Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

AIME (benchmark)

AIME, el American Invitational Mathematics Examination, es una competición de matemáticas de Estados Unidos con 15 preguntas cuyas respuestas son números enteros del 0 al 999; los laboratorios de IA usan sus exámenes anteriores, como AIME 2025, como benchmark de razonamiento matemático.

También llamado: AIME 2025, AIME 2024, American Invitational Mathematics Examination

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

El nombre tiene dos significados. Primero, AIME es un examen real que organiza la Mathematical Association of America para estudiantes con buenos resultados en el AMC 10 o el AMC 12. Tiene 15 preguntas y tres horas en total para responderlas, y forma parte del camino hacia la USA Mathematical Olympiad.

AIME como benchmark de IA

Segundo, en los anuncios de modelos "AIME 2025" significa la puntuación de un modelo en las preguntas de ese año. AIME encaja bien para probar IA porque los problemas exigen varios pasos de razonamiento, pero cada respuesta es un único entero del 0 al 999, así que la corrección es automática y exacta. Evaluaciones como el Artificial Analysis Intelligence Index han usado AIME 2025 con un comprobador de igualdad matemática.

Cómo leer las puntuaciones

Los resultados de AIME se convirtieron en una forma habitual de lucir los modelos de razonamiento, que dedican cómputo en tiempo de prueba adicional a trabajar un problema antes de responder. Como un examen solo tiene 15 preguntas, un problema mueve mucho la puntuación, así que las pequeñas diferencias entre modelos significan poco. Los exámenes anteriores se publican en internet, así que los años más antiguos pueden haberse filtrado a los datos de entrenamiento, el riesgo conocido como contaminación de benchmarks. Por eso los informes suelen indicar el año, y el más reciente es el más fiable.

Límites

AIME evalúa matemáticas de competición con respuestas cortas. Dice poco sobre demostraciones, matemáticas aplicadas en código o la capacidad de explicar una solución con claridad. Úsalo como una señal más entre los benchmarks.

Términos relacionados

Benchmark de IA
Un benchmark de IA (prueba de referencia) es un conjunto fijo y público de tareas con un método de puntuación acordado, que se usa para comparar modelos en la misma prueba, por ejemplo incidencias de código resueltas, preguntas de examen respondidas o calidad de recuperación en muchos conjuntos de datos.
Modelo de razonamiento
Un modelo de razonamiento (reasoning model) es un modelo de lenguaje entrenado para resolver un problema mediante un flujo de tokens de razonamiento intermedios antes de dar su respuesta final, lo que suele ayudar en matemáticas, programación y tareas de varios pasos.
Contaminación de benchmarks
La contaminación de benchmarks (benchmark contamination) se produce cuando un modelo ha visto durante el entrenamiento las preguntas o respuestas de prueba de un benchmark, de modo que su puntuación en él exagera lo bien que resuelve problemas nuevos del mismo tipo.
Test-time compute
El test-time compute (cómputo en tiempo de inferencia) es la cantidad de cálculo que gasta un modelo al responder una petición, y no durante el entrenamiento. Dejar que un modelo piense más tiempo o pruebe varias respuestas puede mejorar los resultados en problemas difíciles.
Chain-of-thought
El chain-of-thought (CoT, cadena de pensamiento) es un método de prompting en el que un modelo de lenguaje escribe pasos de razonamiento intermedios antes de su respuesta final, lo que suele mejorar los resultados en matemáticas, lógica y otros problemas de varios pasos.

Fuentes