Cuando un sistema de IA cuestiona una demostración matemática
Un artículo matemático puede superar la revisión de expertos y aun así contener un error. Detectarlo puede exigir seguir un argumento largo y reconocer el supuesto preciso que falla. Según Google, Lisa Carbone, matemática de Rutgers University, usó Gemini Deep Think para revisar un artículo especializado de física de altas energías y álgebra de dimensión infinita, y el sistema identificó un sutil fallo lógico que había pasado inadvertido en la revisión por pares humana. La publicación de lanzamiento de Google de febrero de 2026 cuenta la historia, y la página de producto de Deep Think la repite. Es un caso comunicado por Google, no una prueba de que el sistema pueda revisar de forma fiable artículos matemáticos en general.
Se trata de una demostración de más alcance que un chatbot que responde preguntas conocidas. Plantea una cuestión práctica para investigadores y profesionales de la tecnología: ¿puede el razonamiento especializado de la IA ayudar a investigar problemas difíciles y, al mismo tiempo, dejar evidencia suficiente para que los expertos establezcan si la respuesta es correcta?
El trabajo de Google con Deep Think ofrece evidencia especialmente útil, que incluye resultados de razonamiento abstracto, evaluaciones de matemáticas y física de nivel de competición y experimentos documentados de investigación científica. Los resultados también tienen límites importantes que merecen la misma atención.
Deep Think es un modo de razonamiento especializado, no una plataforma de agentes de programación
La mayoría de las conversaciones con IA priorizan una respuesta razonablemente rápida. Las preguntas difíciles de matemáticas y ciencia pueden requerir explorar varias explicaciones candidatas, poner a prueba una línea de razonamiento y descartar una respuesta que no supera la verificación.
Deep Think es el enfoque especializado de Google para esas tareas más exigentes. La página de producto de Deep Think de Google llama a la oferta actual Gemini 3.1 Deep Think y afirma que está construida sobre Gemini 3.1 Pro. La misma página muestra las cifras de benchmarks de febrero de 2026 con ese nombre, mientras que la publicación de lanzamiento de febrero y la metodología de evaluación llaman a esa misma evaluación Gemini 3 Deep Think. Este artículo presenta las cifras tal como las comunica Google, con ambas denominaciones, y las trata como la evaluación de Google de febrero. No son una medición de cada configuración posterior.
Google describe públicamente un trabajo adicional de razonamiento en tiempo de inferencia y la exploración de posibles soluciones. No revela suficientes detalles de implementación como para deducir el proceso interno completo de razonamiento. Más cómputo puede ayudar a explorar alternativas, pero no puede garantizar una respuesta correcta.
Antigravity es otro producto de Google: un entorno de desarrollo agéntico que coordina el trabajo de ingeniería y las herramientas. No es el objeto de estas evaluaciones de razonamiento de Deep Think.
Las cifras detrás de las afirmaciones de Google sobre razonamiento
La actualización de Google del 12 de febrero de 2026 comunicó una puntuación de 84.6 % en ARC-AGI-2 para Gemini 3 Deep Think. ARC-AGI-2 evalúa el razonamiento abstracto sobre patrones con tareas diseñadas para dificultar que el modelo se apoye en ejemplos memorizados. Google identifica el resultado como verificado por ARC Prize, en el conjunto de evaluación semiprivado. La puntuación es una medición de febrero, no la posición actual en la clasificación de los modelos de frontera. Metodología de evaluación
La misma metodología comunica un 81.5 % en los seis problemas oficiales de la Olimpiada Internacional de Matemáticas de 2025, como promedio de cuatro ejecuciones y evaluado frente a soluciones canónicas por expertos independientes. También comunica una calificación equivalente a Elo de 3455 en Codeforces, calculada por la propia Google con un solo intento sobre los 222 problemas de dificultad media o superior de los concursos de Codeforces celebrados entre abril y octubre de 2025.
Las evaluaciones científicas amplían el panorama. Google comunicó un 87.7 % en la parte teórica de la Olimpiada Internacional de Física de 2025, un 82.8 % en la parte teórica de la Olimpiada Internacional de Química de 2025 y un 50.5 % en CMT-Benchmark, de teoría de la materia condensada.
No son cinco definiciones intercambiables de inteligencia. Las puntuaciones de las olimpiadas proceden de varias ejecuciones evaluadas. Las respuestas de física y química se calificaron frente a referencias con un juez Gemini, y Google comunica una validación por expertos independientes del rendimiento de nivel de medalla de oro. CMT-Benchmark usó pass@8 y una calificación basada en modelos. El PDF original de la metodología explicita estas condiciones.
Alternativa de texto accesible para esta figura
ARC-AGI-2 (verificado por ARC Prize): 84.6 %.
IMO 2025: 81.5 %.
IPhO 2025, teoría: 87.7 %.
IChO 2025, teoría: 82.8 %.
CMT-Benchmark (pass@8): 50.5 %.
Google las comunica en su lanzamiento del 12 de febrero de 2026 y en el PDF de la metodología. Las calcula Google, salvo ARC-AGI-2, que está verificado por ARC Prize. El resultado de Codeforces de 3455 es una calificación equivalente a Elo y no figura en el gráfico.
| Evaluación | Resultado comunicado | Cómo se midió |
|---|---|---|
| ARC-AGI-2 | 84.6 % | Verificado por ARC Prize, conjunto semiprivado |
| IMO 2025 | 81.5 % | Los 6 problemas, 4 ejecuciones, calificado por expertos independientes |
| IPhO 2025, teoría | 87.7 % | Los 3 problemas teóricos, 8 ejecuciones, Gemini como juez, nivel de medalla de oro validado por expertos independientes |
| IChO 2025, teoría | 82.8 % | Los 9 problemas teóricos, 8 ejecuciones, Gemini como juez, nivel de medalla de oro validado por expertos independientes |
| CMT-Benchmark | 50.5 % | Pass@8, Gemini como juez |
| Codeforces | 3455 (equivalente a Elo, no un porcentaje) | 222 problemas, un solo intento, calculado por la propia Google |
Una puntuación puede ser impresionante y aun así ser más limitada que su titular. Un 87.7 % en una evaluación de física no significa que el sistema acierte en torno al 87.7 % de las preguntas arbitrarias de investigación en física del mundo real.
Investigar es más difícil que resolver un problema de examen conocido
Un problema de olimpiada tiene una respuesta establecida. La investigación puede no tener una solución conocida o depender de bibliografía incompleta, de contraejemplos sorprendentes o de evidencia experimental que aún no se ha recopilado.
Google ha investigado ese escenario más difícil con Aletheia, un flujo de trabajo de investigación impulsado por Deep Think. Genera soluciones candidatas, comprueba argumentos, corrige los errores recuperables y puede volver a la pregunta original cuando una solución propuesta es fundamentalmente errónea. El flujo de trabajo también puede buscar en la bibliografía científica y reconocer cuándo no puede resolver un problema. Informe de investigación de Google DeepMind
Ese último comportamiento importa. Una demostración incorrecta de apariencia plausible es un mal resultado de investigación aunque la respuesta sea fluida. Un asistente de investigación se vuelve más útil cuando su resultado incluye una afirmación que los especialistas pueden comprobar de forma independiente, no solo una explicación persuasiva.
El relato de Google describe trabajo sobre cuestiones matemáticas, informática teórica y física, incluido un estudio de 700 problemas abiertos de una base de datos de conjeturas de Erdős. En ese estudio, Aletheia resolvió cuatro de forma autónoma. Google sitúa esos resultados en los niveles más bajos de su propia taxonomía de resultados asistidos por IA y afirma que no reivindica ningún resultado en su nivel 3 ni en su nivel 4. En FutureMath Basic, un conjunto de ejercicios de nivel de doctorado, Google comunica alrededor de un 38 % para Deep Think y alrededor de un 46 % para Aletheia.
Estos ejemplos son evidencia de asistencia a la investigación en casos documentados. No son una tasa de éxito medida para las matemáticas no resueltas en general. Además, un flujo de trabajo que combina búsqueda y comprobación no aísla la contribución del modelo subyacente de la de sus herramientas de apoyo.
Los ámbitos en los que un mejor razonamiento ayuda a la ciencia práctica
Google también describe experimentos fuera de los benchmarks de competición. Los investigadores han usado Deep Think para investigar argumentos matemáticos y para desarrollar enfoques candidatos en el diseño de materiales y de dispositivos físicos. El lanzamiento de febrero describe un trabajo con el Wang Lab de Duke University sobre condiciones de crecimiento de cristales, que produjo una receta para películas delgadas de más de 100 micrómetros, y una prueba de ingeniería realizada por un responsable de Google Platforms and Devices sobre el diseño de componentes físicos complejos.
Estos ejemplos son prometedores porque los problemas científicos reales implican restricciones físicas, costos, errores de medición y resultados inesperados. Pero una receta candidata útil no es un motor universal de descubrimiento. Los expertos deben verificar el resultado en el entorno experimental pertinente, y los relatos publicados no establecen un éxito repetible en laboratorios sin relación entre sí.
El uso más sólido a corto plazo puede ser acotar un espacio de búsqueda, poner a prueba el razonamiento, encontrar posibles errores e identificar los próximos experimentos prometedores. Eso tiene valor aunque un científico humano siga siendo responsable de la decisión.
Por qué más razonamiento no elimina la incertidumbre
El cómputo en tiempo de inferencia es el procesamiento que se realiza mientras un modelo entrenado trabaja en una nueva solicitud. Los enfoques de razonamiento especializado pueden dedicar más de ese cómputo a los problemas difíciles, lo que permite explorar y comprobar más.
La contrapartida es que más procesamiento puede aumentar la latencia y el costo computacional. También puede producir más argumentos candidatos incorrectos. Los materiales públicos de Google no establecen una relación fija entre más tiempo de reflexión y la probabilidad de obtener una respuesta correcta en cada tarea.
Por eso, Deep Think debe juzgarse no solo por la calidad de una respuesta final, sino también por cómo se puede comprobar esa respuesta. Las matemáticas pueden ofrecer una demostración formal o una solución de referencia. La investigación de materiales puede requerir un experimento. Una decisión basada en datos empresariales incompletos puede necesitar otro tipo de validación.
El método de verificación adecuado depende del problema. No existe un único porcentaje de benchmark que lo sustituya. La guía de TechiesJournal sobre cómo leer las afirmaciones sobre modelos de IA (en inglés) trata el hábito general de preguntarse qué midió realmente una cifra de benchmark.
Acceso a Deep Think
Con la actualización de febrero de 2026, Google indicó que el modo Deep Think actualizado estaba disponible en la Gemini app para los suscriptores de Google AI Ultra, con una vía de acceso anticipado, previa manifestación de interés, para investigadores, ingenieros y empresas seleccionados a través de la API de Gemini. Esas eran las condiciones de acceso declaradas en el lanzamiento, no una garantía sobre cada plan, región u opción de API actual. Anuncio de lanzamiento de Google La página de producto actual de Google ofrece un botón «Try in Gemini» y no indica ningún plan, precio ni condición de API.
Un equipo que evalúe el sistema debería comprobar su disponibilidad y sus condiciones actuales. También debería preguntarse si el problema se beneficia realmente del modo especializado. Los resúmenes rutinarios y la programación sencilla no son necesariamente buenos motivos para dedicar más tiempo y cómputo a un razonamiento extendido.
Deep Think dentro de una familia de modelos de Google en evolución
Los materiales dedicados a Deep Think se centran en una oferta de razonamiento especializado, pero la familia Gemini de Google en su conjunto ha seguido avanzando. El 10 de noviembre de 2026, Google anunció Gemini 4 Carbon como su modelo de frontera más reciente. Eso no convierte retroactivamente las mediciones de Deep Think de febrero en mediciones de Carbon ni establece que el modo denominado Deep Think y Carbon sean el mismo producto. Anuncio de Carbon de Google
La distinción práctica está entre un modo de razonamiento especializado y la gama más reciente de modelos de frontera de uso general. Ambos importan al valorar el progreso de Google, pero responden a preguntas de producto distintas.
Cómo se compara Google con Anthropic y OpenAI
El material de benchmarks de Google de febrero comparaba Deep Think con Claude Opus 4.6 con el máximo nivel de razonamiento (thinking) y con GPT-5.2 en su configuración de razonamiento más alta, como muestran la tabla de la página de producto y el PDF de la metodología. Esas comparaciones históricas son un contexto útil, no la clasificación actual.
Para una comparación más reciente en un solo benchmark, la tabla de resultados de ARC Prize recoge los resultados fechados de ARC-AGI-2 que aparecen a continuación. La primera fila es la cifra propia de Google de febrero, que Google comunica como verificada por ARC Prize, y hoy no aparece en esa tabla. Las demás filas son listados de ARC Prize.
Alternativa de texto accesible para esta figura
Gemini 3 Deep Think (12 feb): 84.6 %.
Familia GPT-6 (2 sep): 95.0 %.
GPT-6.1 Sol (29 sep): 94.2 %.
Gemini 4 Argon (13 oct): 91.3 %.
Claude Fable 5.2 (9 nov): 93.8 %.
Gemini 4 Carbon (10 nov): 94.2 %.
La cifra de Gemini 3 Deep Think es el anuncio propio de Google de febrero, verificado por ARC Prize según Google. Las demás filas proceden de la página de resultados de ARC Prize revisada el 11 de noviembre de 2026. La fila de GPT-6 es un listado de familia para Astra, Sol y Luna. Un único benchmark no clasifica la capacidad general.
| Proveedor y modelo evaluado | Puntuación en ARC-AGI-2 y fecha |
|---|---|
| Google, Gemini 3 Deep Think | 84.6 % el 12 de febrero de 2026 (anunciado) |
| OpenAI, listado de la familia GPT-6 | 95.0 % el 2 de septiembre de 2026 |
| OpenAI, GPT-6.1 Sol | 94.2 % el 29 de septiembre de 2026 |
| Google, Gemini 4 Argon | 91.3 % el 13 de octubre de 2026 |
| Anthropic, Claude Fable 5.2 | 93.8 % el 9 de noviembre de 2026 |
| Google, Gemini 4 Carbon | 94.2 % el 10 de noviembre de 2026 |
La tabla es una selección de filas recientes, y la página de ARC Prize recoge otros modelos. Son resultados fechados de evaluaciones concretas. ARC Prize recoge GPT-6 como una única fila de familia que abarca Astra, Sol y Luna, así que esa puntuación no debe atribuirse a ninguna variante concreta. Las cuatro puntuaciones más altas de la tabla, del 93.8 % al 95.0 %, quedan dentro de un margen de 1.2 puntos porcentuales entre sí y, en el análisis de TechiesJournal, una diferencia de menos de un punto porcentual no debe tratarse como prueba de que un modelo sea más inteligente en todas las materias.
Google: el resultado de Deep Think de febrero fue un hito notable de razonamiento. ARC Prize recoge Gemini 4 Argon con un 91.3 % el 13 de octubre y Gemini 4 Carbon con un 94.2 % el 10 de noviembre, así que la familia Gemini en su conjunto ha superado la cifra de febrero en esta medida.
Anthropic: Claude Fable 5.2 está orientado al trabajo técnico exigente, incluidas la ciencia y la ingeniería. El anuncio de noviembre de Anthropic comunica un rendimiento sólido en tareas de programación y científicas y no menciona ARC-AGI-2, así que el 93.8 % procede del listado de ARC Prize. Esos resultados del anuncio no sustituyen directamente las evaluaciones de olimpiadas y de materia condensada de Deep Think. El artículo anterior de TechiesJournal sobre Fable 5.2 y Mythos 5.2 los analiza.
OpenAI: ARC Prize recoge la familia GPT-6 y GPT-6.1 Sol con puntuaciones altas en ARC-AGI-2. La documentación de modelos de OpenAI nombra las variantes (gpt-6-astra, gpt-6.1-sol y gpt-6-luna) y no comunica cifras de ARC-AGI-2, así que al comparar costos, latencia o rendimiento hay que especificar las variantes y los niveles de esfuerzo. La comparación anterior de TechiesJournal entre GPT-6 Astra y Claude Fable 5.1 (en inglés) muestra cómo se situaban los modelos anteriores de ambos proveedores.
La comparación práctica más sólida no consiste en buscar un ganador universal. Un laboratorio, un desarrollador o un investigador debería evaluar los modelos con problemas representativos, exigir resultados que puedan comprobarse de forma independiente, documentar el costo y la latencia y comparar los patrones de fallo en condiciones equivalentes.
El avance que importa
Gemini Deep Think muestra que el razonamiento de la IA puede contribuir a trabajos que van más allá de responder preguntas corrientes. Las evaluaciones comunicadas de matemáticas y ciencia demuestran un rendimiento sólido en problemas exigentes seleccionados, mientras que las colaboraciones de investigación muestran cómo los expertos empiezan a usar estos sistemas para investigar preguntas reales.
El reto pendiente es la verificación. Un modelo que encuentra un fallo que se había pasado por alto o que sugiere un experimento exitoso puede ser valioso, pero su respuesta debe superar el estándar de evidencia del campo en el que se usa.
Para los investigadores y los equipos de ingeniería, el siguiente paso útil es elegir un problema difícil y verificable y valorar si el razonamiento especializado mejora la calidad del resultado lo suficiente como para justificar su costo y el esfuerzo de revisión.
El razonamiento de la IA se vuelve realmente útil cuando ayuda a las personas a llegar a conclusiones cuya solidez pueden establecer de forma independiente.
Para profundizar
Las fuentes se comprobaron el 11 de noviembre de 2026.
- Google DeepMind: Gemini Deep Think: panorama actual del producto, tabla de benchmarks y ejemplos de investigación.
- Google: Gemini 3 Deep Think upgrade: lanzamiento de febrero de 2026, descripción del acceso y los ejemplos de Carbone y del Wang Lab.
- Google Deep Think evaluation methodology (PDF): configuraciones de los benchmarks y salvedades sobre la calificación.
- Google DeepMind research report: Aletheia y las evaluaciones de investigación.
- ARC Prize results: registros fechados e independientes de benchmarks.
- Google Gemini 4 Carbon release: contexto de la familia de modelos en noviembre de 2026.
- Anthropic Claude Fable 5.2 and Mythos 5.2: afirmaciones actuales del proveedor y disponibilidad.
- OpenAI API model catalog: identificadores de modelos actuales e información de acceso.