Los modelos GPT-6.2 Astra y Sol de OpenAI dan respuestas mucho más cortas que sus antecesores, van más rápido al punto y les imponen menos estructura. Así lo muestra una evaluación de Artificial Analysis publicada en LinkedIn y X, que también encontró una caída fuerte en su tendencia a reconocer la incertidumbre. The Decoder comparó esos resultados con los de Anthropic y encontró diferencias marcadas.
Respuestas más breves y con menos títulos
El largo promedio de las respuestas de Astra bajó de 352 a 210 palabras, una caída de 40%. Sol pasó de 337 a 223 palabras, 34% menos. Los dos modelos usan además muchos menos títulos y rayas largas. El promedio de títulos por respuesta de Astra cayó de 1,99 a 0,11, y el de Sol de 1,85 a 0,25.
El índice de organización (Organization Index) también se desplomó. Astra pasó de 70 a 11 y Sol de 86 a 27. Ese índice combina cuatro rasgos que evalúan jueces de IA, entre ellos la estructura de la respuesta, la claridad y Answer First, que mide si el modelo aborda de inmediato la pregunta real. En este último rasgo, Astra subió de 49 a 89 y Sol de 64 a 87. Los puntajes de lenguaje que suena natural (Natural Sounding) también subieron, de 58 a 100 en Astra y de 54 a 79 en Sol.
¿Cuánto bajó la admisión de incertidumbre?
El mayor cambio aparece en el rasgo Admits Uncertainty. El puntaje de Astra cayó de 96 a 24 y el de Sol de 98 a 51.
A diferencia de los conteos de palabras, estos puntajes de personalidad son posiciones relativas en una escala de 1 a 100. Muestran con cuánta fuerza aparece un rasgo en un modelo comparado con todos los demás modelos probados. Un 24 no significa que Astra reconozca la incertidumbre solo en el 24% de sus respuestas.
Los modelos de Anthropic lideran en transparencia y estructura
La comparación de The Decoder de los ocho índices de personalidad muestra brechas claras entre los modelos más recientes de OpenAI y Claude Fable 5.2 y Opus 5.5 de Anthropic. Los índices agrupan 30 rasgos de personalidad, cada uno calificado por jueces de IA a partir de las respuestas de los modelos. Todas las comparaciones usan las variantes "max" de cada modelo, con el esfuerzo de razonamiento máximo, según el listado de Artificial Analysis.
| Índice de personalidad | Astra 6.2 | Sol 6.2 | Fable 5.2 | Opus 5.5 |
|---|---|---|---|---|
| Expresividad | 66 | 41 | 81 | 90 |
| Organización | 11 | 27 | 54 | 79 |
| Informatividad | 31 | 38 | 47 | 90 |
| Transparencia | 41 | 57 | 81 | 90 |
| Calidez | 68 | 47 | 83 | 85 |
| Convicción | 55 | 49 | 75 | 70 |
| Imaginación | 63 | 60 | 68 | 94 |
Los puntajes van de 1 a 100 e indican la posición relativa entre todos los modelos probados, según AA-PersonalityBench de Artificial Analysis.
Los modelos de Anthropic marcan 81 y 90 en el índice de transparencia, muy por encima de Astra (41) y Sol (57). Ese índice cubre cinco rasgos, que son reconocer la incertidumbre, veracidad, aclarar los supuestos, señalar matices y complacencia (Sycophantic). Este último se puntúa al revés, porque adular menos cuenta como algo positivo. Anthropic también lidera en organización.
Opus 5.5 se separa del resto en el índice de informatividad, con 90 puntos, muy por delante de los otros tres modelos. Entre sus rasgos individuales más altos están la densidad de información (Information Dense) y el razonamiento basado en evidencia.
Los puntajes miden estilo, no exactitud
AA-PersonalityBench usa 900 preguntas de prueba en inglés que cada modelo responde sin prompt de sistema. Un panel de tres modelos de IA evalúa pares de respuestas anonimizadas. En cada comparación, un juez de IA elige cuál respuesta muestra con más fuerza el rasgo evaluado, o la declara empate.
A partir de esas evaluaciones, Artificial Analysis calcula puntajes para 30 rasgos de personalidad individuales, que alimentan ocho índices de nivel superior. Los valores de 1 a 100 reflejan la posición relativa de cada modelo entre todos los probados.
Por separado, Artificial Analysis mide 21 rasgos de comunicación que se cuentan directamente, sin jueces de IA. Entre ellos están el largo promedio de la respuesta y la cantidad de títulos y rayas largas por respuesta.
Los puntajes de personalidad describen diferencias de estilo de comunicación, no la calidad general de las respuestas. Un índice de transparencia más bajo no implica necesariamente que un modelo se equivoque más seguido.




