para optimizar sus rutinas de ejercicio y prevenir lesiones.

Más allá de las utilidades orientadas al consumidor, las capacidades de Muse Spark se extienden a la exploración científica avanzada. Su "Contemplating Mode", una característica pionera diseñada para el razonamiento científico complejo, lo posiciona como una herramienta indispensable para la investigación y el desarrollo en biología, farmacología y diagnóstico clínico. Este modo orquesta múltiples agentes para razonar en paralelo, mejorando la precisión y la eficiencia para consultas científicas desafiantes.

Meta no solo está reingresando a la carrera de la IA de frontera; está redefiniendo estratégicamente la meta en sectores críticos como la atención médica. Muse Spark representa un cambio profundo hacia una IA especializada y de alta fidelidad, preparada para revolucionar la forma en que accedemos e interactuamos con el conocimiento científico y de la salud.

Meta está implementando Muse Spark en todo su ecosistema, incrustando el modelo de frontera directamente en manos de miles de millones. Los usuarios pronto experimentarán sus capacidades avanzadas integradas sin problemas en las plataformas principales: - WhatsApp - Instagram - Facebook - Messenger - Meta AI glasses

Este despliegue generalizado asegura que el poder de Muse Spark se extienda mucho más allá de los simples chatbots, cambiando fundamentalmente la forma en que los usuarios interactúan con la vasta gama de plataformas de Meta. La multimodalidad nativa del modelo impulsará una nueva era de experiencias digitales personalizadas, dinámicas e intuitivas, haciendo de la AI un asistente invisible pero poderoso en la vida diaria.

Considere aplicaciones creativas como visual coding, una característica destacada. Muse Spark permite a los usuarios generar sitios web y minijuegos completos y funcionales a partir de indicaciones textuales básicas o incluso entradas de imágenes simples. Esta capacidad reduce drásticamente la barrera de entrada para la creación de contenido, permitiendo a los individuos transformar ideas abstractas en productos digitales tangibles con una facilidad y velocidad sin precedentes.

Imagine a un usuario dibujando el diseño de un sitio web en una servilleta o describiendo un concepto de juego simple; Muse Spark puede interpretar estas entradas matizadas y renderizar experiencias totalmente codificadas e interactivas. Esto cambia el paradigma de la programación compleja a la interacción intuitiva en lenguaje natural, democratizando el desarrollo web y de juegos para millones.

Anticipe un revolucionario Shopping Mode, que aprovecha la profunda comprensión de Muse Spark del contenido visual y textual a través de los gráficos sociales de Meta. Esta característica analizará la actividad del usuario y las preferencias expresadas en Instagram y Threads, proporcionando recomendaciones de productos hiperpersonalizadas. Por ejemplo, la AI podría comprender la estética de un usuario a partir de sus publicaciones de moda guardadas o imágenes de decoración del hogar preferidas, y luego sugerir artículos que se alineen perfectamente con su estilo y necesidades únicos, yendo mucho más allá de los motores de recomendación actuales, a menudo genéricos.

Estas no son solo ambiciosas integraciones futuras o demostraciones hipotéticas. Muse Spark está en vivo y accesible para los usuarios ahora mismo. Cualquiera puede experimentar su destreza multimodal en meta.ai y a través de la aplicación dedicada Meta AI, ofreciendo un vistazo tangible al futuro inmediato impulsado por la AI de Meta y su compromiso con la accesibilidad generalizada en toda su base de usuarios global.

La introducción de Muse Spark por parte de Meta marca un giro dramático de su anterior estrategia de código abierto para grandes modelos de lenguaje. Durante años, la serie Llama definió el enfoque de Meta, fomentando un ecosistema expansivo de investigadores y desarrolladores con sus lanzamientos de pesos abiertos. Muse Spark, en marcado contraste, llega como un sistema cerrado y propietario, lo que señala una reevaluación fundamental de cómo Meta pretende competir en la frontier of AI. Este movimiento cierra el acceso al trabajo más avanzado de Meta, priorizando el control sobre el desarrollo colaborativo.

Este cambio estratégico subraya inequívocamente los costos crecientes y las apuestas intensamente competitivas en la carrera global hacia la Artificial General Intelligence (AGI). Desarrollar y entrenar un modelo nativamente multimodal como Muse Spark, equipado con características novedosas como 'Contemplating Mode' y 'thought compression', exige recursos computacionales monumentales y talento especializado. La decisión de Meta de mantener su joya de la corona en secreto refleja un movimiento calculado para proteger sus importantes inversiones en I+D y mantener una ventaja competitiva decisiva contra rivales como OpenAI, Google y Anthropic, quienes también protegen sus modelos más avanzados.

La llegada de Muse Spark no es simplemente el lanzamiento de un producto; es una declaración definitiva de la intención de Meta de liderar, no solo de participar. Con el modelo posicionándose firmemente entre los 5 primeros en el Artificial Analysis Intelligence Index, Meta se posiciona claramente a la vanguardia de la innovación en AI. Esta postura propietaria asegura que Meta retenga el control total sobre la evolución de Muse Spark, su implementación segura y la valiosa propiedad intelectual generada a partir de sus avances arquitectónicos de vanguardia, incluida su eficiencia sin precedentes.

La medida se alinea directamente con la ambiciosa visión a largo plazo de Mark Zuckerberg de construir una "superinteligencia personal" que se integre sin problemas en la vida diaria de los usuarios. El despliegue planificado de Muse Spark en todo el ecosistema de Meta —WhatsApp, Instagram, Facebook, Messenger y gafas de IA— demuestra una estrategia de integración omnipresente. Al controlar esta IA fundamental, Meta asegura una experiencia de IA cohesiva, potente y con la marca única de Meta, cumpliendo la promesa de Zuckerberg de un agente inteligente que comprende y mejora cada faceta de la interacción digital. Este enfoque de modelo cerrado es ahora crítico para que Meta cure, asegure y, en última instancia, monetice este futuro de IA profundamente integrado, asegurando su liderazgo en el mercado a medida que se desarrolla la AI era.

La llegada de Muse Spark remodela fundamentalmente el panorama de la IA de frontera. Meta no se ha limitado a lanzar un nuevo modelo; ha desvelado un nuevo paradigma para el desarrollo de la IA, obligando a los competidores a enfrentarse a un listón drásticamente más alto en múltiples ejes. Esto no se trata solo del rendimiento bruto, sino de *cómo* se logra ese rendimiento, enfatizando la innovación estratégica sobre la escala pura.

Los futuros modelos deben ahora competir con la multimodalidad nativa de Muse Spark, construida desde cero para procesar sin problemas video, imágenes, audio y texto. Esta ventaja arquitectónica permite un rendimiento superior en tareas complejas, evidenciado por su puntuación de 42.8 en HealthBench Hard, superando significativamente a competidores como Gemini 3.1 Pro (20.6). Su comprensión precisa de entradas visuales desafiantes, como menús de pizarra escritos a mano con reflejos, resalta aún más esta fortaleza. Además, el pionero 'Contemplating Mode' introduce sofisticados sistemas agénticos en los LLM comerciales, orquestando múltiples agentes de razonamiento paralelos para consultas científicas complejas, una característica que ahora se espera como estándar para los modelos avanzados.

La técnica de 'thought compression' de Meta, una novedosa metodología de entrenamiento, representa un milagro de eficiencia que exige una reevaluación en toda la industria. Después de una revisión exhaustiva de nueve meses de su receta de entrenamiento de IA, Muse Spark logra capacidades de primer nivel con una rentabilidad sin precedentes. Esta innovación desafía directamente las leyes de escalado predominantes de "más grande es mejor", obligando a los rivales a innovar sus propios pipelines de entrenamiento y a reevaluar sus metodologías para seguir siendo económica y tecnológicamente competitivos.

En última instancia, Muse Spark sirve como un nuevo modelo para construir IA. Prioriza la eficiencia del capital y la inteligencia integrada sobre el escalado por fuerza bruta, demostrando que un diseño arquitectónico estratégico y un entrenamiento innovador pueden producir resultados superiores con menos recursos. Este giro estratégico de Meta, pasando de Llama de código abierto a Muse Spark de código cerrado, señala una nueva era donde el diseño inteligente y eficiente dicta el liderazgo, no solo los enormes presupuestos de computación, sentando un precedente para toda la industria.

¿Qué es Meta Muse Spark?

Meta Muse Spark es un nuevo modelo de IA de clase frontera, de código cerrado, de Meta Superintelligence Labs. Está diseñado desde cero para ser nativamente multimodal, comprendiendo texto, imágenes, video y audio sin problemas.

¿En qué se diferencia Muse Spark de los modelos Llama de Meta?

A diferencia de la familia Llama de código abierto, Muse Spark es un modelo propietario y cerrado. Representa un salto masivo en capacidad y eficiencia de entrenamiento, requiriendo, según se informa, más de 10 veces menos computación que Llama 4 Maverick para un rendimiento similar.

¿Qué es el 'Contemplating Mode' en Muse Spark?

El Modo Contemplación es una característica avanzada donde Muse Spark orquesta múltiples agentes de IA para razonar en paralelo sobre un problema complejo. Este enfoque colaborativo mejora su rendimiento en tareas científicas y de razonamiento difíciles.

¿Es Muse Spark mejor que GPT-5.4 o Gemini 3.1?

Muse Spark es altamente competitivo, clasificándose entre los modelos principales. Destaca en áreas específicas como la visión, el razonamiento en salud y la eficiencia de tokens, pero actualmente está por detrás de modelos como GPT-5.4 y Gemini 3.1 en otras áreas como el razonamiento abstracto y la codificación agéntica.