Comparativa de modelos de IA multimodales en razonamiento visual
Evaluamos 15 destacados modelos de IA multimodales en razonamiento visual utilizando 200 preguntas de base visual. La evaluación consistió en dos bloques: 100 preguntas de comprensión de gráficos que ponían a prueba la interpretación de visualizaciones de datos, y 100 preguntas de lógica visual que evaluaban el reconocimiento de patrones y el razonamiento espacial. Cada pregunta se ejecutó 5 veces para garantizar resultados consistentes y fiables.
Benchmark de razonamiento visual
Consulte nuestra metodología del benchmark para conocer nuestros procedimientos de prueba.
Todos los modelos obtienen una puntuación más baja en lógica visual que en gráficos, por entre 22 y 44 puntos. qwen3-vl-8b-thinking, un modelo de 8B, obtiene un 50 % global, ligeramente por encima de claude-sonnet-4.5 y claude-haiku-4.5 (47 % cada uno). gpt-5.2-pro no obtiene una puntuación superior a la de gpt-5.2 (66 % frente a 67 %).
- La puntuación más alta en lógica visual es 58 % y la más alta en comprensión de gráficos es 84 %, ambas de gemini-3.1-pro-preview.
- llama-4-maverick es el último en la clasificación general debido a la lógica visual: responde correctamente el 10 % de estas preguntas, por debajo del 20 % que daría el azar con cinco opciones. En gráficos obtiene un 54 %, por delante de grok-4.1-fast (52 %) y gemini-2.5-flash (46 %).
Fiabilidad estadística del rendimiento en razonamiento visual (IC del 95 %)
Calculamos los intervalos de confianza (IC) del 95 % mediante 10.000 remuestreos bootstrap para definir el margen de error de cada modelo, mostrando el rango en el que probablemente se sitúa su rendimiento real.
Preguntas del benchmark sobre dónde los LLMs más destacan y tienen más dificultades
Pregunta de gráficos con la menor tasa de éxito de LLM
Figura 1: Gráfico de barras que muestra los volúmenes de ventas de Star a lo largo de 12 meses con cuatro barras agrupadas por mes (datos de 1998-2000). Cada mes muestra barras sólidas, blancas y rayadas en una agrupación compacta.
Nota: Todos los gráficos se obtuvieron de Hitbullseye.1
Pregunta: Si las ventas de tres años consecutivos aumentan o disminuyen de manera constante, se denomina tendencia constante. ¿Qué meses muestran una tendencia constantemente creciente a lo largo de tres años consecutivos?
Por ejemplo, en junio de 1999, Actual fue inferior a la de 1998, lo que mostraba 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 se agrupan 4 barras por mes, los modelos tuvieron dificultades con la asignación de barra a año y con la percepción de la altura relativa. No pudieron distinguir con precisión qué barra rayada, sólida o blanca pertenecía a cada año, lo que llevó a leer las barras en el orden incorrecto o a confundir sus alturas.
Pregunta de gráficos con la mayor tasa de éxito de LLM
Figura 2: Gráfico de barras que muestra los porcentajes de participación electoral en las elecciones generales de la India de 1952 a 1998. Una barra por año electoral con un espaciado claro entre las barras.
Pregunta: ¿La mayor y la menor participación electoral histórica (en porcentaje) se registraron respectivamente en qué años?
Todos los modelos respondieron correctamente a esta pregunta. Este éxito demuestra que los modelos destacan en la identificación simple de mínimo y máximo, encontrando la barra más alta y la más baja.
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 una comparación visual directa.
Pregunta de lógica visual con la mayor tasa de éxito de LLM
Figura 3: Dos cuadrículas alineadas de 3×3 que muestran coincidencia de patrones algebraicos. La cuadrícula superior contiene variables y sus operaciones (multiplicación, división, exponentes). La cuadrícula inferior muestra valores numéricos, con algunas celdas rellenadas (6, 36, 3/4) y dos incógnitas (A, B). La pregunta pide hallar 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 de cuadrícula simple, sin complejidad visual, permitió a los modelos centrarse únicamente en la inferencia numérica y la deducción lógica.
Pregunta de lógica visual con la menor tasa de éxito de LLM
Figura 4: Rompecabezas de reconocimiento de patrones con círculos que contienen diferentes patrones de líneas internas y formas geométricas. Se muestran arriba dos secuencias de ejemplo con flechas, seguidas de una pregunta que pide completar la tercera secuencia entre cinco opciones de respuesta múltiple.
La dificultad radica en requerir reconocimiento de patrones visuales abstractos y en identificar reglas de transformación geométrica en múltiples ejemplos.
Metodología del benchmark
Todos los modelos se evaluaron a través de OpenRouter API con parámetros estandarizados: la temperatura se fijó en 0.8 y el parámetro de max tokens no se estableció para evitar limitar las capacidades de razonamiento. Se indicó a los modelos que respondieran únicamente con una sola letra (A-E) sin explicación, aunque algunos modelos proporcionaron razonamientos detallados, 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.
El benchmark consistió en 200 preguntas divididas en dos categorías: Comprensión de gráficos (100 preguntas), que abarcaban gráficos de barras, gráficos de líneas, diagramas de dispersión y visualizaciones de datos complejas; y Lógica visual (100 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 a los modelos en su capacidad 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 series únicas y múltiples, 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 paneles múltiples
2. Lógica visual Evaluamos el razonamiento abstracto y la inteligencia espacial mediante:
- Reconocimiento de patrones: Identificación de secuencias y finalización de patrones visuales
- Razonamiento espacial: Visualización 3D, desarrollos 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 pregunta
- Formato de respuesta: Opción múltiple (A, B, C, D, E)
Añadir como fuente preferidaCita 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{sipi2026,
author = {Şipi, Nazlı},
title = {{Comparativa de modelos de IA multimodales en razonamiento visual}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/visual-reasoning}},
note = {AIMultiple. Recuperado el 10 de junio de 2026}
}Resultados y marcas de tiempo de 22.8 mil puntos de datos. Descargue los datos resumidos que se muestran en los gráficos y las tablas de este artículo como un archivo ZIP que contiene 3 archivos CSV y un README.
¿Quieres los datos granulares que hay detrás? Únete a Premium
Registro de cambios
6 actualizacionesActualizado el número de modelos comparados en la sección de evaluación comparativa de razonamiento visual.
Se reemplazó la configuración del parámetro de tokens máximos en la metodología de Benchmark.
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.