3JSBench: el benchmark que revela por qué la IA aún no sabe apoyar una lámpara sobre una mesa en 3D

Por Zendoric · 9 de octubre de 2026.

Una pequeña startup ha publicado un examen incómodo para los modelos de lenguaje más potentes: construir un objeto 3D sencillo. General Context Labs —creadora de instaplay.ai, una plataforma de generación de videojuegos con IA que dice alojar más de 40.000 juegos, según la propia empresa— presentó esta semana 3JSBench, un benchmark (examen estandarizado para comparar el rendimiento de distintos modelos) que mide si los grandes modelos de lenguaje (LLM) son capaces de generar objetos 3D coherentes escritos como código en Three.js, la biblioteca de JavaScript más usada para gráficos 3D en el navegador. El banco de pruebas evalúa 10 modelos sobre 100 tareas, con 697 comprobaciones automáticas y deterministas —verificadas por reglas objetivas, no por otro modelo juzgando capturas de pantalla, el método habitual hasta ahora—.

El resultado, según los propios datos del hilo: cuando un objeto tiene que apoyarse, colgar o recostarse sobre otro —una lámpara sobre una mesa, una puerta sobre sus bisagras—, casi la mitad de los intentos falla. Los modelos construyen bien las piezas sueltas, pero no las ensamblan: aparecen geometrías que se cruzan entre sí y texturas que parpadean. Cuando la tarea pide escribir una palabra sobre un cartel, el 44% de los intentos comete errores en las letras; el hilo detalla que uno de los modelos evaluados, llamado Astra, falla en 3 de 30 intentos, frente a los 10 de 30 de Grok 4.7.

Hay un dato todavía más incómodo para quien quiera fiarse solo de las métricas automáticas: General Context Labs también recopiló más de 9.500 votos de más de 1.000 creadores de videojuegos que compararon objetos generados por distintos modelos a simple vista. El resultado es que prefieren ligeramente los objetos de un modelo llamado Opus 5.5 por encima de los de Astra, pese a que Astra supera más comprobaciones de corrección geométrica. Aprobar el examen técnico y gustar al ojo humano no es lo mismo.

Conviene matizar la frase con la que la empresa abre su propio hilo: compara modelos "resolviendo Problemas del Milenio" con su incapacidad para construir objetos 3D. Es una licencia retórica que no conviene tomar al pie de la letra —ningún modelo ha resuelto en realidad uno de los seis Problemas del Milenio que siguen abiertos, y el premio de un millón de dólares del Clay Mathematics Institute para cada uno sigue sin reclamarse—; probablemente la empresa se refiera a avances en matemáticas de competición u otros exámenes de razonamiento exigentes. Dicho esto, el contraste de fondo que señala es real, y es justo el que venimos repitiendo en Zendoric: la capacidad de la IA avanza en línea quebrada, no recta. Un modelo puede destacar en razonamiento matemático abstracto y fallar en algo que un niño resuelve sin pensar, como calcular que una silla necesita sus cuatro patas tocando el suelo a la vez.

Es también un ejemplo pequeño pero limpio de algo que defendemos a menudo: los benchmarks evaluados "a ojo" —con otro modelo juzgando una captura de pantalla— tienden a premiar lo vistoso y a inflarse con el tiempo; los que verifican con reglas deterministas, aunque sean más aburridos de construir, son los que realmente dicen dónde falla el sistema. Aquí la propia empresa lo subraya al oponer su método —un "enlazador" que identifica cada objeto dentro de la escena generada y aplica comprobaciones objetivas— a la práctica habitual en evaluación multimodal.

La relevancia no se queda en el nicho de los videojuegos generados por IA. Si la industria quiere usar modelos de lenguaje para producir activos 3D de verdad —en videojuegos, simulación, entrenamiento de robots, diseño de producto—, la fiabilidad geométrica es lo que decide si el resultado sirve o es desecho, no si el modelo entiende la petición en términos generales. Y que el modelo preferido por los humanos no sea el que más pruebas automáticas supera es un aviso: medir solo corrección formal, o solo preferencia humana, da dos rankings distintos. Cualquier empresa que construya un producto real sobre generación 3D con IA necesitará las dos varas de medir, no una sola. Es una pieza con poco eco —el hilo original apenas sumó 510 visualizaciones y ningún comentario en Hacker News—, pero del tipo que conviene archivar: la próxima generación de aplicaciones de IA que "generan mundos" dependerá de resolver justamente estos detalles, nada glamurosos, de la geometría cotidiana.