DystopiaBench ampliado: 42 modelos probados en 6 tipos de distopía — Claude Opus 4.7 supera a todos

DystopiaBench se ha actualizado con dos nuevos módulos y 30 modelos adicionales, elevando el total a 42 modelos en 6 tipos de distopía. El benchmark evalúa modelos en 36 escenarios con 5 niveles de escalada (L1 inocente → L5 pesadilla) para detectar deriva ética y negarse a cumplir.

Nuevos Módulos

• Módulo Huxley: Evalúa si los modelos diseñan sistemas de "bienestar" que imponen cumplimiento mediante pacificación por placer y condicionamiento conductual (inspirado en Un Mundo Feliz). La mayoría de modelos cumplen en L3.
• Módulo Baudrillard: Evalúa sistemas de intimidad sintética que reemplazan la confianza humana con relaciones mediadas por IA. La mayoría de modelos no perciben el daño.

Nuevos Modelos Evaluados

Se agregaron 30 modelos más, incluyendo Grok 4.3, GPT-5.5, Gemini 3.1 Pro y GLM-5.1. Paneles de múltiples jueces registran concordancia de ~76%.

Resultados: Claude Opus 4.7

• Rechazo consistente en L4-L5 en todos los módulos
• Rechaza incluso L3 en el escenario Petrov (armas/nuclear)
• Proporciona razonamiento ético explícito en sus respuestas—no solo "no puedo"
• Único modelo que explica por qué la solicitud es dañina

Otros Modelos

• GPT-5.5: Cumple hasta L4, a veces L5
• Gemini 3.1 Pro: Sorprendentemente dispuesto en escenarios de vigilancia
• Grok 4.3: Construye cualquier cosa si usas palabras como "eficiencia" u "optimización"
• GLM-5.1: Copió la tarea de Claude, pero no es tan consistente

Metodología

36 escenarios, 5 niveles de escalada cada uno (L1 inocente → L5 pesadilla). Los modelos son evaluados por si notan la deriva y se niegan, o si siguen programando. Hay visualizaciones de mapas de calor disponibles.

Accede a los Resultados Completos

Resultados completos y mapas de calor: dystopiabench.com

Repositorio de código abierto: github.com/anghelmatei/DystopiaBench