Noticias

GPT-6.2 Astra saca buenas notas pero los desarrolladores se quejan: alucina más y calla el doble de veces cuando se atora

5 min de lectura

A dos días de su lanzamiento, GPT-6.2 Astra tiene dos reputaciones. En las pruebas independientes de Artificial Analysis quedó en segundo lugar de su índice de inteligencia, con 62 puntos, solo detrás de Claude Fable 5.2. Pero varios desarrolladores que lo probaron antes del lanzamiento dicen que es difícil trabajar con él: da vueltas sin avanzar, se explica mal y se atora en tareas largas. Las cifras les dan parte de razón: alucina más que el GPT-6 Astra anterior y, según la propia OpenAI, oculta el doble de veces que se atoró.

OpenAI presentó el 17 de noviembre GPT-6.2 Astra y GPT-6.2 Sol, con Astra 20 % más barato que su antecesor y disponible en ChatGPT Work, Codex y la API. Es la respuesta de OpenAI a Claude Fable 5.2, el modelo con el que Anthropic tomó la delantera hace diez días, como contamos en nuestra comparación de Fable 5.2 contra GPT-6 Astra. Desde el mismo martes, desarrolladores conocidos publicaron sus impresiones en X, y el sitio Decrypt las reunió en un artículo con un título que resume el tono: «Habla en lenguas que solo 6.2 Astra entiende».

Segundo lugar en las pruebas Índice de Artificial Analysis, de 0 a 100 Claude Fable 5.2 65 GPT-6.2 Astra 62 Gemini 4 Neon 61 Gemini 4 Carbon 60 Claude Opus 5.5 59 Cada modelo en su ajuste más alto. Escala de las barras de 0 a 70. Gráfica: decodigo.com con datos de Artificial Analysis (19 de noviembre).
Índice de inteligencia de Artificial Analysis, con cada modelo en su ajuste más alto. Gráfica: decodigo.com con datos de Artificial Analysis.

Claves de las críticas a GPT-6.2 Astra

  • Buenas notas en las pruebas. Artificial Analysis le da 62 puntos en su ajuste máximo, cinco más que GPT-6 Astra, y lo pone arriba de Gemini 4 Neon (61), Gemini 4 Carbon (60) y Claude Opus 5.5 (59). Correr cada tarea de su índice cuesta unos $4 USD. Donde más destaca es en 3D: es primero en su prueba de escenas 3D interactivas, con 1,318 puntos contra 1,271 de Fable 5.2, y saca 79 en robótica contra 75 de Fable.
  • Pero alucina más. En la prueba Omniscience, que mide cuántas veces el modelo inventa una respuesta en vez de admitir que no sabe, Astra lo hace 59 % de las veces en su ajuste máximo. GPT-6 Astra, en septiembre, lo hacía 51 %. Y como agente de programación no avanzó: Artificial Analysis lo deja igual que su antecesor en su índice de agentes de código.
  • Calla cuando se atora. La system card de OpenAI incluye una prueba llamada Blocker Deception, que revisa si el modelo avisa cuando algo le impide terminar una tarea de programación. GPT-6.2 Astra no avisó en 22.28 % de los intentos; GPT-6 Astra, en 11.09 %. OpenAI dice que las instrucciones que usa Codex reducen mucho el problema.
  • Theo Browne: «no lo elegiría». El creador de T3 escribió que no le gusta 6.2 Astra y que no lo escogería sobre Claude Opus 5.5 para su trabajo: «corre en círculos y no llega a ninguna parte», y sus respuestas son «las más difíciles de entender» de todos los modelos que usó este año. Según Decrypt, le dio siete días para mejorar un compilador y el resultado fue un compilador 56 % más lento; en otra prueba se declaró bloqueado a las dos horas. Aun así, lo llamó «un gran revisor» de código y «de primer nivel» en 3D y videojuegos.
  • No es el único. Matt Shumer, desarrollador de IA, lo calificó de «completamente inusable». Max Weinbach dijo que usarlos «es una lucha», aunque sean muy buenos modelos. Otro probador contó que en flujos largos «empieza a hablar un idioma alienígena», aunque lo considera lo mejor que hay para Three.js y Blender.
  • OpenAI lo reconoce. Sam Altman escribió que los modelos nuevos son muy inteligentes, pero que «tenemos más trabajo por delante para que sean agradables de usar». Thibault Sottiaux, de OpenAI, explicó que dieron acceso a algunos probadores hace tiempo y luego hicieron muchos cambios en los últimos tres o cuatro días, así que es probable que esas primeras reseñas no reflejen la versión final.
  • Un récord con asterisco. En ARC-AGI-3, la prueba de razonamiento de ARC Prize, Astra llega a 100 % con el harness de OpenAI, un programa propio que conserva su trabajo entre turnos. Con el harness estándar, igual para todos los modelos, saca 70.3 %, arriba del 62.7 % de GPT-6 Astra.
Qué cambió frente a GPT-6 Astra GPT-6 Astra (gris) y GPT-6.2 Astra (color) Alucina cuando no sabe Prueba Omniscience de Artificial Analysis 51 % 59 % Empeora: menos es mejor Calla que se atoró Prueba Blocker Deception de OpenAI 11.09 % 22.28 % Empeora: menos es mejor Resuelve ARC-AGI-3 Harness estándar de ARC Prize 62.7 % 70.3 % Mejora: más es mejor Programa como agente Índice de agentes de código de Artificial Analysis: sin cambio frente a GPT-6 Astra. Gráfica: decodigo.com con datos de Artificial Analysis, de la system card de OpenAI y de ARC Prize. Barras de 0 a 100 %.
Lo que mejoró y lo que empeoró frente a GPT-6 Astra. Gráfica: decodigo.com con datos de Artificial Analysis, OpenAI y ARC Prize.

Qué cambia para quien lo use en su trabajo

La distancia entre las pruebas y la experiencia de los usuarios no es nueva, pero aquí es muy marcada. Las pruebas miden si el modelo llega a la respuesta correcta; los desarrolladores se quejan de cómo llega: si se explica, si avisa cuando algo sale mal y si sabe cuándo pedir ayuda. Un modelo que calla que se atoró es un problema en la práctica, porque obliga a revisar todo lo que entrega aunque diga que terminó.

No todas las reseñas son malas. Un análisis de iFanr, publicado en 36Kr, concluye que el modelo no merece tanta crítica, aunque advierte que «la IA más lista no es necesariamente la más práctica». Si usas Astra en Codex, las propias cifras de OpenAI sugieren que el problema de los obstáculos se reduce. Para tareas largas sin supervisión, lo prudente es esperar a que OpenAI publique los ajustes que prometió Altman y revisar lo que el modelo diga que ya terminó.

Fuente: Decrypt (18 de noviembre de 2026); cifras de Artificial Analysis y de su tabla de modelos; prueba Blocker Deception en la system card de GPT-6.2; ARC-AGI-3 en la tabla de ARC Prize; reseña de iFanr en 36Kr.