En este artículo verás:
Decision Index v2: benchmark de IA para decisiones en documentos
Artificial Analysis lanzó el 8 de noviembre de 2026 la segunda versión de Decision Index, un benchmark que mide cómo los modelos de IA toman decisiones sobre documentos reales. La novedad principal es que el 45% del índice ahora usa datos privados, contra el 25% de la versión anterior.
Marcelo Santiago
Criador do bridgecode
La mayor newsletter de IA del Mundo
Recibe artículos sobre IA en tu correo
Selección técnica sobre modelos, agentes y herramientas de código. Sin spam, cancela cuando quieras.
- Qué es el Decision Index v2 y por qué importa la versión 2
- Cómo funciona el Decision Score y el nuevo componente AA-Paperclip
- Los resultados: quién lidera y cuánto cuesta cada decisión
- Cuándo usar un modelo de decisión en lugar de un LLM general
O que é o Decision Index v2
El Decision Index mide la capacidad de los modelos de IA para tomar decisiones y extraer hechos de documentos reales. El escenario es el de una empresa que procesa miles de recibos, facturas, currículos y artículos científicos por día y necesita que la IA decida qué hacer con cada uno.
En la versión 2, el índice cambió de estructura. El peso de datos privados subió del 25% al 45%. Los datos privados son conjuntos que no están disponibles públicamente, lo que impide que los modelos se entrenen específicamente para esa prueba. Es la misma lógica de FrontierCode 2.0 y Terminal-Bench 4.0, que también usan tareas privadas.
El componente principal se llama AA-Paperclip: 1.500 documentos privados (currículos, recibos, facturas y artículos de IA) con 5 decisiones y 10 extracciones de hecho cada uno. El modelo pasa solo si acierta las 15 respuestas de un documento. Esta exigencia de "todo o nada" separa a modelos que parecen cercanos en métricas individuales.
Como funciona o Decision Score
El Decision Score es la métrica clave de la versión 2. La fórmula es 50 × (1 + c − (p − c)²), donde p es la probabilidad que el modelo asigna a su respuesta y c indica si la respuesta estaba correcta (1) o incorrecta (0). En términos prácticos, equivale a 50 × (1 + precisión − Brier score).
La idea es que un modelo que acierta con alta confianza gana más puntos que uno que acierta con baja confianza. Y un modelo que se equivoca con alta confianza pierde más puntos que uno que se equivoca con baja confianza. Esto captura la calibración, algo que la precisión bruta ignora.
El resultado práctico es que el ranking cambia. En AA-Paperclip, Clef pasa el 36% de los documentos y Celeris-1.1 Decision pasa el 24%. Pero Celeris-1.1 Decision empata en el Decision Score por tener mejor calibración (Brier score de 0,15 contra 0,27). En el índice general, GLiDE v1.2 lidera a Drex Max v1.1 en precisión (60 contra 58), pero Drex Max v1.1 queda adelante en el Decision Index.
Os resultados: quem lidera e quanto custa
Tres modelos de decisión están a 1 punto en la cima del índice. Drex Max v1.1 de Nace AI y GLiDE v1.2 de Fastino Labs empatan con 73, seguidas por Mammoth 27B de Base Labs con 72.
Los modelos de lenguaje general también participan. Claude Haiku 5.5 (Max) marca 77 y GPT-6 Luna (Max) marca 76, quedando cerca de 3 puntos por encima de Drex Max v1.1. Pero el costo y la latencia son muy diferentes: GPT-6 Luna cuesta US$ 1.530 por 1 millón de tareas contra US$ 102 de Drex Max v1.1 (15 veces más) y tarda 11,34 segundos por tarea contra 275 milisegundos (cerca de 40 veces más lento).
El costo por tarea varía más de 60 veces entre los modelos de decisión. Celeris-1.1 Decision cuesta US$ 14 por 1 millón de tareas, Decider v1.2 cuesta US$ 68 y Drex Max v1.1 cuesta US$ 102. Clef cuesta US$ 859. El precio del token no es el único factor: la mayoría de los modelos de decisión cobran el documento una vez para todas las preguntas, pero GLiDE v1.2 y Decider Flash v1.2 cobran por pregunta, lo que multiplica el costo.
La latencia también varía mucho. Celeris-1.1 Decision registró 56 milisegundos por tarea, Elephant 9B tardó 70 milisegundos y Jev 1.14 tardó 92 milisegundos. Claude Haiku 5.5 (Max) tarda 32,65 segundos. Mammoth 27B queda a 4 puntos de GPT-6 Luna (Max) en el índice y es 118 veces más rápida.
Preguntas frecuentes sobre el Decision Index v2
¿Qué es el Decision Index v2?
Es la segunda versión del benchmark de Artificial Analysis que mide cómo los modelos de IA toman decisiones y extraen hechos de documentos reales. La novedad principal es que el 45% del índice ahora usa datos privados, contra el 25% de la versión anterior.
¿Cómo funciona el Decision Score?
La fórmula es 50 × (1 + c − (p − c)²), donde p es la probabilidad que el modelo asigna a su respuesta y c indica si la respuesta estaba correcta. Equivale a 50 × (1 + exactitud − Brier score). Premia respuestas correctas con alta confianza y penaliza respuestas incorrectas con alta confianza.
¿Quién lidera el Decision Index v2?
Drex Max v1.1 de Nace AI y GLiDE v1.2 de Fastino Labs empatan con 73, seguidas por Mammoth 27B de Base Labs con 72. Entre los modelos de lenguaje generales, Claude Haiku 5.5 (Max) marca 77 y GPT-6 Luna (Max) marca 76.
¿Cuánto cuesta una decisión en el benchmark?
Varía de US$ 14 por 1 millón de tareas (Celeris-1.1 Decision) a US$ 859 (Clef). GPT-6 Luna (Max) cuesta US$ 1.530 y Claude Haiku 5.5 (Max) cuesta US$ 6.240 por 1 millón de tareas.
¿Cuándo usar un modelo de decisión en lugar de un LLM general?
Usa un modelo de decisión cuando el volumen es alto y el costo por tarea importa. Migra a un LLM general cuando la tarea requiera razonamiento más profundo o cuando el modelo de decisión no alcance la exactitud necesaria.
Cuándo usar un modelo de decisión en vez de un LLM general
La elección depende del volumen y de la tolerancia al error. Si procesas documentos a gran escala y necesitas una decisión rápida y barata, un modelo de decisión como Drex Max v1.1 o Celeris-1.1 Decision tiene sentido. Si necesitas máxima precisión y puedes pagar más, un LLM general como Claude Haiku 5.5 (Max) o GPT-6 Luna (Max) queda por delante.
La regla práctica: empieza por el modelo de decisión cuando el costo por tarea importa y el volumen es alto. Migra a un LLM general cuando la tarea exija razonamiento más profundo o cuando el modelo de decisión no alcance la precisión necesaria.
Si quieres ver cómo se desempeñan los agentes de IA en benchmarks de código y operaciones, revisa la publicación sobre GDPx y el desempeño de agentes en tareas profesionales y el Artificial Analysis Intelligence Index v5.
Para quienes trabajan con agentes de IA a diario, bridgecode permite coordinar múltiples agentes en paralelo, cada uno en su espacio aislado, con sus modelos y claves. Mira cómo funciona la orquestación en bridgecode.
Fuente: Artificial Analysis
Tags:#Decision Index v2#Artificial Analysis#benchmarks#modelos de decisão#calibração
Desarrollador y creador de bridgecode, un entorno de desarrollo agéntico para orquestar squads de agentes de IA. Ayuda a quienes van del vibe coding al desarrollo profesional a pasar de la idea al producto entregado.
Artículos relacionados
Benchmarks
Inkling 2 Small suelta 316 palabrotas en benchmarks: lo que revela
Inkling 2 Small soltó 316 palabrotas en 2.655 ejecuciones de benchmark. Lo que esto revela sobre los bucles de razonamiento y sobre la lectura de benchmarks.
6 min
Benchmarks
Fable 5.2 vs Opus 5.5: qué modelo elegir para cada tarea
Compara Claude Fable 5.2 y Opus 5.5: benchmarks autoinformados, precio, velocidad y recomendación por tipo de uso para quien programa con IA.
5 min
Benchmarks
Terminal-Bench 4.0: Claude Opus 5.5 y Sonnet 5.5 lideran operaciones en terminal con 65%
Terminal-Bench 4.0 evalúa agentes de IA resolviendo problemas en terminal Linux real. Claude Opus 5.5 lidera con 65,15%, seguido por Sonnet 5.5 con 64,14%.
5 min