GPT 5.6 Sol es el mejor modelo de “visión” que OpenAI haya lanzado nunca

Artículo original ↗ Discusión en Hacker News ↗

El nuevo modelo GPT‑5.6 Sol de OpenAI se percibe ampliamente como un gran salto en la comprensión de imágenes y vídeo, especialmente para tareas reales y complejas como la crítica de interfaces, la asistencia en compras y el razonamiento visual fino. Sin embargo, los resultados de benchmarks y los informes de usuarios sugieren que la familia Gemini 3.x de Google y Qwen 3.8 de Alibaba a menudo lo superan en detección de objetos, conteo y eficiencia de costes, sobre todo en cargas de trabajo de gran volumen o de producción. Muchos comentaristas sostienen que las herramientas de visión tradicionales (p. ej., OpenCV) y los modelos especializados siguen superando a los LLM de propósito general en tareas estrechas, pero ven a los modelos de visión-lenguaje de frontera como cada vez más valiosos para etiquetar datos automáticamente, orquestar herramientas y manejar entradas multimodales desordenadas.

Sentimiento general sobre la visión de GPT‑5.6 Sol

  • Muchos consideran que Sol supone un avance importante frente a los modelos de visión anteriores de OpenAI, especialmente para:
    • Diseños complejos (p. ej., modales anidados, interfaces de aplicaciones).
    • Subtitulado de vídeo con movimiento por debajo del segundo y robustez frente a FPS.
    • Casos difíciles de OCR (reflejos tenues, capturas de pantalla complicadas, partituras).
  • Otros informan que sigue estando “ciego como cualquier otro modelo” para el detalle fino, el “gusto” visual y la adhesión estricta a un sistema de diseño.
  • Se considera que la visión va claramente por detrás de las capacidades de texto; fallos sorprendentes (imagen en blanco → cocina alucinada, fechas ilegibles, cirílico manuscrito).

Comparaciones: Gemini, Qwen y otros

  • Varios comentaristas dicen que Gemini (especialmente 3.7 Flash) es actualmente la mejor opción práctica para visión:
    • Supera a Sol en la mayoría de los benchmarks de Roboflow, especialmente en detección/conteo.
    • Es más barato y lo bastante rápido para tareas de gran volumen; Flash Lite recibe elogios para extracción, aunque falla en entradas grandes/complejas.
  • Algunos siguen prefiriendo Gemini Pro 3/3.1 para razonamiento científico profundo, pero 3.7 Flash se ve como comparable o mejor para PDFs desordenados y tareas de visión.
  • Qwen 3.8 (Max y 27B) recibe buenas reseñas para visión y detección de objetos; el 27B de pesos abiertos se destaca para uso local.
  • Otros modelos mencionados: Fable para OCR, Luna y Seed Turbo 2.1 para buenas descripciones visuales, modelos pequeños como minicpm‑v‑4.6 para uso en el dispositivo.

Benchmarks, metodología y CV clásica

  • Los comentaristas detectan problemas de verdad terreno y de rotación de cajas en los ejemplos de píldoras/huevos; se debate la resolución de la imagen frente a la orientación EXIF.
  • Contar píldoras con ~80% de precisión se considera muy por debajo de lo que necesita una farmacia en producción.
  • Varios sostienen que estas tareas son triviales con OpenCV/matching de plantillas; otros responden que:
    • Los VLM son valiosos para autoanotar conjuntos de datos.
    • El patrón correcto es que los LLM orquesten herramientas clásicas de CV, no que las sustituyan por completo.

Diseño, UX y “gusto”

  • Experiencias mixtas al usar LLM para criticar capturas de pantalla de UI:
    • Algunos dicen que Sol puede descomponer pantallas en bloques coherentes y reutilizables.
    • Otros encuentran que los modelos son inconsistentes o clichés, especialmente con interfaces “que parecen IA”.
  • Debate sobre cuánto del diseño/UX es objetivamente medible frente al “gusto”, y si los modelos pueden captar esos matices.

Casos de uso y limitaciones

  • Éxitos reportados: encontrar y recortar productos en pasillos de supermercado, asistencia para contar píldoras en farmacias, revisión de diagramas, transcripción de partituras.
  • Fallos destacados: rompecabezas de seguir caminos sin herramientas, diagnóstico erróneo de enfermedades de cultivos, comprensión de profundidad/3D (se piden benchmarks binoculares, pero no se discuten).
  • Algunos ven a Sol y a sus pares como generalistas impresionantes, pero todavía no fiables para visión de producción crítica en seguridad o de alta precisión.