¿Qué IA es mejor en matemáticas? El ranking real
Por Chatday Editorial Team ·
Si buscas la IA más fuerte en matemáticas ahora mismo, es GPT-6.1 Sol. A principios de este mes se convirtió en el primer modelo en resolver todos los problemas del nivel más difícil de FrontierMath, un examen hecho con preguntas de nivel de investigación que escriben matemáticos profesionales y que hasta hace poco la IA ni rozaba. Detrás, entre los modelos que de verdad puedes usar en Chatday, vienen Claude Sonnet 5.5 y Claude Opus 5.
Esa es la respuesta de la clasificación. Ahora bien, para una ficha de fracciones, el cálculo aproximado de una hipoteca o repartir la propina, cualquiera de los mejores modelos te sirve, y los errores que todavía cometen tienen poco que ver con lo listos que sean.
Cómo hemos ordenado los modelos de IA para matemáticas
No nos hemos inventado ningún examen. Nos hemos apoyado en el más duro de los públicos: FrontierMath, que gestiona el grupo de investigación independiente Epoch AI. Su nivel más difícil son unas pocas decenas de problemas inéditos, al nivel de la investigación matemática real. Las soluciones no están en internet, así que ningún modelo ha podido memorizarlas.
Lo elegimos por tres motivos:
- Es lo bastante difícil como para separar a los mejores modelos. Los exámenes más fáciles, de nivel escolar, hace tiempo que dejaron de distinguirlos, porque todos sacan casi la nota máxima.
- Se corrige de forma automática. El modelo tiene que dar una respuesta final exacta, así que no hay notas a ojo.
- Es independiente de las empresas. Más o menos. Ahora te lo explicamos.
Después nos quedamos solo con los modelos que Chatday ofrece de verdad, así que cada nombre de abajo lo puedes abrir y probar hoy mismo.
El ranking: qué IA es mejor en matemáticas difíciles
Así les fue a los modelos disponibles en Chatday en el nivel de investigación de FrontierMath, con los porcentajes pasados a algo más fácil de imaginar. Las puntuaciones son de la clasificación pública a mediados de octubre de 2026.
| Modelo | Problemas de investigación resueltos | Ideal para |
|---|---|---|
| GPT-6.1 Sol | Todos | Las demostraciones, acertijos y problemas de varios pasos más duros |
| Claude Sonnet 5.5 | Unos 8 de cada 10 | Matemáticas difíciles explicadas con pasos claros y tranquilos |
| Claude Opus 5 | Unos 7 de cada 10 | Problemas largos en los que quieres un razonamiento cuidadoso |
| GPT-5.5 | Unos 7 de cada 10 | Un todoterreno sólido y conocido |
| Claude Haiku 5.5 | Casi la mitad | Ayuda rápida cuando la velocidad importa más que la profundidad |
| Grok 4.6 | Más o menos 1 de cada 3 | Preguntas del día a día, no matemáticas de competición |
| Gemini 3.1 Pro | Más o menos 1 de cada 4 | Tareas mixtas, como leer un gráfico o la foto de una ficha |
Hay varias cosas que llaman la atención.
GPT-6.1 Sol es el ganador sorpresa. Ni siquiera es el modelo más caro de OpenAI. Es la gama más económica que OpenAI presentó en su DevDay del 29 de septiembre, y en este examen igualó, y superó por un pelo, al buque insignia de la propia empresa. Contamos el lanzamiento en nuestro artículo sobre GPT-6.1 Sol.
Claude es la segunda familia fuerte. Sonnet 5.5, el Claude de tamaño medio, sacó incluso algo más de nota que el más grande, Opus 5. Aquí gana lo nuevo sobre lo grande, y es un buen recordatorio de que el nombre de un modelo no te dice su posición.
Gemini y Grok se quedan atrás en esta tarea concreta. Eso no los convierte en malos. Gemini 3.1 Pro está pensado para tareas mixtas, como leer la foto de un problema, y Grok es rápido y charlatán. Simplemente no son los que elegirías para una demostración realmente difícil.
Por qué un modelo que borda las matemáticas de investigación puede fallar con tus deberes
Aquí es donde mucha gente se lleva la sorpresa. Un modelo capaz de resolver problemas de nivel de investigación puede equivocarse con algo tan simple como el 17 % de 240 si va con prisa. (Por cierto, es 40,8).
La razón está en cómo leen estos modelos. No ven los números como una calculadora. Dividen el texto en fragmentos y predicen lo que viene después, que es también la razón por la que algunos no saben contar las erres de «strawberry». Las cadenas largas de cifras son justo donde eso puede fallar.
La forma de plantear la pregunta también cuenta. En 2024, unos investigadores de Apple pusieron a prueba varios modelos con problemas de primaria y añadieron una frase que parecía inofensiva pero no venía a cuento, algo como un apunte de que algunas manzanas eran más pequeñas que las demás. Las puntuaciones cayeron en picado, hasta un 65 % en algunos modelos, porque intentaban usar ese dato de más. Pruebas posteriores con modelos más nuevos encontraron un efecto mucho menor, así que la brecha se ha reducido bastante. La lección sigue en pie: lo más difícil de un problema de enunciado para una IA suele ser la lectura, no las matemáticas.
Estos son los orígenes más habituales de los fallos del día a día:
| Qué falla | Cómo se nota | El arreglo rápido |
|---|---|---|
| Cuentas con prisa | Una cifra mal en una multiplicación larga | Pídele que rehaga el cálculo paso a paso |
| Pregunta mal leída | Responde «al mes» cuando preguntaste «al año» | Reformula antes la pregunta con tus palabras |
| Datos de despiste | Usa un número que no importa | Dile qué datos son relevantes |
| Exceso de confianza | Una respuesta limpia, equivocada y sin dudas | Pregúntale cómo comprobaría la respuesta |
La mejor IA para matemáticas, según lo que vayas a hacer
La clasificación te dice quién es más listo. Esto te dice cuál abrir.
La mejor para un estudiante atascado con los deberes
Usa Claude Sonnet 5.5. Está entre los mejores en matemáticas difíciles y suele explicar cada paso con palabras sencillas, que es lo que necesitas si la idea es entenderlo y no copiarlo. Pídele pistas antes de la solución. Nuestros prompts para ayudar con los deberes giran justo en torno a esa idea.
La mejor para problemas difíciles de verdad
Usa GPT-6.1 Sol. Problemas de olimpiada, una demostración que se te resiste, una pregunta de estadística con cinco piezas en juego. Dale tiempo para pensar y pídele todo el desarrollo.
La mejor para las cuentas de casa
Presupuestos, cuotas de un préstamo, repartir el alquiler. Te vale cualquiera de los mejores modelos, así que elige el que más te guste. El riesgo aquí es una sola cifra equivocada, así que pide siempre el desarrollo y comprueba tú mismo que el resultado final tiene sentido.
La mejor para la foto de una ficha
Gemini 3.1 Pro está pensado para trabajar con imágenes además de texto. Deja que lea y transcriba el problema y, si es complicado, pásale la resolución a GPT-6.1 Sol o a Claude.
Cómo conseguir respuestas de matemáticas fiables
No necesitas un prompt especial. Necesitas tres hábitos:
- Pide los pasos, no solo la respuesta. «Muestra el desarrollo» obliga al modelo a ir más despacio y te da algo que revisar.
- Haz que lo compruebe. Sigue con «Sustituye tu respuesta en el problema original y compruébala». Es una forma barata de que salga a la luz cualquier fallo.
- Pide una segunda opinión. Otro modelo comete otros errores, así que el acuerdo entre dos vale mucho más que una sola respuesta segura de sí misma.
Ese último hábito es el motivo por el que ayuda tener varios modelos en un mismo sitio. Preguntar lo mismo a GPT-6.1 Sol y luego a Claude Sonnet 5.5 no debería significar dos apps y dos suscripciones.
Prueba los dos mejores lado a lado
¿Quieres ver la diferencia con tu propio problema? Elige una pregunta que te importe de verdad, un ejercicio de deberes complicado o un cálculo en el que no quieras equivocarte, y pon a los dos modelos más fuertes en matemáticas uno junto al otro.