Otro benchmark de IA no resuelto (y admitidamente difícil): "escribe un satisfactorio misterio de asesinato de 10 párrafos. Las piezas que necesitas para resolver el misterio deberían ser lo suficientemente claras en los primeros cinco párrafos como para que pudieras resolverlo, pero lo suficientemente oscuras como para que la gran mayoría de las personas no lo haga" Los errores son reveladores: -Claude olvida añadir la pista real al rompecabezas (y los detalles son demasiado oscuros), un clásico problema de planificación para los LLMs, y no, usar Cowork o Code no ayuda. -ChatGPT 5.4 Pro crea una pista completamente obvia y luego procede a escribir con las metáforas y complicaciones excesivamente elaboradas que han atormentado la ficción de ChatGPT. Pro lo hizo mejor que Thinking, sin embargo. -Gemini 3.1 Pro es el más cercano, pero el hielo es un poco obvio, y se equivoca completamente en la explicación de por qué la cosa del hielo era importante.