MERCADOS:
BTC $81,317 ▲ +4.29%
ETH $2,529 ▲ +5.04%
SOL $184 ▲ +3.57%
IA STATUS Online RELOJ --:--:-- ART
🐉 LLMs de Oriente

GPT-5.2, el más temerario: el ranking de riesgo que divide a los grandes LLM

Adiós Claude, hola Kimi: el modelo oriental que domina el 1C con 96% de acierto

¿Tomarían las mismas decisiones un médico, un piloto de drone y un gestor de fondos? Y si esos roles los asumieran modelos de lenguaje, ¿cuál se arriesgaría más? Un conjunto de investigaciones recientes demuestra que los grandes LLM no sólo tienen personalidades distintas: también exhiben inclinaciones al riesgo consistentes y medibles, con una jerarquía sorprendentemente estable entre los modelos más populares.

El experimento: drones, triaje hospitalario y carteras de inversión

El estudio de Sun et al. (2026), publicado como preprint en arXiv el 21 de julio de 2026, sometió a seis modelos de IA y a 100 personas a tres escenarios con la misma estructura pero dominios distintos: pilotear un drone con vientos aleatorios, ordenar pacientes por urgencia en un hospital y armar un portafolio de inversión con activos de propiedades diversas. Cada LLM debía primero evaluar el peligro de la situación en una escala de 0 a 100 y luego tomar una decisión concreta: conducir el drone, asignar prioridad o distribuir el capital.

Los investigadores empaquetaron las decisiones en cinco clases ordenadas de mayor cautela a mayor riesgo. Para evitar que la memoria de rondas anteriores influyera, la memoria se reiniciaba en cada intento, de modo que el agente encaraba cada tarea desde cero.

La jerarquía del riesgo: de Claude a GPT-5.2

El hallazgo central es que cinco de los seis modelos conservaron el mismo orden relativo de propensión al riesgo en las tres tareas:

  • Claude Sonnet 4.5 — el más cauteloso
  • DeepSeek V3.2
  • Gemini 3 Pro
  • Qwen3 Max
  • GPT-5.2 — el más arriesgado

La excepción fue Grok 4, que se comportó como el más temerario en la tarea del drone y como el más prudente en las otras dos. Además, Grok 4 y Qwen3 Max mostraron una alta variabilidad en la evaluación del peligro: en el escenario del drone, la desviación estándar relativa fue del 24% para Grok 4 y del 52% para Qwen3 Max.

En comparación con los humanos, los seis LLM resultaron notablemente homogéneos: todos se concentraron en una franja estrecha dentro del amplio espectro de comportamiento que exhibieron las 100 personas evaluadas.

Lo que dicen las palabras vs. lo que hacen las decisiones

Otros estudios profundizan en la brecha entre el discurso y la acción. Zhu et al. (2025) trabajaron con Gemma-2-9B-Instruct, mientras que Kocielnik et al. (2026) evaluaron Qwen2.5-7B, Llama-3.1-8B, OLMo-3-7B y Ministral-3-8B. En ambos casos, los investigadores identificaron ejes de representación interna que podían desplazarse para modificar el comportamiento del modelo.

Sin embargo, ocurrió algo contraintuitivo: los ejes construidos a partir de palabras como «riesgo» o «seguridad» (Zhu et al., 2025) o de descripciones de personas arriesgadas (Kocielnik et al., 2026) casi no afectaron las decisiones reales del modelo. Sí alteraron, en cambio, sus respuestas verbales: las evaluaciones de cuán peligrosa era una situación o las contestaciones a cuestionarios de propensión al riesgo. La conclusión de Kocielnik et al. es contundente: el eje verbal es casi ortogonal al eje de elección conductual.

Tres formas de riesgo dentro del modelo

El análisis de las activaciones internas sugiere que el riesgo se manifiesta en al menos tres formas distinguibles dentro de lo que el autor denomina «capa-i» (la capa de interpretación) del modelo:

  • Evaluación del peligro en tareas concretas (clases evaluativo y modal-escenario), sin un eje previamente identificado.
  • Elección de un plan de acción (clases objetivo y planificadora), con ejes específicos para cada tarea.
  • Descripción verbal del riesgo (clase evaluativa; en el autodescripción, el modelo Ego de la clase social).

Las formas de evaluación y elección están vinculadas en muchos modelos, pero son específicas de cada tarea. En algunos casos, existe una conexión entre formas de tareas distintas que genera una coherencia general en el grado de riesgo del comportamiento del modelo.

El entrenamiento como fuente de cautela

La propensión al riesgo específica de cada modelo parece ser un subproducto del pre-entrenamiento y el ajuste fino más que un objetivo explícito de los constructores. Ouyang et al. (2025) demostraron que el entrenamiento orientado a utilidad, inofensividad y honestidad aumentaba la cautela del modelo. Anthropic (2026), en la Constitución de Claude, refuerza la preferencia por la acción más prudente disponible.

Un dato revelador: la instrucción explícita de asumir riesgos no logró desactivar la cautela incorporada durante el ajuste (Ouyang et al., 2025). El cambio de prompt (Wang et al., 2025) o de idioma (Liu et al., 2026) sí modificó la conducta de riesgo, pero de maneras no triviales.

Implicancias para los modelos de Oriente

Desde la perspectiva de los LLM desarrollados en Asia, los resultados colocan a DeepSeek V3.2 como el segundo más cauteloso del ranking y a Qwen3 Max en el cuarto lugar, con una variabilidad de evaluación del peligro notablemente alta. Esto plantea preguntas relevantes para el despliegue de estos modelos en escenarios críticos: la estabilidad de la evaluación de riesgo no es uniforme entre arquitecturas, y la diferencia entre lo que un modelo dice sobre el riesgo y lo que efectivamente hace puede ser mayor de lo esperado.

Para los equipos que integran agentes autónomos basados en Qwen o DeepSeek en sistemas de salud, finanzas o logística, la conclusión es clara: la propensión al riesgo debe testearse empíricamente en el dominio específico de aplicación, no asumirse a partir del discurso del modelo sobre sí mismo.

Fuente: Habr, basado en preprints de arXiv de Sun et al. (2026), Kocielnik et al. (2026), Zhu et al. (2025), Ouyang et al. (2025), Wang et al. (2025), Liu et al. (2026) y Anthropic (2026).

Fuente: Habr AI (Rusia & Europa del Este)

AL

Sobre Andrés LLM

Especialista en Modelos Asiáticos (DeepSeek, Kimi, Qwen, GLM)

Periodista y analista en Tecno Saberes especializado en la cobertura de Inteligencia Artificial y Educación para Todos.

🚀 Potenciá tu criterio digital y habilidades en IA

Tecno Saberes es una iniciativa de divulgación tecnológica asistida por Inteligencia Artificial y orquestada por el equipo de TucMara.com.

←
→