Skip to main content
AI RADARModelos
234•02/10/2026, 19:02•2 min

BridgeMind presenta NerfBench para detectar degradación de modelos de IA tras el lanzamiento

Resumen ejecutivo30 seg

NerfBench mide si los modelos de IA empeoran, gastan más tokens o cuestan más después de su lanzamiento.

Los usuarios de chatbots y agentes reportan constantemente que los modelos de IA empeoran después de su lanzamiento y/o antes de que salga una nueva versión. Este proceso se ha apodado «nerf».

BridgeMind ha lanzado un benchmark especial llamado NerfBench para detectar estos cambios.

Funciona así: el día del lanzamiento, el modelo se somete a pruebas y ese resultado se toma como 100%. Después, se vuelve a probar periódicamente, midiendo calidad, consumo de tokens y costo por tarea. Un rango de 90–110% se considera variación estadística normal; todo lo que esté por debajo del 90% se marca como sospechoso. Si el modelo necesita más tokens o más dinero para hacer el mismo trabajo, también se cuenta como pérdida de potencia.

Por ejemplo, muchos usuarios se quejan ahora de que Opus 5.5 ha bajado notablemente de nivel. De hecho, tras la última medición, su puntuación rondó el 94% del lanzamiento: formalmente sigue dentro del rango normal, pero ningún otro modelo ha empeorado tanto. En la red ya se comenta que esto podría indicar la pronta salida de Fable 5.5.

Las actualizaciones del benchmark pueden seguirse aquí.

BridgeMind también prometió destinar $10,000 a financiar futuras comprobaciones: se planean nuevos modelos y mediciones más frecuentes.

Por qué es importante

Análisis

NerfBench ofrece una forma práctica de monitorizar si los proveedores de IA reducen la calidad de sus modelos o aumentan los costes tras el lanzamiento. Puede ayudar a detectar regresiones que no aparecen en los anuncios oficiales.

Debatir en la comunidad

Comparte tus preguntas e ideas con desarrolladores

Unirse a Telegram
+5 Points
← Volver a noticias

Relacionado en el ecosistema

Guías prácticas, terminología y skills de agentes