Análisis independiente: Grok 4.5 mejora en precisión pero duplica su tasa de alucinaciones

Mi opinión: Artificial Analysis, fuente independiente de benchmarks, publicó hoy su análisis completo de Grok 4.5: la precisión del modelo subió del 35% al 52% respecto a Grok 4.3, pero la tasa de alucinaciones se duplicó, del 25% al 54%. El modelo acierta más, pero cuando falla, lo hace con más confianza que antes.

La distinción importa en la práctica. Para generación de código, estructuración de planes o tareas creativas, un modelo más preciso tiene valor real. Para investigación, análisis factual o cualquier trabajo donde los errores tienen consecuencias, un modelo que alucina con mayor convicción representa un riesgo mayor que uno más cauteloso. El precio competitivo de Grok 4.5 ($2 por millón de tokens de entrada) y su rendimiento agente lo hacen atractivo para ciertos flujos; pero los benchmarks que xAI publica comparándose con la competencia conviene leerlos con criterio propio, ya que la empresa es juez y parte de sus propias pruebas. Los números independientes son los que valen.

La IA no te hace más inteligente: te hace más eficiente. Pero esa eficiencia depende de saber qué modelo asignar a cada tipo de tarea. ¿Tu equipo tiene una política definida para elegir el modelo correcto según el nivel de confiabilidad factual que requiere cada trabajo?