Comparar modelos de IA multimodal en razonamiento visual
Evaluamos 15 modelos de IA multimodal líderes en razonamiento visual utilizando 200 preguntas basadas en imágenes. La evaluación consistió en dos pruebas: 100 preguntas de comprensión de gráficos que evalúan la interpretación de visualizaciones de datos, y 100 preguntas de lógica visual que evalúan el reconocimiento de patrones y el razonamiento espacial. Cada pregunta se ejecutó 5 veces para garantizar resultados consistentes y fiables.
Evaluación comparativa de razonamiento visual
Consulte nuestra metodología de evaluación comparativa para conocer nuestros procedimientos de prueba.
gemini-3.1-pro-preview y gemini-3-pro-preview lideran la clasificación. Les siguen gpt-5.2, kimi-k2.5 y gpt-5.2-pro, que lideran el siguiente grupo de modelos. Aunque la mayoría de los modelos tienen un buen rendimiento en tareas basadas en datos, queda una brecha para llama-4-maverick a la hora de conectar entradas visuales con pasos lógicos.
Lógica visual
La lógica visual requiere reconocimiento de patrones y razonamiento espacial. gemini-3.1-pro-preview lidera la prueba de lógica visual, mostrando el mayor rendimiento en tareas de razonamiento abstracto. Muchos modelos muestran una disminución del rendimiento en comparación con los resultados en análisis de gráficos. llama-4-maverick muestra una limitación en estas tareas.
Comprensión de gráficos
Los modelos demuestran una mejor competencia en la interpretación de gráficos que en la lógica visual. gemini-3.1-pro-preview tiene la puntuación más alta en las pruebas de comprensión de gráficos, seguido de cerca por gemini-3-pro-preview y gemini-2.5-pro, mostrando una gran capacidad para decodificar datos estructurados y visualizaciones. claude-opus-4.6 y claude-sonnet-4.6 muestran resultados más altos al interpretar gráficos en comparación con sus puntuaciones de lógica. Las tareas visuales basadas en datos son más accesibles para los modelos multimodales actuales que el reconocimiento de patrones.
Fiabilidad estadística del rendimiento de razonamiento visual (95% IC)
Calculamos los intervalos de confianza (95% IC) mediante 10,000 remuestreos bootstrap para definir el margen de error de cada modelo, mostrando el rango dentro del cual probablemente se encuentra su verdadero rendimiento.
Preguntas de la evaluación comparativa sobre dónde los LLM destacan y tienen más dificultades
Pregunta de gráfico con la tasa de éxito más baja de los LLM
Figura 1: Gráfico de barras que muestra los volúmenes de ventas de Star en 12 meses con cuatro barras agrupadas por mes (datos de 1998-2000). Cada mes muestra barras sólidas, blancas y rayadas en una agrupación cercana.
Nota: Todos los gráficos se obtuvieron de Hitbullseye.1
Pregunta: Si las ventas de tres años consecutivos aumentan o disminuyen constantemente, entonces se denomina tendencia estable. ¿Qué meses muestran una tendencia de aumento constante a lo largo de tres años consecutivos?
Por ejemplo, en junio de 1999, el valor real fue inferior al de 1998, mostrando una disminución, pero el modelo lo interpretó incorrectamente como un aumento constante. La mayoría de los modelos cometen el mismo error en esta pregunta.
Cuando hay 4 barras agrupadas por mes, los modelos tuvieron dificultades con la asignación de barras a los años y la percepción de la altura relativa. No pudieron distinguir con precisión qué barra (rayada, sólida o blanca) pertenecía a cada año, lo que provocó que las barras se leyeran en el orden incorrecto o que se confundieran sus alturas.
Esto reveló una limitación fundamental en el razonamiento visuoespacial: los modelos actuales carecían de la percepción precisa a nivel de píxel necesaria para medir y secuenciar correctamente barras densamente agrupadas, lo que provocó una identificación errónea sistemática de las tendencias.
Pregunta de gráfico con la tasa de éxito más alta de los LLM
Figura 2: Gráfico de barras que muestra los porcentajes de participación electoral en las elecciones generales de la India desde 1952 hasta 1998. Una barra por año electoral con un espaciado claro entre barras.
Pregunta: ¿En qué años se registró, respectivamente, la participación electoral más alta y la más baja (en porcentaje)?
Todos los modelos respondieron correctamente a esta pregunta. Este éxito muestra que los modelos destacan en la identificación simple de mínimos y máximos, encontrando las barras más altas y más bajas.
A diferencia de los grupos agrupados de 4 barras, que resultan confusos, este gráfico tiene una sola barra por año con un espaciado claro, lo que facilita la comparación visual directa. Los modelos tienen un buen rendimiento en tareas puramente observacionales que no requieren una asignación compleja de barras a categorías.
Pregunta de lógica visual con la tasa de éxito más alta de los LLM
Figura 3: Dos cuadrículas alineadas de 3×3 que muestran correspondencia de patrones algebraicos. La cuadrícula superior contiene variables y sus operaciones (multiplicación, división, exponentes). La cuadrícula inferior muestra valores numéricos, con algunas celdas rellenas (6, 36, 3/4) y dos incógnitas (A, B). La pregunta pide encontrar B-A.
El éxito se debió al claro patrón matemático visible en la estructura de la tabla (relaciones algebraicas como a×b, c×d). El diseño simple de la cuadrícula, sin complejidad visual, permitió a los modelos centrarse únicamente en la inferencia numérica y la deducción lógica.
Los modelos destacan cuando los problemas implican patrones matemáticos explícitos que pueden resolverse mediante razonamiento paso a paso, demostrando su fortaleza en lógica simbólica y reconocimiento de patrones cuando las distracciones visuales son mínimas.
Pregunta de lógica visual con la tasa de éxito más baja de los LLM
Figura 4: Rompecabezas de reconocimiento de patrones con círculos que contienen diferentes patrones de líneas internas y formas geométricas. Se muestran dos secuencias de ejemplo con flechas en la parte superior, seguidas de una pregunta que pide completar la tercera secuencia a partir de cinco opciones de opción múltiple.
La dificultad se debe a la necesidad de reconocer patrones visuales abstractos, identificando reglas de transformación geométrica en múltiples ejemplos.
Esto exige razonamiento espacial puro para entender cómo las formas giran, se transforman y se relacionan entre sí. Los modelos tienen dificultades con la inferencia de reglas a partir de secuencias visuales cuando no hay guía numérica o textual explícita disponible, solo patrones espaciales.
¿Qué es el razonamiento visual?
El razonamiento visual es la capacidad de un modelo para interpretar imágenes, conectar elementos visuales y responder preguntas que requieren comprender tanto información visual como textual. Esta capacidad va más allá del simple reconocimiento de objetos, abarcando tareas como el análisis de visualizaciones de datos, la identificación de patrones espaciales y la comprensión de las relaciones entre los elementos visuales.
Nuestra evaluación comparativa lo evaluó a través de dos pruebas distintas para examinar diferentes aspectos cognitivos: comprensión de gráficos, donde los modelos interpretaron gráficos de barras, de líneas y de dispersión para evaluar su capacidad de extraer información estructurada de las visualizaciones de datos; y lógica visual, donde abordaron rompecabezas de reconocimiento de patrones y problemas de razonamiento espacial para medir el razonamiento abstracto sin guía numérica explícita. Esta división refleja la distinción fundamental entre cómo los modelos procesan datos explícitos y patrones implícitos.
Los modelos logran el razonamiento visual mediante diferentes enfoques arquitectónicos. Por ejemplo, el marco Cola coordina múltiples modelos de visión-lenguaje en el que cada uno proporciona leyendas y respuestas plausibles, luego un LLM central evalúa estas opciones y selecciona la respuesta más precisa.
Figura 5: Gráfico que muestra cómo Cola aprovecha un modelo de lenguaje coordinativo para el razonamiento visual.2
Otro ejemplo es el marco CVR-LLM, que mejora el razonamiento convirtiendo imágenes en descripciones sensibles al contexto mediante el método CaID y seleccionando ejemplos relevantes con el procedimiento CVR-ICL. Este marco trata la información de la imagen como representaciones basadas en texto, permitiendo al LLM analizar asociaciones de manera más efectiva en varios tipos de tareas multimodales.3
Cómo funciona el razonamiento visual en los LLM
Los LLM no perciben las imágenes directamente. Se basan en codificadores de visión que convierten las imágenes en representaciones estructuradas adecuadas para los modelos de lenguaje. El codificador identifica objetos, texturas, relaciones espaciales y patrones visuales. El LLM combina luego esta representación con la consulta de texto para construir una cadena de razonamiento.
Coordinación o refinamiento
Existen dos mecanismos principales para escenarios visuales complejos: la coordinación, donde un LLM integra las salidas de múltiples modelos de visión para verificar las interpretaciones; y el refinamiento, donde el LLM mejora iterativamente las descripciones de las imágenes mediante bucles de retroalimentación que identifican la información que falta. Ambos abordan las limitaciones en las que los modelos individuales no logran analizar escenarios complejos.
Aprendizaje en contexto para el razonamiento multimodal
Algunos marcos recuperan ejemplos similares de los datos de entrenamiento, proporcionando al modelo plantillas para interpretar las entradas visuales. Estas demostraciones ayudan al modelo a aplicar patrones de razonamiento aprendidos a nuevos problemas.
Producción de la explicación final
El LLM produce una respuesta respaldada por un proceso de razonamiento, explicando cómo interpretó la imagen, en qué elementos visuales se basó y las conexiones lógicas que estableció.
Razonamiento de cadena de pensamiento en tareas visuales
El razonamiento de cadena de pensamiento (CoT) ha surgido como un enfoque importante en el razonamiento visual. En lugar de analizar una imagen de una vez, los modelos ahora descomponen los problemas visuales en pasos más pequeños y secuenciales, de forma similar a como los humanos resuelven problemas complejos pensando paso a paso.
El CoT visual permite a los modelos ajustar dinámicamente el enfoque en diferentes regiones espaciales de una imagen, abordando una limitación clave en la que los modelos dependían anteriormente del procesamiento de imágenes con granularidad fija. Por ejemplo, al analizar un gráfico complejo, el modelo podría identificar primero los ejes, luego examinar los puntos de datos individuales y, por último, comparar tendencias, en lugar de intentar entender todo simultáneamente.
Este enfoque integra el aprendizaje por refuerzo y el aprendizaje por imitación para alinear los modelos más estrechamente con los patrones de razonamiento humano. Esto representa un cambio fundamental del reconocimiento pasivo de patrones a la resolución activa de problemas visuales, donde los modelos exploran y razonan activamente sobre lo que ven. 4
Aplicaciones empresariales del razonamiento visual en los LLM
Los LLM con capacidades visuales pueden apoyar múltiples escenarios empresariales. Estas aplicaciones dependen de la capacidad del modelo para analizar imágenes, vincularlas con datos de texto y producir información fiable.
Análisis de documentos y contenidos
Las empresas manejan diagramas, dibujos de ingeniería, figuras de revistas científicas y diversas formas de datos visuales. Un modelo de razonamiento visual puede:
- Detectar elementos faltantes o incorrectos.
- Identificar objetos o señales en la parte inferior o en las esquinas de los diagramas.
- Conectar segmentos de texto e imagen para controles de calidad.
- Extraer información estructurada para su posterior implementación o generación de informes.
Por ejemplo, Intuit integró los modelos Doc IA de Google Cloud y Gemini para rellenar automáticamente las declaraciones de impuestos en los formularios fiscales comunes de EE.UU., mejorando tanto la velocidad como la precisión en el procesamiento de documentos.5
Inspección de calidad y operaciones
En la fabricación y la logística, los modelos pueden inspeccionar productos o paquetes. El razonamiento visual ayuda a detectar defectos, desalineaciones o patrones inusuales. El modelo puede comparar imágenes con una referencia y generar una explicación de lo que ha cambiado o lo que falta.
Intel, por ejemplo, utiliza sistemas de inspección visual con IA que ahorran 2 millones de dólares al año, y los fabricantes suelen lograr un ROI en 6-12 meses gracias a la reducción de desechos y menos devoluciones de clientes. 6
Comercio minorista y comercio electrónico
Los modelos analizan las imágenes de los productos, identifican los atributos clave y los relacionan con los datos del catálogo. Las capacidades de búsqueda visual permiten a los clientes cargar imágenes para encontrar productos similares mediante visión artificial, mientras que los motores de recomendación de tallas basados en IA han reducido las tasas de devolución en un 20-30%. Estos sistemas también detectan incoherencias entre las descripciones de los productos y las imágenes.7
Seguridad y monitorización
El razonamiento visual apoya las tareas de inspección de video e imágenes mediante el análisis de secuencias de fotogramas y la detección de patrones inusuales. Cambridge Industries implementó un sistema de seguridad basado en IA para obras de construcción que redujo los costes de reparación de emergencia en casi un 50%. 8
Marketing y experiencia de usuario
El razonamiento visual ayuda a los equipos a comprender cómo interactúan los usuarios con el contenido digital. Un modelo puede evaluar capturas de pantalla o creatividades y proporcionar información sobre el diseño, la ubicación de los objetos y los posibles problemas. Esto es especialmente relevante al evaluar diferentes categorías de activos visuales.
Por ejemplo, Comeen utiliza la IA Gemini para generar subtítulos multilingües para vídeos laborales en 40 idiomas con un solo clic, eliminando el proceso de varios días y múltiples proveedores que antes hacía que el contenido quedara obsoleto antes de su publicación. 9
Añadir como fuente preferidaPanorama comparativo: principales actores y sus enfoques
Chance IA
Chance IA se encuentra entre las primeras herramientas comerciales construidas en torno a la comprensión basada en la visión. Su sistema de razonamiento visual analiza las imágenes a través de lentes culturales, históricos, funcionales y estéticos. En lugar de asignar etiquetas simples, ofrece información estructurada que explica por qué un objeto, figura o escena es importante, como el estilo, el simbolismo y el contexto histórico de la obra de arte, junto con su tema.
El diseño prioriza la experiencia del usuario al permitir una exploración basada en el significado a través de imágenes sin consultas escritas. Esto va más allá de la visión artificial tradicional hacia la interpretación, la narración y la explicación similar a la humana, lo que lo hace especialmente relevante para las industrias creativas, la educación y el turismo, donde el contexto añade valor más allá del reconocimiento.10
Meta IA
El marco UniBench de Meta introdujo un enfoque unificado para evaluar el razonamiento visual combinando más de cincuenta puntos de referencia para la comprensión espacial, el razonamiento compositivo y el conteo. Al probar casi sesenta modelos de visión-lenguaje, Meta descubrió que escalar los datos y el tamaño del modelo mejora la percepción pero no el razonamiento, y que incluso los modelos avanzados fallan en tareas simples como el reconocimiento de dígitos y el conteo de objetos.
Estos hallazgos cambiaron la forma de medir el progreso del razonamiento visual, destacando la necesidad de datos de mayor calidad, objetivos específicos y un aprendizaje estructurado en lugar de depender únicamente de modelos más grandes. Para las empresas, UniBench ofrece una forma transparente de comparar el rendimiento del razonamiento en diferentes tareas multimodales antes del despliegue.11
Figura 6: El gráfico muestra el rendimiento medio de 59 VLM en 53 puntos de referencia, revelando que, a pesar de los avances, muchos modelos siguen rindiendo cerca del nivel de azar, especialmente en tareas como Winoground, iNaturalist, DSPR y otras (azul: mediana de cero disparos; gris: nivel de azar).12
OpenAI
OpenAI avanzó en el razonamiento visual con los modelos o3 y o4-mini, que pueden pensar con imágenes integrando la manipulación de imágenes en su razonamiento. Durante el análisis, amplían, recortan o giran las imágenes para centrarse en los detalles relevantes, reflejando cómo los humanos ajustan la atención visual al interpretar diagramas o dibujos.
Probados en varios puntos de referencia multimodales como la interpretación de gráficos, la resolución de problemas visuales y el razonamiento matemático, los modelos mostraron claras mejoras en precisión y comprensión contextual. Sin embargo, los resultados también pusieron de manifiesto limitaciones, como el razonamiento inconsistente y los errores de percepción ocasionales, lo que subraya el reto actual de la fiabilidad en los sistemas de razonamiento visual.
Figura 7: El gráfico muestra los resultados de todos los modelos evaluados bajo configuraciones de alto “esfuerzo de razonamiento”.13
Esfuerzos académicos y de investigación abierta
VisuLogic: un punto de referencia para evaluar el razonamiento visual en modelos de lenguaje grandes multimodales
Este artículo presenta VisuLogic, un punto de referencia para evaluar el rendimiento de los modelos multimodales en tareas de razonamiento visual. Combina más de cincuenta conjuntos de datos que abarcan varios tipos de razonamiento, incluyendo relaciones espaciales, lógica compositiva y conteo de objetos.
Los autores analizan docenas de modelos existentes y descubren que aumentar el tamaño o la escala de los datos mejora el reconocimiento de imágenes pero no el razonamiento. Los modelos a menudo detectan patrones sin comprender las relaciones entre los objetos. El artículo enfatiza que el entrenamiento específico para el razonamiento, una mejor calidad de los datos y una evaluación detallada son esenciales para un progreso significativo.
VisuLogic ofrece un marco unificado que ayuda a investigadores y empresas a analizar las capacidades de razonamiento en lugar de depender únicamente de métricas de percepción, lo que lo convierte en un recurso valioso para evaluar sistemas de razonamiento multimodal.14
Explicar antes de responder: una revisión sobre el razonamiento visual compositivo
Esta revisión examina los enfoques actuales del razonamiento visual compositivo, centrándose en cómo los modelos combinan pistas visuales y textuales para llegar a una respuesta correcta. Identifica las debilidades de los métodos existentes que dependen del reconocimiento en lugar del razonamiento estructurado.
Los autores proponen entrenar modelos para que expliquen antes de responder, asegurando que cada proceso de razonamiento sea transparente e interpretable. Discuten técnicas para alinear las representaciones visuales y lingüísticas para que los modelos puedan comprender mejor diagramas, figuras y asociaciones de objetos.
El artículo concluye que el razonamiento alineado y explicable mejora la fiabilidad y la interpretabilidad en las tareas multimodales. Destaca que el futuro de la investigación en razonamiento visual depende de la integración del aprendizaje basado en explicaciones en el diseño de modelos.15
Desafíos en las capacidades de razonamiento visual de los LLM
El progreso en el razonamiento visual también conlleva desafíos técnicos y éticos que deben considerarse.
La fiabilidad sigue siendo una preocupación clave. Como se ha visto en nuestra evaluación comparativa, los modelos tienen dificultades con las visualizaciones densamente agrupadas, fallando en la asignación de barras a los años y en la percepción de la altura relativa en gráficos complejos, lo que provoca errores sistemáticos en la identificación de tendencias. Incluso los modelos avanzados fallan en tareas simples como el reconocimiento de dígitos y el conteo de objetos, y el escalado de datos mejora la percepción pero no el razonamiento.
Sesgo y problemas de interpretación están generalizados. Los modelos de razonamiento visual aprenden y reflejan los sesgos presentes en sus datos de entrenamiento al interpretar imágenes. Los modelos reflejan suposiciones y estereotipos culturales de los datos de entrenamiento, incluidos los sesgos de género, raza, edad y discapacidad. Por ejemplo, al predecir las profesiones de las personas en una imagen o al interpretar escenarios, estos sesgos pueden distorsionar los resultados.
Explicabilidad es fundamental para la confianza. Los modelos deben explicar su proceso de razonamiento de forma transparente, especialmente en aplicaciones de alto riesgo como la atención sanitaria, la contratación y la justicia penal, donde los resultados sesgados causan daños.
Metodología de la evaluación comparativa
Todos los modelos se evaluaron a través de la API de OpenRouter con parámetros estandarizados: temperatura establecida en 0.8 y el parámetro de tokens máximos no se estableció para evitar limitar las capacidades de razonamiento. Se instruyó a los modelos para que respondieran solo con una sola letra (A-E) sin explicación, aunque algunos modelos aún proporcionaron un razonamiento detallado, que analizamos para extraer las respuestas finales. La evaluación se ejecutó en paralelo en todos los modelos simultáneamente. Cada pregunta se ejecutó 5 veces para garantizar resultados consistentes y fiables.
La evaluación comparativa consistió en 200 preguntas divididas en dos categorías: Comprensión de gráficos (100 preguntas), que abarcaban gráficos de barras, de líneas, de dispersión y visualizaciones de datos complejas, y Lógica visual (10 preguntas), que evaluaban el reconocimiento de patrones, el razonamiento espacial y la lógica visual matemática. Todas las preguntas se presentaron en formato de opción múltiple con cinco opciones (A-E), lo que requería que los modelos analizaran imágenes y seleccionaran la respuesta correcta.
Questions:
1. Comprensión de gráficos Evaluamos la capacidad de los modelos para extraer, interpretar y analizar información de diversas visualizaciones de datos:
- Gráficos de barras: Configuraciones horizontales y verticales, formatos apilados y agrupados
- Gráficos de líneas: Tendencias de una y varias series, datos de series temporales
- Diagramas de dispersión: Análisis de correlación, identificación de patrones con ejes etiquetados
- Gráficos circulares: Distribuciones porcentuales y razonamiento proporcional
- Visualizaciones complejas: Gráficos combinados, gráficos de doble eje y pantallas multipanel
2. Lógica visual Evaluamos el razonamiento abstracto y la inteligencia espacial mediante:
- Reconocimiento de patrones: Identificar secuencias y completar patrones visuales
- Razonamiento espacial: Visualización 3D, redes de cubos y transformaciones geométricas
- Lógica matemática: Patrones numéricos, razonamiento algebraico y combinatoria
- Pensamiento abstracto: Manipulación de símbolos, deducción lógica e inferencia de reglas
Formato de la pregunta
- Formato de respuesta: Opción múltiple (A, B, C, D, E)
Cita este benchmark
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{ermut2026,
author = {Ermut, Sıla and Şipi, Nazlı},
title = {{Comparar modelos de IA multimodal en razonamiento visual}},
year = {2026},
month = feb,
howpublished = {\url{https://aimultiple.com/visual-reasoning}},
note = {AIMultiple. Recuperado el 20 de Febrero de 2026}
}Enlaces de referencia
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.