Puntos de referencia para AI
Los puntos de referencia de AI examinan dominios en los que la interpretación humana, el razonamiento y el discernimiento ético siguen siendo difíciles de formalizar.
Cada punto de referencia traduce una capacidad específica en un formato de evaluación reproducible, sin eliminar la estructura que la hace significativa.
El programa conecta la investigación científica y la cognición humana cultivada al especificar qué se está probando, cómo se prueba y cómo son los modos de falla; no sólo lo que las máquinas pueden lograr, sino también lo que distingue la profundidad, la estabilidad y la responsabilidad en la comprensión humana.
Verso escolástico reversible
Verso Escolástico Reversible es una serie inaugural de poemas de Lama Tenzin Rahula Rinpoche, diseñada para admitir dos interpretaciones distintas y fieles al texto, tanto al leerse de principio a fin como al revés. Cada poema se acompaña de un análisis académico con referencias explícitas y razonamientos.
Como punto de referencia, la serie prueba si un sistema de IA puede:
-
preservar las restricciones semánticas bajo inversión,
-
reproducir una cadena inferencial válida
-
y distinguir la interpretación de la invención.
Al presentar el razonamiento contemplativo en un formato citable y estructurado, la serie apoya la evaluación comparativa entre sistemas e invita a la colaboración entre la investigación en IA y las humanidades.
Punto de referencia de percepción en capas (LPB)
El punto de referencia de percepción en capas (LPB) evalúa si un sistema de IA puede interpretar un único campo visual que admita múltiples lecturas coherentes simultáneamente y puede justificar esas lecturas con evidencia (relaciones de contorno, alineación, espacio negativo, marcas de acoplamiento).
LPB prueba además si el modelo puede:
-
representar relaciones de dependencia entre lecturas
-
predecir cambios interpretativos bajo perturbaciones controladas
-
y mantener la estabilidad sin narrativa alucinante.
Spiral-Recursive Narration Benchmark
El Spiral-Recursive Narration Benchmark (SRNB) evalúa si un sistema de IA puede generar una narración guiada que vuelva repetidamente al mismo poema austero en ciclos sucesivos, profundizando el significado mediante el retorno (en lugar de una paráfrasis línea por línea) y justificando cada profundización con las propias palabras del poema (lógica de imágenes, indicios de umbral, dinámicas de huella/rastro, tensiones entre contorno y cobertura).
El SRNB examina además si el modelo puede:
-
seleccionar y sostener un anclaje ponderado (por ejemplo, “gradualmente”) a lo largo de toda la narración,
-
mantener un ritmo meditativo sin volverse vago, moralizante o académico,
-
conservar la apertura del poema mientras alcanza claridad ética (lenguaje, responsabilidad, compasión),
-
permanecer vinculado al texto dado sin inventar narrativas o imágenes no sustentadas.
