Artificial Analysis Decision Index v2: la confianza de los modelos de decisión entra en la puntuación, con Claude Haiku 5.5 y GPT-6 Luna en cabeza
Artificial Analysis publica la segunda versión de su índice de modelos de decisión: una puntuación que premia la precisión y la calibración, un 45% de datos privados y una nueva prueba sobre 1 500 documentos. Tres modelos especializados se sitúan a un punto de distancia en cabeza, por detrás de Claude Haiku 5.5 y GPT-6 Luna, mucho más lentos y caros.
Un modelo de decisión no redacta: elige entre opciones fijas (enrutar un tique, aceptar un CV, invocar una herramienta) y asigna una probabilidad a cada una en una sola llamada. Artificial Analysis acaba de publicar la segunda versión de su índice dedicado a estos modelos, anunciada en X en la noche del 8 al 9 de noviembre. El cambio de fondo: la puntuación tiene en cuenta la precisión y la confianza.
Una puntuación que castiga el exceso de seguridad
Hasta ahora, se contaban sobre todo las respuestas correctas. El nuevo Decision Score examina también la probabilidad que el modelo atribuye a su respuesta. Una respuesta correcta vale entre 50 y 100 puntos, una incorrecta entre 50 y 0: un modelo seguro y acertado obtiene 100, un modelo seguro y equivocado obtiene 0. La metodología explica el motivo: en producción, una respuesta solo se aplica si la confianza supera un umbral; de lo contrario, se deriva a un humano o a un modelo más potente. La puntuación calcula el promedio de esta ganancia en todos los umbrales posibles.
El índice también cambia de pruebas. AA-Paperclip (30% del total), un conjunto privado de 1 500 documentos (CV, recibos y facturas, artículos de investigación), exige cinco decisiones y diez extracciones por documento; el documento solo se considera correcto si las 15 respuestas lo son. AA-Symmetry (15%) plantea 120 preguntas bajo 440 formulaciones equivalentes para verificar que un modelo no cambie de opinión al reordenar las opciones o al invertir una pregunta de sí/no. WildGuardTest, considerado saturado, desaparece. Según Artificial Analysis, el 45% del índice se basa ahora en datos privados, frente al 25% en la v1, para limitar la optimización sobre pruebas públicas.
Tres especialistas en un punto, dos generalistas por delante
Entre los modelos de decisión, tres nombres se sitúan a un punto de distancia: Drex Max v1.1 (Nace AI) y GLiDE v1.2 (Fastino Labs) con 73, y Mammoth 27B (Base Labs) con 72. Los grandes modelos de lenguaje, evaluados para que también asignen una probabilidad por opción, obtienen mejores resultados: Claude Haiku 5.5 (Max) con 77 y GPT-6 Luna (Max) con 76.
La diferencia se paga en otros aspectos. Para un millón de tareas, GPT-6 Luna (Max) cuesta 1 530 $ y Claude Haiku 5.5 (Max) 6 240 $, frente a 102 $ para Drex Max v1.1 y 14 $ para Celeris-1.1 Decision. Además, Luna necesita 11,34 s por tarea y Haiku 32,65 s, frente a los 275 ms de Drex Max y los 56 ms de Celeris. El precio por token no lo dice todo: GLiDE v1.2 factura el documento en cada pregunta, lo que eleva su coste a 780 $ por millón de tareas, casi ocho veces más que Drex Max a pesar de tener tarifas públicas solo un 33% más altas.
Las limitaciones a tener en cuenta
Ambas versiones no son comparables: la puntuación, las pruebas y las ponderaciones han cambiado. Una parte del índice depende de otros modelos: en EvalSafe-O*NET-AA, que carece de una respuesta correcta objetiva, la referencia es el consenso entre GPT-6 Astra y Claude Fable 5.1. Por último, bajo el anuncio en LinkedIn, un comentario escrito en nombre del equipo de GLiDE asegura que ya existe una versión más potente que la evaluada, sin que esto haya sido verificado.
Nuestro análisis
Para los equipos que orquestan agentes, esta v2 mide por fin lo que realmente importa en producción: saber cuándo un modelo puede decidir por sí solo y cuándo debe delegar. El resultado más revelador no es la clasificación, sino la brecha en costes y latencias: unos pocos puntos más de nota en los generalistas a cambio de facturas entre quince y sesenta veces más altas y respuestas en segundos en vez de milisegundos. Para tareas de enrutamiento o clasificación a gran volumen, los modelos pequeños especializados siguen siendo la opción racional; no obstante, conviene probarlos con datos propios, ya que cualquier índice, incluso parcialmente privado, no deja de ser el de una sola entidad.
Fuentes
- Artificial Analysis — Decision Index v2 (página de resultados) Fuente primaria
- Artificial Analysis — metodología del Decision Index Fuente primaria
- Artificial Analysis en X — anuncio del Decision Index v2 (8 de noviembre de 2026) Fuente primaria
- Artificial Analysis en LinkedIn — Introducing the Artificial Analysis Decision Index v2 Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
