EDICIÓN Nº 069 · Domingo 22 nov 2026
Tecnología

Un examen de operador nuclear muestra que la IA puede acertar con un razonamiento flojo

NEBench R1 somete a seis modelos de lenguaje a 7.546 preguntas de exámenes reales para operadores de reactores. La nota va del 34 % al 73,9 %, y la explicación que dan no siempre está a la altura.

Redacción2026-11-18inteligencia artificial · energía nuclear · benchmarks · modelos de lenguaje · razonamiento
Nuclear Ship Savannah - Reactor Control Room - Center and Left Panels
Foto: I, the copyright holder of this work, hereby publish it unde · CC BY-SA 3.0 · Wikimedia Commons · realzada con IA
Hartsville Nuclear Power Plant Site Map
Foto: Unknown authorUnknown author · Public domain · Wikimedia Commons

Los grandes modelos de lenguaje, los sistemas que hay detrás de los chatbots actuales, ya se prueban en tareas en las que equivocarse sale caro. Una de ellas es la ingeniería nuclear. Allí no vale con que la respuesta suene bien: hay que acertar y además saber por qué. Un equipo de siete investigadores encabezado por Liyan Wang ha publicado NEBench R1, una prueba pensada para medir las dos cosas a la vez. El trabajo está en arXiv, un repositorio de artículos científicos que todavía no han pasado revisión por pares.

La idea de fondo es sencilla. Hasta ahora, las pruebas de este campo cubrían poco temario o solo comprobaban si la respuesta final era correcta. Según los autores, ninguna evaluaba de forma sistemática la calidad del razonamiento que lleva a esa respuesta. NEBench R1 intenta cubrir ese hueco.

Un examen sacado de exámenes reales

El banco de preguntas tiene un origen poco habitual: 7.546 preguntas tipo test, todas distintas, sacadas de los exámenes con los que la Comisión Reguladora Nuclear de Estados Unidos (NRC) concede la licencia a los operadores de reactores. Es decir, las pruebas que tienen que aprobar las personas que manejan una central. El material procede de exámenes de 18 instalaciones nucleares.

Photo Nuclear Research Center of Ispra - technicians at work in the control room of the Ispra-1 reactor 1959 - Touring C
Foto: Unknown authorUnknown author · CC BY-SA 4.0 · Wikimedia Commons

Cada pregunta va clasificada según los catálogos de conocimientos y habilidades de la propia NRC, que ordenan qué tiene que saber un operador y para qué. Además, cada una trae una explicación oficial de por qué la respuesta correcta lo es. Ese detalle es la clave del proyecto, porque esa explicación sirve de referencia para juzgar si el modelo ha razonado bien o ha acertado de casualidad.

  • Volumen: 7.546 preguntas tipo test únicas.
  • Origen: exámenes de licencia de operadores de reactor de 18 instalaciones.
  • Organización: clasificadas por conocimientos y habilidades según la NRC.
  • Referencia: una explicación oficial para cada pregunta.

Cómo se evalúa el razonamiento

La prueba tiene dos fases. En la primera se mide la puntuación de siempre: cuántas preguntas acierta cada modelo. Los autores probaron seis modelos de lenguaje, y la precisión global fue del 34,0 % al 73,9 %. Los resultados se reparten en tres niveles de rendimiento claramente separados. En el resumen del trabajo no aparece qué modelos son, así que aquí no los nombramos.

Mephi Reactor Control Room
Foto: NucleaX · CC BY-SA 4.0 · Wikimedia Commons

La segunda fase es la novedosa. Las respuestas correctas pasan a un "juez", que es otro modelo de lenguaje, y este las puntúa con una rúbrica de varios criterios. No basta con comprobar la letra marcada. El juez valora si el modelo entendió bien el problema, si los datos técnicos y los procedimientos que menciona son exactos y si explica por qué las demás opciones, las trampas del test, son incorrectas.

Las respuestas salieron bien paradas en comprensión del problema. Puntuaron peor en exactitud factual y procedimental y en el análisis de las opciones falsas. Los autores lo resumen así: las respuestas correctas

«no estaban necesariamente respaldadas por justificaciones técnicamente sólidas» (Wang et al., 2026)

Añaden un matiz que conviene recordar: que una explicación esté bien redactada indica muy poco sobre su calidad técnica. Un texto claro y ordenado puede estar mal en lo importante.

Pensar más no siempre es pensar mejor

Otro hallazgo tiene que ver con los modelos de "razonamiento", los que escriben una cadena de pasos intermedios antes de contestar. En los dos modelos de este tipo más punteros que se evaluaron, los razonamientos más largos fueron de la mano de una precisión más baja. Para los autores, eso no significa que pensar más empeore el resultado. Lo que reflejaría la longitud es la dificultad de la pregunta: cuanto más se atasca el modelo, más texto genera.

De Molen (windmill) and the nuclear power plant cooling tower in Doel, Belgium (DSCF3859)
Foto: Trougnouf · CC BY 4.0 · Wikimedia Commons

Esto tiene una lectura práctica. Los autores proponen usar el número de tokens de razonamiento (los fragmentos de texto que consume el modelo al pensar) como señal de alerta para marcar respuestas que podrían ser poco fiables. Sería una especie de aviso automático: si el modelo ha dado muchas vueltas, conviene que lo revise una persona.

La letra pequeña

El trabajo tiene límites que conviene tener en cuenta. Es una prepublicación, así que todavía no ha pasado una revisión formal. El juez que valora el razonamiento es otro modelo de lenguaje, con los sesgos y errores que eso puede traer. Las preguntas son tipo test, un formato muy útil para medir pero lejos de la complejidad de una sala de control real. Y que un modelo apruebe un examen de operador no significa que pueda operar nada: el estudio mide conocimiento y razonamiento sobre el papel, no capacidad de actuar.

Por qué importa

A medida que la IA llega a sectores críticos como la energía, la medicina o la aviación, mirar solo el porcentaje de aciertos se queda corto. NEBench R1 muestra que un modelo puede marcar la opción correcta con una justificación equivocada, y en un entorno donde la seguridad es lo primero eso es una diferencia enorme. Que el benchmark se base en exámenes oficiales y explicaciones de referencia lo convierte en una herramienta útil para saber, antes de confiar en una de estas herramientas, si de verdad entiende lo que contesta.

FuentesResumen propio de la redacción a partir de las fuentes citadas; no es una traducción. Licencia de la fuente: cc-by-nc-nd.

Texto generado con inteligencia artificial a partir de las fuentes citadas, sin revisión humana individual (Reglamento UE 2024/1689, art. 50). Las fotos llevan su crédito y licencia; las marcadas como realzadas se han retocado con IA sin alterar su contenido.

inteligencia artificialenergía nuclearbenchmarksmodelos de lenguajerazonamiento
💬 Comentarios

Comentarios

Para comentar hay que iniciar sesión (Google, X, Facebook, Apple, Microsoft o cuenta de Disqus). Se moderan insultos, spam y datos personales: normas.

Los comentarios los sirve Disqus, un servicio externo que usa cookies propias y de publicidad. Solo se carga si pulsas el botón. Más información.

Sigue leyendo

Ciencia

Una sola pluma para saber si el escurridizo rascón negro emigra o se queda en Texas

Black bird jumping from a bridge rail

Un equipo de la Universidad de Illinois recorre de noche las marismas de Texas para capturar rascones negros, un ave amenazada, y quitarle una pluma a cada una. Quieren saber si pasan allí todo el año o solo el invierno.

Imagina que es noche cerrada en una marisma de la costa de Texas. Un grupo de investigadores camina levantando mucho las rodillas, como si desfilara en una banda de música, mientras arrastra una cuerda por la hierba. De la cuerda cuelgan varias botellas de plástico y dentro de cada una hay dos o tres juguetes de gato con cascabel. El ruido no es una broma: así se busca a una de las aves más difíciles de ver de Norteamérica, el rascón negro oriental (Laterallus jamaicensis jamaicensis).

Ciencia

Una estrella devoró a otra en Andrómeda y el James Webb llegó a los 47 días

Andromeda Galaxy

Bao, una supergigante de Andrómeda, se tragó a una compañera más pequeña que el Sol. El Webb observó lo que quedó apenas 47 días después del estallido, el seguimiento más rápido de un caso así.

Que dos estrellas se fusionen no es raro en el universo. Lo raro es verlo mientras pasa. Un equipo internacional dice haberlo conseguido con un sistema del borde exterior de la galaxia de Andrómeda, apodado Bao y catalogado como AT 2025abao. Una estrella pequeña fue cayendo en espiral hacia una supergigante hasta acabar dentro de ella. El telescopio espacial James Webb observó lo que quedó solo 47 días después del pico de la erupción. El estudio, firmado en primer lugar por Viraj Karambelkar (Universidad de Columbia), se ha publicado en Nature. Esta pieza es un resumen propio a partir de la nota de prensa de la NASA, no una traducción.

Curiosidades

Un abad medieval acabó en un ataúd romano de segunda mano (y nadie lo sabía)

Catherine, Duke of Buckingham monument, Westminster Abbey 04

El sarcófago romano de la abadía de Westminster guardaba un esqueleto desde hace siglos. Una datación nueva apunta a un abad del siglo XI que se metió en un ataúd con 600 años de uso.

Reciclar está muy bien. Reutilizar un táper, un bote de cristal o una caja de mudanza es de persona responsable. Reutilizar un ataúd romano con más de seis siglos de antigüedad ya es otro nivel. Eso es justo lo que parece que pasó en la abadía de Westminster, en Londres. Un esqueleto que llevaba más de 150 años esperando a que alguien le preguntara el nombre podría tener por fin respuesta, y resulta que el inquilino era un pez gordo.

Juegos

Ubisoft crea Motherbrain, su nuevo estudio de IA generativa para juegos

Logo Ubisoft Montreal

Ubisoft ha abierto Motherbrain, una filial dedicada a aplicar IA generativa a la jugabilidad. Te contamos qué se sabe, de dónde viene y qué sigue en el aire.

Ubisoft ha anunciado una filial nueva con un nombre muy de ciencia ficción: Motherbrain. Se dedicará a la inteligencia artificial generativa aplicada a los videojuegos. La compañía lo comunicó junto a sus resultados del primer semestre de su año fiscal, publicados el 19 de noviembre de 2026, y la noticia ha corrido por los medios especializados. Es una de las búsquedas más repetidas de la semana en torno a la editora francesa. Aquí no hay juego que comprar ni precio que comparar. Lo que hay es un movimiento empresarial que puede cambiar cómo se fabrican algunos de los mundos abiertos más grandes del mercado.