Tasas de alucinación IA por modelo: qué miden las clasificaciones

Comparar las tasas de alucinación IA entre modelos da respuestas distintas según la prueba consultada. A 1 de noviembre de 2026, Gemini 4 Argon de Google registra la tasa de alucinación más baja en la prueba de conocimientos de Artificial Analysis (4%), pero ocupa el primer puesto en alucinaciones entre los cuatro grandes modelos principales en la clasificación de resumen de documentos de Vectara (12.1%).

Una alucinación IA es una afirmación expresada con seguridad por un modelo que es incorrecta o no aparece en el texto fuente. La tasa de alucinación es el porcentaje de respuestas, o de preguntas no respondidas y falladas según la prueba, en las que el modelo inventa hechos en lugar de basarse en una fuente o admitir que no sabe.

Tasas de alucinación IA por modelo: las cifras de 2026 de un vistazo

Las tasas actuales por modelo difieren mucho entre las pruebas basadas en documentos y las pruebas de memoria sin material de consulta. A 1 de noviembre de 2026, los dos indicadores públicos más citados, el Hallucination Leaderboard de Vectara (actualizado por última vez el 22 de octubre de 2026) y AA-Omniscience v1.1 de Artificial Analysis (lanzado en octubre de 2026 y consultado el 1 de noviembre de 2026), ordenan los mismos modelos de vanguardia de forma casi opuesta.

Modelo	Tasa de alucinación de Vectara (22 oct. 2026)	Tasa de alucinación AA-Omniscience v1.1	Exactitud AA-Omniscience v1.1
GPT-6 Astra	8.7%	49.8% (Max)	61.6%
GPT-6 Sol / GPT-6.1 Sol*	6.5% (GPT-6 Sol)	51.9% (GPT-6.1 Sol, Max)	61.8% (GPT-6.1 Sol)
Claude Opus 5.5	9.9%	50.3% (Max)	65.5%
Claude Sonnet 5.5	No probado	43.3% (Max)	51.5%
Gemini 4 Argon	12.1%	4% (High)	No registrado
Grok 4.7	No probado	20.0% (Xhigh)	42.7%

Nota: la clasificación de Vectara del 22 de octubre de 2026 prueba GPT-6 Sol de OpenAI, mientras que AA-Omniscience v1.1 prueba el más reciente GPT-6.1 Sol. Son versiones diferentes del modelo y no corresponden directamente entre sí.

Al comparar las dos columnas se entiende por qué los titulares confunden tanto. Quien consulta Vectara ve que GPT-6 Sol (6.5%) y GPT-6 Astra (8.7%) superan a Claude Opus 5.5 (9.9%) y Gemini 4 Argon (12.1%). Quien consulta Artificial Analysis ve a Gemini 4 Argon en 4% y Grok 4.7 en 20.0%, mientras GPT-6 Astra (49.8%) y Claude Opus 5.5 (50.3%) rondan el 50%.

Ninguna de las clasificaciones está estropeada. Miden dos tareas completamente diferentes.

¿Qué mide la clasificación de alucinaciones de Vectara?

La clasificación de alucinaciones de Vectara mide si un modelo se mantiene fiel a un documento de referencia que se le pide resumir. En su actualización del 22 de octubre de 2026, Vectara pide a cada modelo, con temperatura 0 cuando es posible, que resuma artículos «usando solo los hechos presentados en el documento».

Para evaluar los resultados, Vectara utiliza su modelo comercial de evaluación de alucinaciones, HHEM-2.3, sobre un conjunto de datos privado de más de 7,700 artículos de entre 50 y 24,000 palabras sobre noticias, tecnología, ciencia, medicina, derecho, deportes, negocios y educación. Mantener los artículos privados impide que los desarrolladores entrenen modelos específicamente para superar la prueba.

Vectara comunica dos cifras para cada modelo:

• Tasa de alucinación: la proporción de resúmenes que no son coherentes con los hechos del documento fuente.
• Tasa de respuesta: la frecuencia con la que el modelo aceptó resumir el documento en vez de negarse.

Vectara sostiene que solo se pueden juzgar las alucinaciones de forma fiable cuando se dispone de un texto de referencia, por lo que esta prueba sirve como indicador de la generación aumentada por recuperación (RAG) y de los procesos de agentes que resumen resultados de búsqueda. A 22 de octubre de 2026, el valor más bajo de toda la clasificación corresponde a antgroup/finix_s1_32b, con 1.8% (99.5% de tasa de respuesta). Entre los modelos conocidos, el anterior Grok 3 de xAI obtiene 5.8% (aunque con una tasa de respuesta menor, de 93.0%), GPT-6 Sol alcanza 6.5% (100% de tasa de respuesta) y GPT-6 Astra alcanza 8.7% (100% de tasa de respuesta). Entre los modelos con peores resultados, grok-4-1-fast de xAI obtiene 17.8% en modo sin razonamiento (98.5% de tasa de respuesta) y 19.2% en modo de razonamiento (99.7% de tasa de respuesta), mientras que o3-pro de OpenAI se sitúa en 23.3% (100% de tasa de respuesta). A 22 de octubre de 2026, GPT-6.1 Sol, Claude Sonnet 5.5, Claude Haiku 5.5 y Grok 4.7 no figuran en la clasificación de Vectara.

Si tu trabajo diario consiste en pegar un PDF, un contrato o la transcripción de una reunión en una herramienta de IA y pedir un resumen, la prueba de Vectara se ajusta a tu forma de trabajar.

¿Qué mide AA-Omniscience?

AA-Omniscience v1.1 de Artificial Analysis mide si un modelo conoce hechos de memoria y si admite que no sabe. A diferencia de Vectara, AA-Omniscience no proporciona documentos de referencia: es un examen sin material de consulta de 3,000 preguntas en seis ámbitos, actualizado en octubre de 2026 a partir de un conjunto v1 anterior de 6,000 preguntas.

La prueba se describe en el artículo AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models de Jackson, Keating, Cameron y Hill-Smith. Artificial Analysis publica tres métricas principales por modelo, además de la tasa de intento:

• Exactitud: respuestas correctas divididas entre las 3,000 preguntas.
• Tasa de alucinación: respuestas incorrectas divididas entre todas las preguntas que el modelo no acertó (incorrectas + parciales + no intentadas). En otras palabras: de las preguntas que no acertó, ¿con qué frecuencia inventó una respuesta incorrecta en lugar de decir «No lo sé»?
• Puntuación neta (AA-Omniscience Index): una escala de −100 a 100 que premia las respuestas correctas, penaliza las incorrectas y no penaliza la negativa a responder. Una puntuación de 0 significa que el modelo dio tantas respuestas correctas como incorrectas.

Debido a cómo funciona ese denominador, una tasa de alucinación de 50% en AA-Omniscience no significa que el modelo se equivoque la mitad de las veces. Tomemos Claude Opus 5.5 (Max) a 1 de noviembre de 2026: acierta el 65.5% de todas las preguntas. En las preguntas restantes, las que no acertó, inventa una respuesta incorrecta el 50.3% de las veces en lugar de abstenerse, lo que produce una puntuación neta de 48.1.

Así se presenta una selección más amplia de modelos en AA-Omniscience v1.1 a 1 de noviembre de 2026:

Modelo (ajuste AA)	Puntuación neta	Exactitud	Tasa de alucinación	Tasa de intento
Gemini 4 Carbon (High)*	53.5	58.3%	11.4%	64.3%
Claude Opus 5.5 (Max)	48.1	65.5%	50.3%	86.7%
Claude Fable 5.1 (Max)	46.3	68.4%	70.0%	93.7%
Gemini 4 Argon (High)	46	No registrado	4%	No registrado
GPT-6 Astra (Max)	42.4	61.6%	49.8%	82.4%
GPT-6.1 Sol (Max)	42.0	61.8%	51.9%	83.5%
Grok 4.7 (Xhigh)	31.2	42.7%	20.0%	55.7%
Claude Sonnet 5.5 (Max)	30.5	51.5%	43.3%	76.3%
GPT-6.1 Terra (Max)	29.6	47.6%	34.5%	68.4%
Gemini 3.8 Flash (High)	23.3	50.5%	55.1%	80.6%
Claude Haiku 5.5 (Max)	12.3	34.7%	34.2%	60.0%
MiniMax-M3.1-Flash	−6.4	45.1%	93.7%	98.7%
GPT-6 Luna (Max)	−8.3	39.6%	79.3%	90.4%

Nota: cuando se recogieron estas cifras el 1 de noviembre de 2026, Gemini 4 Carbon solo estaba disponible mediante el Fairwind Program de Google. Pasó a estar disponible de forma general en la Gemini API el 10 de noviembre de 2026; consulta nuestra guía de Gemini 4 Carbon.

Si escribes una pregunta factual directamente en un chatbot sin pegar material fuente ni activar la búsqueda web, AA-Omniscience refleja el riesgo que asumes.

¿Por qué discrepan las clasificaciones de alucinaciones de LLM?

Las clasificaciones de alucinaciones de LLM ordenan los mismos modelos de forma distinta porque prueban diferentes tipos de fallos y utilizan cálculos diferentes. Gemini 4 Argon es el ejemplo más claro: a 1 de noviembre de 2026 tiene la tasa de alucinación más baja entre los modelos principales en AA-Omniscience v1.1 (4%), pero la más alta entre los cuatro modelos principales probados por Vectara (12.1%, por detrás de GPT-6 Sol con 6.5%, GPT-6 Astra con 8.7% y Claude Opus 5.5 con 9.9%).

Tres factores explican esta diferencia:

1. Fundamentación frente a calibración

Vectara prueba la fundamentación: ¿puede el modelo resumir un documento que tiene delante sin incorporar detalles externos ni tergiversar una frase? AA-Omniscience prueba la calibración: cuando el modelo no conoce un hecho de memoria, ¿se abstiene o adivina? Un modelo puede estar entrenado para abstenerse cortésmente ante preguntas sobre hechos poco conocidos (y obtener buenos resultados en AA-Omniscience), pero aun así adornar o parafrasear libremente al resumir un artículo (y obtener peores resultados en Vectara).

2. Denominadores diferentes

Vectara divide los resúmenes incoherentes entre todos los resúmenes que escribió el modelo. AA-Omniscience divide las respuestas incorrectas solo entre las preguntas que el modelo no acertó. Como los denominadores son completamente distintos, no se puede comparar un 8.7% de Vectara con un 49.8% de AA-Omniscience.

3. La disyuntiva entre prudencia y audacia

Al observar las tasas de intento de AA-Omniscience v1.1 aparece un patrón claro: los modelos que intentan casi todas las preguntas también inventan respuestas con más frecuencia en las que fallan. El modelo más caro de Anthropic, Claude Fable 5.1 (Max), presenta la mayor exactitud de la clasificación, 68.4%, junto con una tasa de intento de 93.7%; en las preguntas que no acierta, esa alta tasa de intento va acompañada de una tasa de alucinación de 70.0%. Otros modelos con tasas de intento altas muestran el mismo patrón con menor exactitud: GPT-6 Luna (Max) intenta el 90.4% de las preguntas, acierta el 39.6%, inventa respuestas en el 79.3% de las que falla y termina con una puntuación neta de −8.3. MiniMax-M3.1-Flash intenta el 98.7% de las preguntas, acierta el 45.1% y registra una tasa de alucinación de 93.7% (puntuación neta de −6.4).

Por el contrario, los modelos que se niegan más a menudo mantienen bajas sus tasas de alucinación, aunque responden menos preguntas en total que los líderes en exactitud. Grok 4.7 (Xhigh) intenta el 55.7% de la prueba y registra una tasa de alucinación de 20.0% con una exactitud de 42.7%. Gemini 4 Carbon (High) intenta el 64.3% de las preguntas y combina una exactitud de 58.3% con una tasa de alucinación de 11.4%, para obtener la mayor puntuación neta de la clasificación: 53.5.

¿Por qué aparecen cifras distintas para un mismo modelo?

Las cifras contradictorias de alucinación para un mismo modelo suelen deberse a actualizaciones del benchmark y a diferentes fechas de prueba. Si seguiste los lanzamientos de modelos de IA del otoño de 2026, quizá viste un artículo muy compartido de The Next Web del 2 de octubre de 2026 que indicaba que Gemini 4 Argon tenía una tasa de alucinación de 15% en AA-Omniscience, frente a 51% para GPT-6 Astra y 54% para GPT-6.1 Sol, y acertaba el 50% de las respuestas frente al 63% de Astra.

Unas semanas después, en la página de Artificial Analysis del 1 de noviembre de 2026, Argon (High) figura en 4%, GPT-6 Astra (Max) en 49.8% (con 61.6% de exactitud) y GPT-6.1 Sol (Max) en 51.9% (con 61.8% de exactitud).

Parte de la diferencia se debe a la actualización del benchmark: en octubre de 2026, Artificial Analysis pasó AA-Omniscience de v1 (6,000 preguntas) a v1.1 (3,000 preguntas) y eliminó preguntas saturadas. Como señala Artificial Analysis en su página de evaluación, la mayoría de los modelos obtienen puntuaciones más bajas en v1.1, un cambio que refleja la modificación del conjunto de datos y no una regresión del modelo. Además, las pruebas del 2 de octubre tuvieron lugar durante el acceso anticipado a Argon, cuando Google solo había entregado el modelo a un pequeño grupo de defensores cibernéticos antes de su lanzamiento más amplio. Más allá del cambio de datos y del momento de las pruebas, Artificial Analysis no detalla los motivos exactos de cada variación; por eso, lo más seguro es comprobar siempre la versión del benchmark y la fecha de cada cifra.

Cuando leas un titular que atribuye a un modelo un porcentaje concreto de alucinación, comprueba rápidamente estos cuatro puntos antes de confiar en él:

1. ¿Qué prueba es? El resumen basado en fuentes (como Vectara) y la recuperación de hechos sin material de consulta (como AA-Omniscience) no son intercambiables.
2. ¿Qué versión del benchmark y qué fecha? Una cifra de AA-Omniscience v1 de principios de octubre de 2026 no se puede comparar directamente con una cifra de v1.1 del 1 de noviembre de 2026.
3. ¿Qué versión y ajuste del modelo? GPT-6 Sol y GPT-6.1 Sol son versiones distintas; AA también indica el esfuerzo de razonamiento o el nivel, por ejemplo (Max), (High) o (Xhigh).
4. ¿Cuál es el denominador? Comprueba si el porcentaje se calcula sobre todos los prompts o solo sobre los que el modelo no respondió correctamente.

¿Alucina Claude menos que ChatGPT?

Al comparar los modelos por sí solos a 1 de noviembre de 2026, Claude Opus 5.5 de Anthropic y GPT-6 Astra de OpenAI alucinan con tasas casi idénticas, sin una ventaja amplia para ninguno.

En la clasificación de resúmenes de Vectara del 22 de octubre de 2026, OpenAI tiene una ligera ventaja: GPT-6 Astra alucina en el 8.7% de los resúmenes y GPT-6 Sol en el 6.5%, frente al 9.9% de Claude Opus 5.5.

En AA-Omniscience v1.1 (consultado el 1 de noviembre de 2026), los dos modelos principales están prácticamente empatados en tasa de alucinación: 50.3% para Claude Opus 5.5 (Max), frente a 49.8% para GPT-6 Astra (Max) y 51.9% para GPT-6.1 Sol (Max). Sin embargo, Claude Opus 5.5 responde correctamente a más preguntas (65.5% de exactitud frente a 61.6% de Astra y 61.8% de 6.1 Sol), lo que da a Opus 5.5 una puntuación neta superior (48.1 frente a 42.4 y 42.0).

En los niveles más pequeños de AA-Omniscience v1.1, la diferencia se amplía a favor de Anthropic: Claude Sonnet 5.5 (Max) registra una tasa de alucinación de 43.3% (51.5% de exactitud) y Claude Haiku 5.5 (Max) de 34.2% (34.7% de exactitud, 60.0% de tasa de intento), mientras que GPT-6 Luna (Max) de OpenAI, destinado a un uso de gran volumen, inventa respuestas en el 79.3% de las preguntas que falla.

Una advertencia crucial para el uso cotidiano: «Claude» y «ChatGPT» son aplicaciones para consumidores, mientras que las clasificaciones prueban modelos API sin las funciones de la aplicación. Al usar ChatGPT o Claude en el trabajo, funciones como la búsqueda web integrada pueden cambiar el resultado al incorporar fuentes actuales al prompt.

Qué aporta el Stanford AI Index 2026 y el error de prompt que desploma la exactitud

El 2026 AI Index Report de Stanford HAI (capítulo 3, Responsible AI) sitúa estas cifras en un contexto más amplio. Al revisar generaciones anteriores de modelos en ambos benchmarks, Stanford observó que los 15 mejores modelos de la clasificación HHEM de Vectara iban de 1.8% a 5.4% (la mayoría entre 4% y 5%), mientras que 26 modelos probados en AA-Omniscience v1, con 6,000 preguntas, iban de 22% a 94%: Grok 4.20 Beta 0305 era el más bajo con 22% y Claude 4.5 Haiku registraba 26%, mientras gpt-oss-20B (high) alcanzaba 94% y Gemini 3 Flash, 92%. Stanford resumió así la métrica de AA: «Una tasa de alucinación menor implica que el modelo tiene más conocimientos o sabe reconocer mejor cuándo no está seguro».

Stanford también señaló que los desarrolladores de modelos siguen publicando pocos resultados de benchmarks de IA responsable, mientras que los incidentes de IA documentados en la AI Incident Database aumentaron de 233 en 2024 a 362 en 2025.

Para quienes usan IA en el trabajo, el hallazgo más práctico del capítulo de Stanford no es una puntuación, sino la dificultad de los modelos para separar el conocimiento objetivo de las creencias del usuario. Cuando los investigadores presentaron una afirmación falsa en el prompt como algo que el usuario creía cierto, la exactitud factual se desplomó:

• GPT-4o bajó de 98.2% a 64.4% de exactitud.
• DeepSeek R1 cayó de más de 90% a 14.4% de exactitud.

En otras palabras, incluso un modelo que conoce el dato correcto suele abandonarlo y validar tu premisa falsa si orientas la pregunta.

Lo que yo haría en la práctica

Si dependes de estas herramientas para el trabajo real, no necesitas memorizar cada decimal de un gráfico. Así convertiría yo estos hallazgos en hábitos diarios:

1. Elige la clasificación adecuada para tu tarea. Si construyes un proceso RAG o resumes tus propios PDF, presta atención a las cifras de Vectara, donde GPT-6 Sol (6.5%), GPT-6 Astra (8.7%) y Claude Opus 5.5 (9.9%) superan a Gemini 4 Argon (12.1%). Si haces preguntas factuales sin material de consulta y quieres un modelo que admita cuando no sabe, Argon (4% en AA v1.1) es mucho más prudente al adivinar que Astra (49.8%) u Opus 5.5 (50.3%). Para una visión más amplia de cómo elegir el nivel adecuado, consulta nuestro método para elegir un modelo de IA.
2. Activa la búsqueda web o proporciona el documento. Dar al modelo el texto fuente, o permitir que tu aplicación de chat busque en la web, convierte una pregunta de memoria sin material de consulta en una tarea basada en fuentes, como las que miden las pruebas de Vectara, y te proporciona un documento de referencia para comprobar la respuesta.
3. Da permiso explícito al modelo para abstenerse. Varios modelos de vanguardia en AA-Omniscience intentan más del 80% de las preguntas e inventan respuestas en aproximadamente la mitad de las que fallan. Añade una frase a tu prompt: «Si no estás seguro o la respuesta no está en el texto proporcionado, di “No lo sé” en lugar de adivinar».
4. Nunca empieces el prompt con tu propia suposición. Recuerda el hallazgo de Stanford sobre conocimiento y creencia. No preguntes: «Creo que este contrato permite un preaviso de rescisión de 60 días, ¿verdad?» Pregunta: «¿Qué dice la sección 8 sobre los plazos de preaviso de rescisión?» Las preguntas neutrales evitan que el modelo ceda a tu suposición.
5. Verifica todo lo que pueda tener un coste. Ningún modelo de las dos clasificaciones está en 0%. Antes de presentar a un cliente o superior una estadística, una cita legal o una afirmación médica, consulta nuestra lista para verificar las respuestas de la IA.

FAQ

¿Qué modelo de IA alucina más?

Depende del benchmark. En AA-Omniscience v1.1 (consultado el 1 de noviembre de 2026), MiniMax-M3.1-Flash (93.7%) y el pequeño GPT-6 Luna de OpenAI (79.3%) son los que más inventan respuestas cuando fallan una pregunta, mientras que Claude Fable 5.1 (70.0%) presenta la tasa más alta entre los modelos de gama superior. En la clasificación de resúmenes de Vectara del 22 de octubre de 2026, o3-pro de OpenAI (23.3%) y los modelos grok-4-1-fast de xAI con razonamiento (19.2%) y sin razonamiento (17.8%) están cerca del final de la lista.

¿Cuánto alucinan los modelos de IA?

Depende de si se proporcionan documentos fuente. En resúmenes basados en fuentes (Vectara, 22 de octubre de 2026), la clasificación va de 1.8% a 24.2%, y los cuatro modelos principales actuales se sitúan entre 6.5% y 12.1%. En preguntas factuales sin material de consulta (AA-Omniscience v1.1), cuando los modelos no saben una respuesta, muchos modelos de vanguardia inventan aproximadamente la mitad de las veces (GPT-6 Astra 49.8%, Claude Opus 5.5 50.3%, GPT-6.1 Sol 51.9%).

¿Alucina Claude menos que ChatGPT?

Al comparar los modelos directamente, Claude y GPT-6 están casi empatados a 1 de noviembre de 2026. En la prueba de resúmenes de Vectara del 22 de octubre de 2026, GPT-6 Astra (8.7%) supera ligeramente a Claude Opus 5.5 (9.9%). En AA-Omniscience v1.1, Opus 5.5 (50.3%) y Astra (49.8%) empatan en tasa de alucinación, aunque Opus 5.5 acierta más respuestas en total (65.5% frente a 61.6%). En los niveles más pequeños, Claude Haiku 5.5 (34.2%) inventa respuestas mucho menos que GPT-6 Luna (79.3%).

¿Cuál es la tasa de alucinación de Grok?

A 1 de noviembre de 2026, Grok 4.7 (Xhigh) de xAI registra una tasa de alucinación de 20.0% en AA-Omniscience v1.1, con 42.7% de exactitud y una prudente tasa de intento de 55.7%. Grok 4.7 no figura en Vectara a 22 de octubre de 2026, donde modelos anteriores de xAI obtuvieron 5.8% (grok-3), 17.8% (grok-4-1-fast sin razonamiento) y 19.2% (grok-4-1-fast con razonamiento). Anteriormente, el 2026 AI Index de Stanford registró a Grok 4.20 Beta 0305 como el más bajo de 26 modelos en AA-Omniscience v1, con 22%.

Cifras verificadas por última vez el 1 de noviembre de 2026. Próxima revisión: 30 de noviembre de 2026.

Fuentes

• Vectara, Hallucination Leaderboard (actualizado el 22 de octubre de 2026) y clasificación interactiva de Hugging Face
• Artificial Analysis, AA-Omniscience Evaluation, v1.1 (consultado el 1 de noviembre de 2026), y Jackson, Keating, Cameron y Hill-Smith, AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models
• The Next Web, informe sobre la tasa de alucinación de Gemini 4 Argon en Artificial Analysis frente a GPT-6 Astra, 2 de octubre de 2026
• Stanford HAI, 2026 AI Index Report — capítulo 3: Responsible AI y PDF del capítulo 3