Dos ajustes triplican puntajes de GPT-5.6 en ARC-AGI-3

Investigadores de OpenAI han encontrado un hallazgo sorprendente: activar dos configuraciones específicas en la API puede mejorar drásticamente el rendimiento de GPT-5.6 en el benchmark ARC-AGI-3, triplicando efectivamente sus puntajes. Las dos configuraciones implican retener trazas de razonamiento y habilitar una función de compactación, que juntas aumentan tanto la precisión como la eficiencia. Este descubrimiento ofrece una visión valiosa sobre cómo se pueden desbloquear las capacidades del modelo mediante configuración, en lugar de entrenamiento adicional. El benchmark ARC-AGI-3 está diseñado para probar la inteligencia general y las habilidades de razonamiento, lo que lo convierte en una métrica desafiante para los modelos de IA. El hecho de que simples cambios de configuración puedan generar mejoras tan significativas es notable. Sugiere que los modelos actuales pueden estar subutilizados, con su potencial completo solo accesible a través de la configuración correcta. Para desarrolladores y empresas, este hallazgo ofrece una forma rentable de mejorar el rendimiento. En lugar de invertir en reentrenamiento costoso o modelos más grandes, los usuarios pueden lograr mejores resultados ajustando sus parámetros de API. Esto es particularmente beneficioso para organizaciones con presupuestos limitados o aquellas que buscan optimizar su infraestructura de IA existente. La configuración de trazas de razonamiento permite que el modelo retenga su proceso de pensamiento interno, lo que puede mejorar la toma de decisiones y la resolución de problemas. La función de compactación, por otro lado, ayuda a optimizar la salida del modelo, reduciendo redundancia y mejorando claridad. Juntas, estas configuraciones crean un bucle de razonamiento más eficiente y preciso. El equipo de investigación de OpenAI ahora está explorando si ajustes de configuración similares pueden desbloquear ganancias de rendimiento en otros modelos y benchmarks. Esta línea de investigación podría llevar a una nueva era de optimización de IA, donde el enfoque se desplaza de construir modelos más grandes a usar los existentes de manera más efectiva. A medida que la industria de la IA madura, tales conocimientos serán cruciales para maximizar el valor de las inversiones en IA y empujar los límites de lo posible con la tecnología actual.