# MA-Bench evalúa modelos de lenguaje en tareas de planificación militar

> El nuevo conjunto de datos MA‑Bench pone a prueba cómo convierten los modelos de lenguaje documentos confusos en planes operativos; el mejor respondió correctamente el 62% de los criterios.

Oossa · 2026-10-15 · https://oossa.com/es/ma-bench-evaluates-language-models-on-military-planning-tasks

Un grupo de investigadores presentó MA‑Bench, una prueba que mide la capacidad de un modelo de lenguaje para elaborar un plan operativo a partir de un conjunto de documentos contradictorios. La prueba incluye diez escenarios diseñados por expertos, cada uno con entre diez y doce documentos sintéticos y 1,257 requisitos de aprobado o reprobado redactados por planificadores. Un modelo de razonamiento evalúa los informes generados por los modelos y alcanza un grado de concordancia similar al de un panel de cuatro planificadores (κ de Fleiss ≈ 0.42). Entre veinte modelos punteros y de pesos abiertos, el mejor obtuvo un 62% de respuestas correctas según los criterios de evaluación.

## Los hechos

- 10 escenarios con 1,257 requisitos redactados por expertos
- El mejor modelo obtuvo un 62% de respuestas correctas

## Por qué importa

Demuestra que los modelos de lenguaje actuales todavía fallan en muchas decisiones de planificación que requieren inferencias complejas, lo que limita su uso para analizar misiones en el mundo real.

## Fuentes y referencias

1. [MA-Bench: Measuring Operational Planning in Language Models](https://arxiv.org/abs/2610.19138) – arXiv cs.LG, 2026-10-15

Última actualización: 2026-10-15