Puntos de Referencia de IA
GPT-5.4 Lidera el Conjunto de Puntos de Referencia de Matemáticas en 2026 a Medida que los Puntajes de la Frontera se Saturan
GPT-5.4 supera a sus rivales con un barrido de las principales filas de matemáticas de competición, pero GPT-5.2 Pro empata en cada celda y GPT-5.3 Codex ofrece puntajes casi idénticos a un costo menor. El verdadero diferenciador: el rendimiento de los modelos en puntos de referencia de próxima generación como FrontierMath y HMMT Feb 2026.
El panorama de los puntos de referencia matemáticos para modelos de lenguaje grandes ha alcanzado un punto de inflexión. El GPT-5.4 de OpenAI lidera el ranking matemático de BenchLM.ai con puntuaciones de 99 en AIME 2025, 99 en MATH-500 y 97 en BRUMO 2025. Sin embargo, GPT-5.2 Pro iguala cada una de esas puntuaciones, y GPT-5.3 Codex está justo detrás con 98/99/96 en las mismas filas. Claude Opus 4.6 también está allí, con 98/98/96.
Esta saturación en la parte superior no es una señal de estancamiento. Indica que los puntos de referencia antiguos han sido conquistados. Los modelos que lideran hoy son aquellos con la cobertura más sólida en múltiples conjuntos matemáticos de estilo competitivo y dificultad general, mientras evitan las trampas de contaminación que afectan a las evaluaciones de un solo año.
Puntos de Referencia Saturados y la Verificación de Contaminación
BenchLM rastrea AIME 2023, 2024 y 2025 junto con HMMT 2023, 2025, MATH-500 y el más reciente BRUMO 2025. La lógica es simple: un modelo que obtiene 99 en AIME 2023 pero baja a 45 en AIME 2025 probablemente memorizó problemas públicos antiguos en lugar de desarrollar un razonamiento matemático generalizable. Los modelos de frontera en la tabla actual muestran un rendimiento constante en los tres años, lo cual es una fuerte evidencia de capacidad de razonamiento genuina en lugar de memoria de referencia.
Los 10 modelos principales se agrupan entre 96 y 99 tanto en AIME 2025 como en HMMT 2025. A este nivel, una diferencia de 1 o 2 puntos es estadísticamente insignificante para la mayoría de los flujos de trabajo prácticos. La separación significativa ahora ocurre en el conjunto de pruebas de próxima generación.
La Próxima Generación: FrontierMath y HMMT Feb 2026
El GPT-5.5 y GPT-5.5 Pro de OpenAI, lanzados el 23 de abril de 2026, y la serie V4 Pro de DeepSeek, lanzada el 24 de abril, no reportan puntuaciones en las filas más antiguas de BenchLM. En su lugar, se han trasladado a evaluaciones más difíciles: FrontierMath, HMMT Feb 2026, IMOAnswerBench y APEX.
GPT-5.5 Pro obtiene 52.4 en FrontierMath, y GPT-5.5 obtiene 51.7. DeepSeek V4 Pro Max alcanza 95.2 en HMMT Feb 2026, 89.8 en IMOAnswerBench y 38.3 en APEX. Estos números no se pueden comparar directamente con los puntos de referencia antiguos, FrontierMath está diseñado para ser difícil de nivel de investigación, donde incluso los modelos más fuertes resuelven aproximadamente la mitad de los problemas.
La conclusión principal: los laboratorios son conscientes de que las pruebas antiguas están saturadas y han movido los estándares. Para los usuarios que necesitan un modelo hoy para competiciones prácticas o matemáticas aplicadas, GPT-5.4 o Claude Opus 4.6 son opciones seguras. Para matemáticas de nivel de investigación, la fila de FrontierMath de GPT-5.5 Pro es el techo de capacidad a seguir.
Recomendaciones según el Caso de Uso
El mejor modelo depende en gran medida de la tarea. Para problemas de estilo competitivo que requieren un razonamiento paso a paso en álgebra dura, teoría de números, probabilidad y geometría, GPT-5.4 o GPT-5.2 Pro son los predeterminados con 99 en AIME 2025 y 97 en HMMT 2025. Claude Opus 4.6 y Grok 4.1 están esencialmente empatados para uso práctico.
Para computación científica y matemáticas aplicadas, cálculo, álgebra lineal, ecuaciones diferenciales, GPT-5.3 Codex es la opción de valor. Combina un 98 en AIME 2025 con 99 en MATH-500 y una fuerte manipulación simbólica para flujos de trabajo adyacentes a la codificación. Claude Opus 4.6 es la alternativa cuando las derivaciones legibles importan más que el rendimiento.
Para finanzas y razonamiento probabilístico, la prioridad cambia de precisión bruta a auditabilidad. GPT-5.4 y Claude Opus 4.6 manejan la probabilidad y la estimación de manera confiable cuando se les solicita que muestren suposiciones y expongan la incertidumbre. La tasa de alucinación numérica importa más que el puntaje máximo de AIME aquí.
Para tutoría de matemáticas, la calidad de la explicación se convierte en la métrica principal. Claude Opus 4.6 y Claude Sonnet 4.6 producen explicaciones paso a paso más claras. GPT-5.4 es más fuerte cuando el estudiante necesita múltiples caminos de solución o un pase de verificación. Ningún modelo es 100% confiable, cada salida debe ser verificada puntualmente.
Precios y Valor
El precio cambia la recomendación más que la puntuación matemática principal. GPT-5.4 cuesta $2.50 por cada millón de tokens de entrada y $15.00 por cada millón de tokens de salida. GPT-5.3 Codex cuesta la misma entrada pero $10.00 de salida. Claude Opus 4.6 es más caro con $5.00/$25.00, mientras que Claude Sonnet 4.6 es $3.00/$15.00.
Para algunos problemas difíciles, GPT-5.4 o Claude Opus 4.6 justifican la prima. Para un asistente matemático de alto volumen, GPT-5.3 Codex proporciona suficiente margen de referencia, casi idéntico MATH-500, un punto detrás en AIME, a un costo de salida significativamente más bajo.
Alternativas de Peso Abierto
Entre los modelos de peso abierto, GLM-5 (Razonamiento) de Z.AI obtiene 98 en AIME 2025, 95 en HMMT 2025 y 92 en MATH-500, lo que lo convierte en la opción abierta más fuerte para matemáticas de competición. Kimi K2.5 (Razonamiento) de Moonshot AI le sigue con 96.1/95.4/92 en las mismas filas. DeepSeek-R1 sigue siendo fuerte en MATH-500 con 97.3 pero queda muy rezagado en las matemáticas de competición actuales: 45 en AIME 2025, 41 en HMMT 2025 y 43 en BRUMO 2025. Sarvam 105B vale la pena mencionar para MATH-500 específicamente, obteniendo 98.6 a pesar de una cobertura más débil en otros lugares.
El Veredicto
GPT-5.4 es el mejor LLM completamente cubierto para matemáticas en 2026, pero la carrera es demasiado reñida para un solo ganador. GPT-5.2 Pro lo empata, GPT-5.3 Codex es la opción de valor, y Claude Opus 4.6 es la mejor opción cuando la calidad de la explicación importa. La próxima frontera no está en los puntos de referencia antiguos sino en FrontierMath y HMMT Feb 2026, donde GPT-5.5 Pro lidera actualmente. Para el trabajo matemático práctico de hoy, las opciones seguras son claras, y la señal real está en el caso de uso, no en el ranking del titular.
Datos de BenchLM.ai. Última actualización mayo de 2026.