Cómo se califica a la IA en ciencia: el benchmark explicado

Hay un número que vale la pena entender: 52,6%. Eso reportó Anthropic para Claude Fable 5.1 en Terminal-Bench-Science 0.1 cuando el modelo salió el 1 de septiembre de 2026, contra 24,7% de Fable 5 y 29,0% de Opus 5. Si entiendes cómo se califica a la IA en ciencia, ese salto es interesante, pero no significa “ya la IA hace ciencia”. Es un puntaje en 70 tareas específicas, calificadas por pruebas automáticas, dentro de una terminal.

La diferencia entre esas dos lecturas es lo más útil que un papá le puede enseñar a su hijo sobre el avance de la IA.

Puntos clave

• Terminal-Bench-Science 0.1 tiene 70 tareas curadas por expertos en ciencias de la vida, físicas, de la Tierra, matemáticas e ingeniería, construidas por 376 colaboradores de 22 países.
• Las tareas corren en entornos contenedorizados y se califican con pruebas programáticas específicas sobre artefactos concretos: análisis, simulaciones, demostraciones, código y productos de datos.
• Anthropic reportó 52,6% para Claude Fable 5.1 el 1 de septiembre de 2026, contra 24,7% de Fable 5, 29,0% de Opus 5 y 22,4% de GPT-5.6 Sol; la tabla pública usa otro arnés de pruebas y por eso sus números son más bajos.
• Un puntaje de benchmark no es un resultado de investigación, como explicamos en cómo funcionan los modelos de IA. Las tareas tienen respuestas conocidas y calificadores automáticos; la ciencia real no tiene ninguna de las dos.
• Todos estos números los publica el fabricante, salvo la tabla pública, y hasta las tablas independientes dependen del arnés y del nivel de esfuerzo usado.

Cómo se califica a la IA en ciencia: qué es el benchmark

Un benchmark es un conjunto fijo de tareas con calificación automática, usado para comparar sistemas de IA en el mismo trabajo. Terminal-Bench-Science es uno de los más interesantes porque sus tareas son oficios reales de investigación, no trivia.

La versión 0.1, publicada en agosto de 2026, tiene 70 tareas escritas y revisadas por expertos en cinco grandes áreas: ciencias de la vida, físicas, de la Tierra, matemáticas y de ingeniería. Los tipos de tarea publicados se leen como la semana de un estudiante de posgrado: análisis de datos científicos, inferencia estadística, simulación, optimización, demostración de teoremas, reconstrucción de imágenes, procesamiento de señales, problemas inversos, calibración de sensores, ajuste de modelos, clasificación y aprendizaje automático científico. El proyecto reporta 376 colaboradores de 22 países, con afiliaciones como Stanford, el Laude Institute, Stanford HAI y el Allen Institute for AI.

Dos decisiones de diseño lo vuelven creíble. Primero, el agente trabaja en un entorno real con terminal, no en un formulario de opción múltiple: tiene que ejecutar código de verdad. Segundo, la calificación es programática y específica de cada tarea, no un modelo de lenguaje juzgando el ensayo de otro modelo. Un puntaje significa que una prueba pasó, no que la respuesta sonaba bien.

Qué significa 52,6% y la trampa del arnés

El lanzamiento de Claude Fable 5.1, el 1 de septiembre de 2026, reportó 52,6% en Terminal-Bench-Science 0.1, con Fable 5 en 24,7%, Opus 5 en 29,0% y GPT-5.6 Sol en 22,4%. Más o menos el doble de la generación anterior.

Ahora la trampa, porque es justo donde los papás se pierden. La tabla pública de Terminal-Bench-Science listó a Claude Opus 5 con Claude Code en 30,0%, a GPT-5.6 Sol con Codex en 22,4% y a Claude Fable 5 con Claude Code en 21,4%. Son más bajos que los números de Anthropic para los mismos modelos porque un puntaje depende del arnés (el andamiaje de software donde corre el modelo), del nivel de esfuerzo o razonamiento y de cuántos intentos se permiten. La cobertura de VentureBeat lo dijo directo: son “resultados reportados por el proveedor y no prueba independiente de superioridad”, y “los resguardos de producción pueden afectar los puntajes”.

Así que la frase honesta es: en este benchmark, con el arnés de Anthropic y esfuerzo alto, Fable 5.1 resolvió algo más de la mitad de 70 tareas de investigación escritas por expertos, cerca del doble de lo que lograba la generación anterior. Es una mejora real y grande. También es una oración con cuatro condiciones dentro, y las condiciones son la lección.

Dónde la IA sí produjo ciencia y dónde no

Los benchmarks son aproximaciones. El registro de resultados reales es más mixto, y más interesante.

Del lado positivo hay logros documentados. Un resultado de OpenAI del 20 de mayo de 2026 refutó una conjetura de Erdős de 1946 en geometría discreta con una demostración de 125 páginas, tomando maquinaria de la teoría algebraica de números; el mismo texto aclaró que el modelo acertaba solo en cerca del 50% de las corridas repetidas, y que afirmaciones anteriores de “resolver problemas de Erdős” resultaron ser redescubrimientos de literatura existente. En el Boston Children’s Hospital, o3 Deep Research de OpenAI ayudó a esclarecer 18 diagnósticos de enfermedades raras. En materiales, el proyecto GNoME predijo 2,2 millones de estructuras, de las cuales unas 380.000 se marcaron estables y 736 se sintetizaron de verdad: un embudo que vale mirar fijo, porque el 0,03% de las predicciones se volvió material real.

Del lado negativo, las fallas también están documentadas. La Facultad de Derecho de UC Berkeley prohibió la IA en exámenes y trabajos calificados en mayo de 2026 después de citas inventadas. Y el propio Proyecto Glasswing de Anthropic, el programa de seguridad con modelos Mythos restringidos, mostró que los socios encontraron más de 10.000 vulnerabilidades de severidad alta mientras los críticos contaron apenas 10% divulgadas y menos del 1% corregidas en septiembre. Encontrar es más fácil que terminar.

Las dos columnas importan. Un chico que solo escucha los logros aprende hype; uno que solo escucha las fallas aprende cinismo. La habilidad real es leer las condiciones.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: el dictado que no es de ortografía

Dale diez palabras para escribir y dile que sacó 70%. Ahora pregúntale: ¿ese 70% significa que sabes el 70% de todas las palabras del mundo? Va a decir no, rapidísimo. Explícale que a las computadoras las prueban igual: alguien elige las preguntas y el puntaje habla solo de esas preguntas. Ahí está la idea completa de un benchmark, y un niño de seis años la sostiene.

De 9 a 12 años: construir un benchmark y romperlo

Que tu hijo escriba cinco “tareas” para probar a un hermano o a un papá, con hoja de respuestas. Después que note los dos problemas que tiene todo benchmark: algunas tareas son más fáciles que otras, y la persona evaluada pudo haber visto las respuestas antes. Háganlo dos veces, una en frío y otra después de que el evaluado espiara. Ese cambio de puntaje es lo que los investigadores llaman contaminación.

De 13 en adelante: leer la letra chica de un resultado real

Dale a tu adolescente la cifra de 52,6% y pídele que liste todo lo que necesitaría saber antes de confiar en ella. Una buena lista incluye: cuántas tareas, quién las escribió, quién calificó, cuál arnés, qué nivel de esfuerzo, cuántos intentos, quién publicó el número y cuánto sacó el mismo modelo en una tabla independiente. Después muéstrale que la tabla pública listó 21,4% y 30,0% para configuraciones muy parecidas. Ver a un adolescente deducir por qué los dos números pueden ser honestos vale más que un semestre de “desconfía de la IA”.

La pregunta que debes hacer: “Si un modelo saca 52,6% en 70 tareas científicas, ¿qué te dice el otro 47,4% y qué es lo que el benchmark no mide en absoluto?”

Leer una tabla de benchmarks sin caer

Benchmark	Qué mide	Claude Fable 5.1 (reportado por Anthropic)	Qué no te dice
Terminal-Bench-Science 0.1	70 tareas de investigación escritas por expertos, en terminal	52,6%	Si el trabajo pasaría una revisión por pares
Terminal-Bench 4.0	Tareas generales de agentes en terminal	55,8% (Mythos 5.1: 60,9%)	Cómo se comporta con una herramienta desconocida
CursorBench 3.2.0	Trabajo real de asistente de programación	73,4%	Calidad del código a lo largo de meses de mantenimiento
Humanity’s Last Exam	Preguntas difíciles de nivel experto	60,9% sin herramientas, 65,0% con	Nada sobre investigar, solo sobre responder
AutomationBench	Automatización de flujos de trabajo	31,4%	Confiabilidad en tu flujo específico
OSWorld 2.0	Operar una computadora	41,7% estricto	Si puede recuperarse de un error que él mismo causó

La columna de la derecha es la que hay que leer con un adolescente. Todo benchmark tiene un alcance, y el alcance siempre es más angosto que el titular.

¿Y en América Latina?

Hay una parte de esta historia que sí incluye a la región, y vale nombrarla: los 376 colaboradores de 22 países que escribieron estas tareas entraron por un proceso abierto. Un estudiante de posgrado en Chile, Brasil o Colombia puede proponer una tarea de su propio campo y quedar dentro del benchmark con el que se mide a los modelos más grandes del mundo. Es una de las poquísimas partes de la infraestructura de IA donde la puerta está abierta sin presupuesto.

La otra cara es la educativa. PISA 2025, publicado el 8 de septiembre de 2026, mostró que ciencias se mantuvo estable entre 2022 y 2025 mientras lectura y matemáticas cayeron; Infobae reportó que Uruguay logró su mejor resultado histórico en ciencias y Brasil subió a 409 puntos, seis más que en 2022. Es la asignatura donde la región no retrocedió. Si tu hijo tiene interés científico, ese dato importa: el terreno está menos dañado de lo que sugieren los titulares, y las habilidades que este benchmark automatiza (limpiar datos, ajustar modelos, calibrar sensores) son exactamente las que se aprenden con una feria de ciencias bien hecha o con un proyecto práctico de circuitos.

Qué observar en los próximos 3 meses

• Semana 4: La próxima vez que tu hijo cite una capacidad de la IA, pídele el nombre del benchmark. Si no hay uno, eso también es información.
• Señales de alerta en el mes 2: Tratar un puntaje como medida de confiabilidad; suponer que un modelo bueno en código es bueno razonando en laboratorio; citar un número del fabricante como si fuera independiente.
• Autoevaluación del mes 3: Terminal-Bench-Science está creciendo hacia más de 100 tareas. Cuando salga una versión nueva, los puntajes se van a mover y los fabricantes van a publicar récords. Pregúntale a tu hijo si mejoró el modelo o cambió la prueba.

Preguntas frecuentes

¿Qué es Terminal-Bench-Science?

Un benchmark de 70 tareas de investigación científica curadas por expertos que los agentes de IA realizan en un entorno contenedorizado con terminal, en ciencias de la vida, físicas, de la Tierra, matemáticas e ingeniería. La calificación es programática y específica de cada tarea.

¿Qué significa 52,6% exactamente?

Que Claude Fable 5.1 completó con éxito el 52,6% de las tareas de Terminal-Bench-Science 0.1 en el arnés de pruebas de Anthropic, contra 24,7% de Fable 5 y 29,0% de Opus 5. La tabla pública lista cifras más bajas para configuraciones relacionadas, porque el puntaje depende del arnés y del esfuerzo.

¿Esto significa que la IA ya hace ciencia?

No. Significa que los agentes pueden completar cerca de la mitad de un conjunto fijo de oficios de investigación bien especificados, con respuestas conocidas y calificadores automáticos. La ciencia real incluye elegir la pregunta, diseñar el experimento y juzgar si un resultado es creíble, y el benchmark no mide nada de eso.

¿Por qué distintas fuentes reportan puntajes distintos del mismo modelo?

Porque un benchmark mide un modelo más su arnés, su nivel de esfuerzo y su número de intentos. Anthropic reportó 52,6% para Fable 5.1; la tabla pública listó 21,4% para Fable 5 con Claude Code y 30,0% para Opus 5. Las dos pueden ser mediciones correctas de configuraciones distintas.

¿Mi hijo debería seguir estudiando ciencias si la IA sigue mejorando?

Las tareas del benchmark son la parte rutinaria de la investigación: limpiar datos, ajustar modelos, calibrar. Si eso se automatiza, el valor humano se mueve a elegir la pregunta, diseñar el experimento y verificar. Es un argumento para enseñar esas habilidades con más fuerza, no para saltárselas.

¿Hay una tabla independiente que pueda revisar?

Sí. Terminal-Bench publica resultados en tbench.ai y Snorkel AI mantiene una vista de tabla. Lee la columna del arnés junto con el puntaje: la configuración importa tanto como el nombre del modelo.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Terminal-Bench. (2026, agosto). “Terminal-Bench-Science 0.1.” https://www.tbench.ai/news/terminal-bench-science-0-1
2. VentureBeat. (2026, 1 de septiembre). “Anthropic’s Claude Fable 5.1 and Mythos 5.1 arrive with a 75% cost reduction for Fable cache reads.” https://venturebeat.com/technology/anthropics-claude-fable-5-1-and-mythos-5-1-arrive-with-a-75-cost-reduction-for-fable-cache-reads
3. Anthropic. (2026, 1 de septiembre). “What’s new in Claude Fable 5.1.” https://platform.claude.com/docs/en/models/fable-5-1/whats-new-fable-5-1
4. OpenAI. (2026, 20 de mayo). “A model disproves a discrete geometry conjecture.” https://openai.com/index/model-disproves-discrete-geometry-conjecture/
5. Quanta Magazine. (2026, 3 de agosto). “Why the legendary Erdős problems are falling to AI.” https://www.quantamagazine.org/why-the-legendary-erdos-problems-are-falling-to-ai-20260803/
6. NBC News. (2026). “AI helped Boston Children’s Hospital diagnose rare diseases in kids.” https://www.nbcnews.com/tech/innovation/ai-boston-childrens-hospital-diagnose-rare-diseases-kids-openai-rcna350387
7. OCDE. (2026, 8 de septiembre). “PISA 2025: Students’ reading and mathematics performance declined sharply across the OECD.” https://www.oecd.org/en/about/news/press-releases/2026/09/pisa-2025-students-reading-and-mathematics-performance-declined-sharply-across-the-oecd.html
8. Infobae. (2026, 8 de septiembre). “Pruebas PISA: los países de América Latina profundizan su retroceso educativo.” https://www.infobae.com/america/america-latina/2026/09/08/pruebas-pisa-los-paises-de-america-latina-profundizan-su-retroceso-educativo/