Índice de inteligencia v5: por qué cambiar la vara importa

El índice de inteligencia v5 es un buen filtro y una mala autorización de compra. La vara cambió. El 27 de octubre de 2026, Artificial Analysis modificó la prueba: quien compara una nota antigua con la nueva corre el riesgo de contratar la diferencia entre dos varas, no entre dos modelos.

Datos para la decisión

• El índice de inteligencia v5 divide la nota en cuatro categorías de 25% cada una.
• Las evaluaciones con pruebas privadas o respuestas retenidas pesan 60% del total.

La vara vale para comparaciones dentro de la misma versión.

• Una nota de la v4.3 no mide el mismo conjunto que una nota de la v5.
• La nota agregada es principalmente textual y en inglés; el idioma y la modalidad se evalúan por separado.

¿Por qué el índice de inteligencia v5 cambia la compra?

El índice de inteligencia v5 exige una nueva comparación de candidatos porque Artificial Analysis cambió las pruebas y los pesos el 27 de octubre de 2026. Una nota de la v4.3 no mide el mismo conjunto que una nota de la v5. La versión va antes que el ranking.

El cambio de método del índice de inteligencia v5 es concreto. El anuncio de Artificial Analysis reparte la nota entre trabajo de conocimiento, código, ciencia y general, con 25% en cada categoría. FrontierCode 2.0 y Terminal-Bench-Science entraron con 15% cada uno; GDP.pdf bajó de 10% a 5%. GDPval-AA v2.1, SciCode y AA-LCR v1.1 salieron. HLE dejó su lugar a HLE-Diamond; AA-Omniscience pasó a la v1.1 y CritPt al subconjunto difícil privado de la v2. El 27 de octubre de 2026, Claude Opus 5.5 (max) lideraba el anuncio con 58 puntos; una actualización del 28 de octubre atribuyó 59 a Gemini 4 Carbon (high). Ningún registro comprueba el liderazgo actual. El 5 de noviembre, la metodología ya presentaba la v5.0.1, con corrección mejorada del CritPt v2 y reevaluación de los modelos en ese benchmark. La nota de la v5.0 no es necesariamente igual en la v5.0.1.

El historial del ranking de modelos de IA ayuda a separar capacidad de medición.

La vara no es la tarea.

¿Qué dicen los 60% sobre el índice de inteligencia v5?

En el índice de inteligencia v5, 60% es el peso de las evaluaciones con conjuntos de prueba privados o respuestas retenidas, no la proporción de preguntas íntegramente privadas o inéditas. El número no prueba ausencia de contaminación. Tampoco reproducción completa por parte de un comprador.

La metodología de inteligencia del índice de inteligencia v5, en la versión v5.0.1, distingue lo que el índice cubre de lo que queda fuera de la nota. La inspección tiene límites, y el acceso restringido no permite al comprador reproducir todas las pruebas. La metodología identifica Terminal-Bench-Science como no privado, incluso con el benchmark presente en la composición. El material no accesible limita la reproducción independiente; la etiqueta de prueba privada no equivale a una auditoría de la corrección. La nota agregada es principalmente textual y en inglés; la fuente evalúa por separado el desempeño multilingüe, visual y de voz. Por eso, la evaluación de modelos de IA para una aplicación en América Latina debe incluir español neutro y portugués cuando la carga exija esos idiomas. También debe verificar los tipos de fallo que la operación acepta, porque el resultado público no establece por sí mismo la calidad de las respuestas en el servicio del comprador.

¿Qué benchmark mide un trabajo parecido?

En el índice de inteligencia v5, los benchmarks miden tareas distintas incluso cuando entran en la misma media. FrontierCode 2.0 evalúa cambios en repositorios de código abierto; Terminal-Bench-Science reúne investigación científica en terminal. Cada uno pesa 15% en la composición; ninguno garantiza un resultado equivalente en la carga del comprador.

FrontierCode 2.0 reúne 132 tareas, con preguntas privadas y tres ejecuciones por tarea; un fallo en la verificación bloqueante anula el intento. Terminal-Bench-Science reúne 70 tareas y no es privado según la metodología. El método de corrección de FrontierCode importa. En el anuncio del 27 de octubre de 2026, Claude Opus 5.5 (max) alcanzó 46% en FrontierCode 2.0 y 59% en Terminal-Bench-Science. DeepSeek V4.1 Flash 1017 (max) marcó 28% y 13%, respectivamente. Los resultados describen las pruebas, no la probabilidad de éxito de una aplicación empresarial. FrontierCode interesa a quien modifica código; Terminal-Bench-Science, a los investigadores en terminal. La evaluación de modelos de IA en el enrutador también exige asociar la métrica a la tarea, en lugar de trasladar una puntuación general directamente a una política de producción. Para español, portugués, voz o imagen, la nota agregada tiene un límite claro.

¿Qué revela la distancia sobre los modelos de pesos abiertos?

La diferencia de 3 a 12 puntos divulgada por Artificial Analysis en el índice de inteligencia v5 compara el líder y el mejor modelo clasificado como pesos abiertos en las versiones v4.3 y v5. El 27 de octubre de 2026, el candidato de la comparación de 12 puntos todavía no tenía pesos liberados.

El 27 de octubre de 2026, Kimi K3.1 Pro marcó 46 puntos, frente a 58 de Claude Opus 5.5 (max), pero no tenía pesos liberados. DeepSeek V4.1 Flash 1017 (max) y GLM-5.3 (max) tenían pesos liberados y marcaron 32 puntos cada uno: 26 por debajo del líder. Esos valores son históricos. No describen una clasificación actual verificada. La distancia de 3 a 12 usa versiones con composiciones diferentes; no prueba que el cambio metodológico haya causado toda la ampliación. Tampoco convierte 26 puntos en tasa de error, productividad perdida o costo de un fallo. Pesos abiertos y modelos alojados presentan decisiones de operación distintas, pero un peso liberado no equivale a una licencia irrestricta ni comprueba un costo menor. Antes de descartar un candidato, el equipo debe verificar licencia, disponibilidad, costo total y desempeño en la tarea real, con criterios de aceptación definidos.

¿Cómo revisar el enrutamiento de modelos de IA?

El enrutamiento de modelos de IA debe cambiar después de una comparación en la misma base y de una evaluación propia, no porque una nota aislada subió. El registro del índice de inteligencia v5 debe identificar versión y configuración; sin notas comparables, corresponde una evaluación propia controlada.

La política cambia cuando la comparación usa la misma base y la evaluación cumple los criterios del servicio que recibirá las respuestas. El 25% del índice de inteligencia v5 asignado a cada categoría refleja la elección de la metodología, no la distribución del trabajo de la empresa. Mezclar versiones produce un error específico. La diferencia entre dos notas puede venir de la vara y no del modelo, y el cambio pasa a responder a una modificación de método. El índice de inteligencia v5 ofrece señales públicas sobre las 132 tareas de FrontierCode 2.0. La política, sin embargo, debe cubrir latencia, tipos de fallo y costo total en la carga propia, con español y portugués cuando el servicio exija esos idiomas. Si faltan resultados comparables, la ausencia queda registrada en lugar de rellenarse con una nota de otra versión del índice. El Nexforce Router es infraestructura para el enrutamiento; el índice no demuestra que el producto integre la clasificación ni ejecute las pruebas de forma automática.

1. Registrar fuente, fecha, versión, nota y configuración anterior.
2. Comparar candidatos en la misma versión o en la misma evaluación controlada.
3. Medir calidad y latencia en la carga propia, con fallos y criterios de aceptación explícitos.
4. Revisar costo total, disponibilidad y licencia antes de decidir.

Fuente: metodología del Progress Index y secciones del artículo. Arte: Nexforce.

¿Cuáles son las preguntas frecuentes sobre el índice de inteligencia v5?

El índice de inteligencia v5 sirve para organizar una lista de candidatos, no para validar por sí solo un cambio de modelo. Una nota autoriza una decisión cuando la versión, la configuración y la fecha están registradas y la carga propia se midió con criterios definidos.

Quien usa el índice de inteligencia v5 en una decisión de compra debe registrar cuatro datos antes de comparar cualquier nota: la versión del índice, la fecha del resultado, la configuración del modelo y la prueba que generó el número. Sin ese registro, la comparación mezcla varas y produce una conclusión que la fuente no sostiene. El paso siguiente es medir la carga propia, con los tipos de fallo que la operación acepta y el costo total por tarea. La nota pública sirve para armar la lista de candidatos y ordenar los ensayos, no para justificar el cambio. Cuando falta un resultado comparable de la misma versión, la ausencia debe quedar registrada, y la decisión pasa a depender de la evaluación controlada, con criterios de aceptación definidos antes de la medición y registrados junto con la nota de origen.

<!-- FAQPage -->

¿Se puede comparar directamente una nota de la v4.3 con la v5?

No. La v5 cambió evaluaciones y pesos, así que una nota de la v4.3 y una nota de la v5 miden conjuntos diferentes. Comparar las dos exige registrar versión, fecha y configuración de cada resultado. Sin ese registro, la diferencia entre las notas puede venir de la vara y no del modelo.

¿Los 60% significan que todas las preguntas son privadas?

No. Los 60% son el peso de las evaluaciones con conjuntos de prueba privados o respuestas retenidas en el índice de inteligencia v5. El número no informa cuántas preguntas son inéditas ni prueba ausencia de contaminación. La propia metodología identifica al menos un benchmark no privado entre los que componen la nota.

¿Los 12 puntos representan los mejores pesos ya liberados?

No. El 27 de octubre de 2026, el modelo que aparecía 12 puntos detrás del líder todavía no tenía pesos liberados. Los modelos con pesos liberados citados en el anuncio estaban 26 puntos detrás. La comparación es histórica y no describe la clasificación actual del índice de inteligencia v5.

¿Qué índice trata el progreso a lo largo del tiempo?

El Progress Index, de la misma organización, estima una escala común para comparar modelos a lo largo del tiempo. El índice de inteligencia v5 mide modelos en usos actuales y no forma una serie directa entre versiones. Para decidir el enrutamiento, ninguno de los dos sustituye la evaluación controlada de la carga propia.

Referencias y Lectura Complementaria

Las cuatro páginas primarias de Artificial Analysis sostienen la composición del índice de inteligencia v5, los resultados fechados del 27 de octubre de 2026 y la diferencia entre comparar modelos y seguir el progreso en el tiempo. Ninguna de ellas aporta una medición independiente.

El anuncio de Artificial Analysis del 27 de octubre de 2026 presenta la v5.0 y los resultados históricos citados. La actualización del 28 de octubre registra otro liderazgo, no una clasificación actual. La metodología de inteligencia, consultada hasta la v5.0.1 del 5 de noviembre, enumera las pruebas, los pesos por categoría y los límites de idioma y modalidad, además de registrar la recorrección de las notas en el CritPt v2. El Progress Index describe por qué las notas de versiones diferentes no forman una serie comparable y propone una escala común para el análisis temporal. Para llevar el análisis a la operación, la lectura sobre costo de IA por tarea trata el costo por intento, que la nota agregada no mide. Cada resultado tiene fecha, y la fecha cambia la lectura de cualquier nota, incluso de otra nota de la misma versión.

¿Qué evidencia debe autorizar el próximo cambio?

El próximo cambio de ruta necesita resultados comparables y una carga propia que cumpla los criterios de la empresa. El índice de inteligencia v5 orienta la selección inicial; no decide por sí solo la política. Sin notas de la misma versión, corresponde una evaluación controlada.

El registro de versión y configuración del índice de inteligencia v5 impide comparar notas de la v4.3 y de la v5 como resultados de la misma prueba. La distinción también vale dentro de la familia v5: el anuncio del 27 de octubre de 2026 describe la v5.0, mientras la metodología consultada el 5 de noviembre ya registraba la v5.0.1 y la corrección mejorada del CritPt v2. La nota no es el contrato. Calidad, latencia, costo total, disponibilidad y licencia deben examinarse en la carga propia, con español y portugués cuando sea necesario. Si el índice no ofrece notas comparables, la evaluación propia controlada aporta otra base para comparar candidatos, siempre que el equipo defina criterios de aceptación y tipos de fallo. Sin resultado suficiente en esa evaluación, no hay evidencia para justificar el cambio. La primera decisión cabe en una celda de hoja de cálculo; la segunda debe caber en la operación.