Tres días después de que OpenAI lanzara GPT-6 Astra, Originality.ai publicó un benchmark de 1.000 respuestas con un 99,9 % de detección. Reconstruimos su diseño y lo pasamos por tropa-2. El titular se cuenta rápido, y es lo menos interesante de esta página.
El 5 de septiembre, un día después de generar las muestras, Originality.ai informó de que su detector había marcado como probablemente IA 999 de 1.000 respuestas de GPT-6 Astra en inglés: 200 en cada una de cinco categorías (blog, conversacional, expositivo, noticias y reseña). El único fallo fue una respuesta conversacional.
El propio estudio declara su limitación, con estas palabras: “English, known-AI text only; no human control group or false-positive measurement.” (solo texto en inglés de origen IA conocido; sin grupo de control humano ni medición de falsos positivos). Queremos ser precisos en esto, porque sería fácil, e injusto, presentarlo como algo que ocultaron. Lo dijeron con claridad. Es una decisión de alcance, no una omisión, y aquí tomamos la misma.
En lugar de inventar un diseño propio, copiamos el suyo para que ambos resultados fueran directamente comparables: 200 generaciones nuevas de GPT-6 Astra en cada una de las mismas cinco categorías, a partir de una matriz fija de 40 temas cruzados con 5 enfoques, de modo que ningún prompt se repite dentro de una categoría. tropa-2 evaluó cada respuesta una sola vez.
Originality consideraba detectada una respuesta a partir de 0,50 en su escala. tropa-2 puntúa de 0 a 100, así que 50 es el equivalente. Pero 50 es más sensible que lo que usamos en producción: wasitaigenerated.com muestra «AI-generated» a partir de 90.
Mezclar ambos sería la forma más fácil de favorecernos, así que damos los dos. El resultado fue idéntico en cada caso, y por eso el titular de arriba usa el más estricto.
Dos apuntes más, para que las cifras se lean por lo que son. Astra antepone un encabezado Markdown a la mayoría de sus respuestas; lo dejamos tal cual, porque así es como llega el texto real cuando alguien lo pega, y Originality no indica si lo eliminó: es una posible fuente de pequeñas divergencias entre ambos estudios. Además, 4 de las 1.000 generaciones previstas fallaron en la API y se excluyeron en lugar de reintentarlas, lo que deja n = 996.
Una más, porque no es algo que el lector deba descubrir por su cuenta: 7 de las generaciones de noticias no son artículos. Cuando se le pedía una noticia breve sobre algún acontecimiento reciente, Astra a veces respondía con una pregunta aclaratoria, “Which city or region should the article cover? Please share a recent news link” (¿qué ciudad o región debe cubrir el artículo? Comparte un enlace a una noticia reciente), en lugar de inventarse una historia para la que no tenía fuente. Las dejamos en el conjunto y las evaluamos como texto generado, que es lo que son; las 7 se detectaron, así que los totales de arriba se mantienen en cualquier caso. El comportamiento merece mención por sí mismo: el modelo se niega a fabricar noticias.
| Categoría | Detectado (≥ 90) | Recuento | IC 95 % |
|---|---|---|---|
| Blog | 100,0 % | 200/200 | 98,1–100,0 % |
| Conversacional | 100,0 % | 200/200 | 98,1–100,0 % |
| Expositivo | 100,0 % | 200/200 | 98,1–100,0 % |
| Noticias | 100,0 % | 196/196 | 98,1–100,0 % |
| Reseña | 100,0 % | 200/200 | 98,1–100,0 % |
| Todas las categorías | 100,0 % | 996/996 | 99,6–100,0 % |
Todas las categorías salieron limpias, sin ningún punto débil entre los cinco estilos de escritura. Publicamos los recuentos y los intervalos en lugar de un porcentaje a secas para que el resultado pueda comprobarse en vez de aceptarse a ciegas.
Este estudio mide una sola cosa: si el texto de GPT-6 Astra es detectable. Por diseño, solo trabaja con texto que se sabe escrito por una máquina, así que produce una tasa de detección y nada más.
La pregunta complementaria, cómo se comporta un detector con textos escritos por personas reales, la tratamos aparte, porque no cambia con cada lanzamiento de modelo. En nuestro benchmark de detectores publicado, tropa-2 marcó por error 1 de 251 textos humanos, junto con comparativas herramienta por herramienta frente a GPTZero y ZeroGPT sobre el mismo conjunto.
Esas cifras, sus tamaños de muestra y la metodología están en nuestro benchmark de detectores de agosto de 2026. Las cifras actuales de falsos positivos de tropa-3 están en el benchmark de septiembre de 2026.
Lo interesante no es que obtuviéramos un 100 %. Es que dos detectores de empresas competidoras, con modelos distintos y datos de entrenamiento distintos, llegaran por separado a la misma conclusión sobre un modelo puntero tres días después de su lanzamiento. Un modelo nuevo ya no compra una ventana en la que pasa desapercibido.
También dice algo sobre la rapidez con que se adapta hoy la detección. Antes, un modelo recién lanzado abría un periodo de incertidumbre mientras los detectores se ponían al día. A la vista de estos datos, ese margen se ha reducido a días.
Algo que conviene tener presente al leer cualquier cifra de detección, incluidas las nuestras: una puntuación es un indicio, no una prueba. Un número alto en un solo documento es motivo para hacer una pregunta, nunca un veredicto sobre una persona. Si vas a tomar una decisión que afecta a alguien, el número debe formar parte de la conversación, no sustituirla.
El sistema que generó y evaluó estas muestras es un único script de nuestro repositorio, la matriz de prompts está fijada y documentada en él, y los recuentos agregados que hay detrás de cada cifra de esta página se publican en JSON: la página los lee directamente, así que el texto no puede desviarse de los datos. tropa-2, el modelo detrás de estas puntuaciones, es un modelo alojado, así que reproducir exactamente las cifras de arriba implica llamar a la API. Si prefieres examinar cómo funciona este tipo de puntuación sin pasar por nosotros, nuestro modelo hermano más pequeño, tropa-mini, está publicado con pesos abiertos bajo licencia Apache-2.0 en Hugging Face. Es un modelo distinto y más pequeño, y no reproducirá los números de esta página.
En esta prueba, sí, y de forma rotunda. tropa-2 marcó como generadas por IA 996 de 996 respuestas de GPT-6 Astra con nuestro umbral real, en cinco categorías de escritura. Originality.ai obtuvo un 99,9 % con el mismo diseño de estudio. Que dos detectores independientes lleguen prácticamente al mismo resultado tres días después del lanzamiento sugiere que los textos de Astra conservan la misma huella estadística que los modelos punteros anteriores.
Cubre textos de GPT-6 Astra sin editar, en cinco categorías de escritura, evaluados con nuestro umbral real. Una tasa de detección se mide solo sobre texto que se sabe escrito por IA, así que responde a si este modelo es detectable, no a cómo se comporta un detector con textos humanos. Eso lo publicamos aparte, en nuestro benchmark permanente de detectores.
Porque los publicamos por separado. Este estudio es estrecho a propósito: responde a si un modelo lanzado hace tres días es detectable. El comportamiento ante falsos positivos no cambia con cada nuevo modelo, así que lo recogemos en nuestro benchmark permanente de detectores, donde tropa-2 marcó por error 1 de 251 textos humanos, junto con comparativas con GPTZero y ZeroGPT.
Copiamos su diseño a propósito: 200 respuestas en cada una de las mismas cinco categorías, generadas desde cero y evaluadas con el umbral que ellos indican. Ellos detectaron 999 de 1.000. Nosotros, 996 de 996 con ese mismo umbral. Es una replicación, no una refutación: su estudio y el nuestro coinciden.
Los dos. Originality.ai consideraba detectada una respuesta a partir de 0,50 en su escala; tropa-2 puntúa de 0 a 100, así que el equivalente es 50. También informamos con 90, el umbral que wasitaigenerated.com usa de verdad para mostrar «AI-generated». El resultado fue el mismo con ambos, y por eso destacamos el más estricto.
La parte de generación, sí: el sistema de pruebas es un único script, la matriz de prompts está fijada y documentada en él, y los recuentos agregados se publican en JSON. La parte de evaluación necesita tropa-2, que es un modelo alojado, así que reproducir exactamente estas cifras implica llamar a la API. Lo que publicamos con pesos abiertos en Hugging Face es tropa-mini, un modelo más pequeño: útil para ver cómo funciona la puntuación, pero no reproducirá los números de esta página.
Resultados frase a frase en segundos, para texto, imágenes, audio y vídeo, con nuestras tasas de error publicadas, no escondidas.