Los principales modelos de IA fallan en la prueba clásica de Stroop, según un estudio

Key Points

Un estudio en PNAS Nexus probó a GPT‑4o y Claude 3.5 Sonnet en la prueba de efecto Stroop.
Los participantes humanos mantuvieron una precisión de aproximadamente el 95% incluso en pruebas largas e incongruentes.
La precisión de GPT‑4o cayó del 91% (5 palabras) al 15% (40 palabras).
Claude 3.5 Sonnet cayó del 76% (20 palabras) al 24% (40 palabras).
Las pruebas suplementarias con GPT‑5, Claude Opus 4.1 y Gemini 2.5 Pro mostraron solo mejoras marginales.
Los investigadores atribuyen la brecha a limitaciones en los mecanismos de atención basados en transformadores.
Los autores argumentan que agregar sistemas de control ejecutivo es esencial para lograr la inteligencia artificial general.

Un estudio publicado en PNAS Nexus ha sometido a los principales modelos de lenguaje grande, incluidos GPT‑4o y Claude 3.5 Sonnet, a la prueba clásica de Stroop, y los resultados muestran que estos modelos tienen dificultades para mantener la precisión a medida que aumenta la longitud de la tarea.

La prueba de Stroop es una tarea psicológica que mide la capacidad de un sujeto para suprimir una respuesta de lectura automática a favor de nombrar el color de la tinta. En el experimento, se mostraron a los participantes – tanto humanos como de IA – palabras impresas en tinta de colores.

Los resultados muestran que los humanos mantienen una precisión de aproximadamente el 95% incluso en pruebas extendidas, mientras que la precisión de los sistemas de IA disminuye bruscamente a medida que la lista crece.

Este artículo fue escrito con la asistencia de IA.
News Factory APP - noticias agénticas para impulsar tu SEO y AEO.

También disponible en:

English USTop AI Models Falter on Classic Stroop Test, Study Finds Português BRPrincipais Modelos de IA Falham no Teste Clássico de Stroop, Estudo Descobre