Google lanza Gemini 3 Deep Think y supera el benchmark ARC-AGI 2 con un 84,6%

La carrera por construir sistemas algorítmicos capaces de razonar como científicos acaba de dar un giro dramático. Google DeepMind presentó Gemini 3 Deep Think, un modelo diseñado específicamente para problemas complejos de ciencia e ingeniería que requieren construir y verificar argumentos en múltiples pasos. La distinción clave frente a generaciones anteriores radica en su arquitectura de razonamiento: mientras los modelos convencionales adivinan respuestas desde patrones superficiales, Deep Think explora hipótesis en paralelo, descarta ramas que conducen a contradicciones y refina soluciones consistentes antes de emitir una respuesta. El resultado es un salto cuantificable en benchmarks donde anteriores titanes algorítmicos tropezaban sistemáticamente.

El 11 de febrero de 2026, la ARC Prize Foundation verificó independientemente que Deep Think alcanzó 84.6% de precisión en ARC-AGI-2, una colección de rompecabezas de razonamiento abstracto diseñados para evaluar si los algoritmos pueden generalizar a tareas completamente nuevas sin entrenamiento previo específico. Para contextualizar la magnitud del logro: Gemini 3 Pro Preview, la versión estándar del mismo modelo sin capacidades extendidas de razonamiento, obtuvo apenas 31.1% en el mismo conjunto de pruebas. Claude Opus 4.6 en su modo de pensamiento máximo llegó a 68.8%, mientras que GPT-5.2 configurado con razonamiento de alta intensidad se estancó en 52.9%. La brecha entre Deep Think y sus competidores más cercanos supera los 15 puntos porcentuales, una diferencia que en el mundo de sistemas algorítmicos de frontera equivale a generaciones de desarrollo.

ARC-AGI-2 no mide conocimiento enciclopédico ni fluidez lingüística. Presenta matrices de colores con transformaciones visuales implícitas que los sujetos deben descifrar y aplicar a casos nuevos. Un humano promedio puede resolverlo con unos minutos de reflexión, pero los sistemas entrenados en billones de tokens históricamente fallan porque dependen de memorizar patrones vistos durante el entrenamiento. La prueba expone una debilidad fundamental de las arquitecturas previas: una sola cadena de pensamiento puede fijarse en una interpretación errónea temprana y luego gastar miles de tokens justificando esa idea inicial sin corregir el rumbo. Deep Think esquiva esta trampa mediante la exploración paralela de hipótesis, una técnica que permite al modelo generar múltiples explicaciones candidatas, evaluar la coherencia interna de cada una y seleccionar aquella que sobrevive a las verificaciones cruzadas.

Exámenes imposibles y código que compite con humanos expertos

Más allá del razonamiento abstracto puro, Deep Think enfrenta con éxito evaluaciones académicas extremas. En Humanity's Last Exam, una prueba interdisciplinaria diseñada para sondear los límites de conocimiento y razonamiento en química, física, matemáticas, historia y filosofía sin acceso a herramientas externas, el modelo alcanzó 48.4% de precisión. Gemini 3 Pro Preview quedó en 37.5%, Claude Opus 4.6 llegó a 40.0% y GPT-5.2 apenas rozó 34.5%. La evaluación lleva ese nombre porque sus creadores argumentan que representa el tipo de preguntas que separarán las capacidades algorítmicas de las capacidades humanas en dominios donde la humanidad todavía mantiene ventaja. Un puntaje superior al 50% sugiere que el modelo comprende y sintetiza información en niveles comparables a los de especialistas humanos en múltiples disciplinas simultáneamente.

La prueba de fuego en programación competitiva arroja resultados aún más reveladores. Codeforces, una plataforma donde programadores humanos enfrentan desafíos algorítmicos bajo presión temporal extrema, asigna puntuaciones Elo basadas en el rendimiento relativo. Deep Think obtuvo 3455 puntos Elo sin acceso a herramientas auxiliares, colocándolo en el percentil 99.9% de todos los usuarios registrados en la historia de la plataforma. Solo siete humanos han superado ese umbral. Gemini 3 Pro Preview quedó en 2512 puntos, Claude Opus 4.6 en 2352. La diferencia de casi mil puntos Elo entre Deep Think y su competidor más cercano equivale a la brecha entre un programador profesional competente y un medallista olímpico de informática.

En MMMU-Pro, un benchmark multimodal que evalúa el razonamiento sobre texto e imágenes combinados, Deep Think logró 81.5%, apenas por encima de Gemini 3 Pro Preview en 81.0% y GPT-5.2 en 79.5%. Aquí la ventaja marginal sugiere que la exploración paralela de hipótesis ofrece beneficios modestos en tareas donde el espacio de soluciones es menos ambiguo. Sin embargo, en la Olimpiada Internacional de Física 2025, donde los problemas teóricos requieren derivar ecuaciones desde primeros principios y verificar dimensionalidad, Deep Think alcanzó 87.7% versus 76.3% de Gemini Pro Preview y 71.6% de Claude. En la Olimpiada Internacional de Química 2025, la puntuación fue 82.8% versus 69.6% para la versión estándar de Gemini. Estos resultados refuerzan el patrón: cuanto más compleja es la cadena de razonamiento requerida, mayor es la ventaja de la arquitectura de Deep Think.

La arquitectura del pensamiento paralelo y su costo computacional

La innovación técnica detrás de Deep Think reside en las optimizaciones de tiempo de inferencia que permiten ejecutar múltiples cadenas de razonamiento concurrentemente. En lugar de generar una sola secuencia de tokens que representa el "pensamiento" del modelo, el sistema bifurca el proceso en varias trayectorias candidatas. Cada rama explora una interpretación diferente del problema: distintos enfoques matemáticos, diferentes supuestos físicos, variaciones en la estrategia algorítmica. Un mecanismo de verificación cruzada evalúa la coherencia de cada hipótesis contra las demás y contra las restricciones conocidas del dominio. Las ramas que generan contradicciones internas son podadas, las que producen respuestas consistentes son refinadas iterativamente, y la solución final emerge del consenso entre las trayectorias supervivientes.

Este enfoque resuelve el problema de la fijación temprana que plaga las cadenas de pensamiento secuenciales. Cuando un modelo convencional comete un error conceptual en el paso dos de un razonamiento de veinte pasos, los dieciocho pasos restantes se desperdician elaborando las consecuencias de esa premisa incorrecta. Deep Think, al mantener varias interpretaciones activas simultáneamente, puede detectar cuándo una rama diverge de otras y ajustar antes de invertir recursos computacionales en callejones sin salida. La analogía con el método científico es deliberada: los científicos reales no formulan una sola hipótesis y la defienden ciegamente, sino que entretienen explicaciones alternativas, diseñan experimentos cruciales que discriminan entre ellas y convergen hacia modelos que sobreviven a la falsación repetida.

Las empresas farmacéuticas que modelan interacciones proteína-ligando para el diseño de fármacos, los laboratorios nacionales que simulan la dinámica de plasmas en reactores de fusión, las compañías aeroespaciales que optimizan trayectorias de misiones interplanetarias: estos son contextos donde los errores tienen consecuencias materiales y validar las soluciones algorítmicas mediante métodos tradicionales puede requerir meses de trabajo experimental. En esos escenarios, pagar $13 por una respuesta verificada que ahorra semanas de iteración humana representa un intercambio económicamente racional. Sin embargo, para aplicaciones de consumo general donde los usuarios formulan decenas de consultas diarias sobre temas diversos, el costo acumulado se vuelve prohibitivo. Google deberá decidir si optimiza la arquitectura para reducir los gastos computacionales o mantiene Deep Think como herramienta especializada para nichos técnicos.

Aplicaciones industriales y la reconfiguración del trabajo científico

La disponibilidad de capacidades de razonamiento científico a escala algorítmica redefine la estructura de los equipos de investigación y desarrollo en sectores tecnológicos avanzados. Los laboratorios farmacéuticos ya exploran integrar Deep Think en los pipelines de descubrimiento de fármacos, donde el modelo puede generar hipótesis sobre mecanismos de acción de compuestos, predecir interacciones farmacocinéticas y sugerir modificaciones moleculares que optimicen las propiedades terapéuticas mientras minimizan la toxicidad. Un químico medicinal típicamente dedica semanas formulando y descartando candidatos antes de sintetizar moléculas prometedoras para las pruebas experimentales. Sistemas como Deep Think comprimen ese ciclo exploratorio de semanas a horas, permitiendo iterar órdenes de magnitud más rápido sobre espacios químicos vastos.

En ingeniería aeroespacial, diseñar trayectorias de transferencia orbital para misiones interplanetarias implica resolver problemas de optimización no lineal con miles de restricciones: masa de combustible, ventanas de lanzamiento, maniobras gravitacionales, tolerancias de navegación. Los ingenieros experimentados emplean meses ajustando parámetros mediante simulaciones numéricas intensivas. Deep Think puede explorar configuraciones alternativas de misión paralelamente, identificar los tradeoffs críticos entre eficiencia de combustible y duración de tránsito, y proponer soluciones que los humanos no considerarían por sesgos heurísticos. La NASA y las agencias espaciales europeas ya ejecutan programas piloto integrando asistentes algorítmicos en la planificación de misiones, aunque con escepticismo justificado sobre la confiabilidad en escenarios donde las fallas resultan en la pérdida de vehículos multimillonarios.

La transición hacia la colaboración humano-algoritmo en la investigación científica plantea interrogantes sobre la división del trabajo intelectual. Históricamente, los científicos jóvenes aprenden el oficio ejecutando cálculos tediosos manualmente, desarrollando intuición sobre el comportamiento de sistemas físicos mediante la confrontación directa con las matemáticas. Si los algoritmos automatizan esas tareas, ¿cómo adquieren los aprendices la experiencia táctil necesaria para formular preguntas originales? La física del siglo XX produjo revoluciones conceptuales porque científicos como Feynman, Schwinger y Dyson dominaban tanto el formalismo matemático abstracto como la implementación práctica de cálculos numéricos. Delegar la ejecución computacional a cajas negras algorítmicas puede acelerar descubrimientos incrementales pero atrofiar las capacidades de pensamiento conceptual profundo que generan rupturas paradigmáticas.

Google enfrenta decisiones estratégicas sobre cómo monetizar Deep Think sin limitar el acceso en sectores donde los beneficios sociales justifican subsidios. La investigación académica pura, especialmente en instituciones con presupuestos limitados, no puede absorber costos de $13 por consulta cuando los proyectos exploratorios requieren miles de iteraciones antes de producir resultados publicables. Un modelo de precios diferenciados, donde las corporaciones farmacéuticas y aeroespaciales pagan tarifas completas mientras las universidades acceden mediante licencias académicas subsidiadas, maximizaría el impacto social sin sacrificar la sostenibilidad financiera. Alternativamente, las versiones especializadas del modelo optimizadas para dominios específicos podrían reducir los costos computacionales al limitar la amplitud de conocimientos. Un "Deep Think Chemistry" entrenado exclusivamente en literatura química sacrificaría versatilidad pero operaría con eficiencia superior en su nicho, haciendo viable un acceso más democrático.

El lanzamiento de Gemini 3 Deep Think marca la transición desde sistemas que memorizan patrones hacia arquitecturas que genuinamente razonan sobre problemas nuevos. La brecha de rendimiento frente a los competidores no es marginal sino estructural, reflejando las ventajas de la exploración paralela de hipótesis sobre las cadenas lineales de pensamiento. Conforme la técnica se refine y los costos computacionales desciendan mediante hardware especializado, las capacidades de razonamiento científico avanzado migrarán desde la exclusividad de élites académicas hacia herramientas ubicuas accesibles a cualquier persona con curiosidad y conectividad. Esa democratización acelerará la innovación tecnológica pero también redistribuirá el poder intelectual, devaluando las habilidades analíticas rutinarias mientras amplifica el valor de la creatividad conceptual, el juicio ético y la sabiduría experiencial que los algoritmos todavía no replican. La revolución algorítmica no elimina la necesidad de científicos humanos, pero redefine qué significa ser científico en una era donde las máquinas ejecutan el trabajo intelectual que hasta ayer definía la profesión.