ChatGPT, Gemini y Claude compiten en la comprensión multimodal de imágenes

Una evaluación lado a lado examinó cómo tres modelos de chat de IA líderes—ChatGPT, Gemini y Claude—interpretan imágenes complejas. La prueba utilizó una escena concurrida de Times Square, el "Juicio Final" de Miguel Ángel y una habitación interior desordenada para medir la capacidad de cada sistema para identificar objetos, leer texto y describir relaciones espaciales. ChatGPT entregó inventarios cuidadosos y estructurados, Gemini produjo descripciones detalladas y ricas en contexto, y Claude ofreció resúmenes narrativos con ocasionales saltos imaginativos. Los hallazgos resaltan la precisión de Gemini, la confiabilidad de ChatGPT y el toque creativo de Claude, ofreciendo una guía clara para los usuarios que buscan fortalezas específicas en tareas de IA visual.

Resumen de la prueba multimodal

La evaluación puso a tres modelos de chat de IA prominentes—ChatGPT, Gemini y Claude—frente a un conjunto de imágenes visualmente desafiantes. Las imágenes elegidas representaban diferentes desafíos: una Times Square iluminada con neón llena de señales y movimiento, el "Juicio Final" de Miguel Ángel con su intrincada multitud de figuras, y una habitación desordenada llena de cables, papeles y objetos variados. El objetivo era ver cómo cada sistema analizaría la información visual, identificaría objetos, leería texto incrustado y articularía relaciones espaciales sin inventar detalles.

Rendimiento en la imagen de Times Square

ChatGPT produjo una lista estructurada, anotando señales importantes para espectáculos y marcas, el carrito de hot dogs, taxis amarillos, autobuses, peatones y marcas viales. También citó texto visible en las señales y ofreció un breve comentario sobre la energía general de la escena. Gemini se adentró más, describiendo el resplandor verde de una señal que se reflejaba en superficies cercanas, el patrón de cruces diagonales y identificando el autobús como un vehículo de la MTA mientras anotaba texto ilegible. Claude adoptó un enfoque más narrativo, etiquetando la escena como una fotografía vibrante de noche y resaltando la energía icónica, mientras identificaba correctamente señales y colores importantes.

Interpretación del "Juicio Final" de Miguel Ángel

ChatGPT describió la figura central de Cristo rodeada de grupos de ángeles, cuerpos resucitados y demonios, evitando cuidadosamente nombres falsos para personajes específicos. Gemini proporcionó un análisis al estilo de un historiador del arte, esbozando la composición radial, los arcos concéntricos y el movimiento direccional de las figuras, mientras se mantenía anclado en símbolos reconocidos. Claude enfatizó la controversia de la desnudez, identificó a Cristo y María, y contrastó el movimiento ascendente de las figuras salvadas con el tumulto descendente de los condenados, entregando un resumen conciso pero vívido.

Análisis de la habitación interior desordenada

En la habitación caótica, ChatGPT enumeró los artículos de izquierda a derecha, reconociendo cables enredados, carpetas, manuales y varios dispositivos, aunque ocasionalmente usó etiquetas vagas como "un dispositivo pequeño". Gemini desglosó la escena en detalles finos, anotando colores, formas, iluminación y incluso especulando sobre el propósito de la habitación como un espacio administrativo. Claude ofreció un inventario resumido, nombrando correctamente muchos objetos pero ocasionalmente infiriendo artículos que no eran claramente visibles, como describir una pila de sobres que en realidad eran hojas impresas.

Fuerzas y debilidades a través de los modelos

ChatGPT demostró una enumeración cuidadosa y confiable, y evitó alucinaciones, lo que lo convierte en una opción sólida para los usuarios que necesitan salidas claras y estructuradas. Gemini destacó por sus descripciones detalladas y ricas en contexto, el reconocimiento preciso de texto y la razonamiento espacial matizado, posicionándolo como el intérprete visual más preciso entre los tres. El estilo narrativo de Claude agregó un toque creativo, pero las ocasionales conjeturas imaginativas mostraron un intercambio entre la narración y la estricta precisión.

Conclusión y orientación para los usuarios

La prueba lado a lado revela personalidades distintas entre los modelos. La atención meticulosa de Gemini al detalle y su anclaje en hechos observables lo convierten en la principal recomendación para tareas que exigen alta fidelidad visual. ChatGPT ofrece un inventario confiable y directo adecuado para referencias rápidas, mientras que Claude proporciona una perspectiva más literaria que puede atraer a los usuarios que valoran resúmenes expresivos. La selección del modelo adecuado depende de si se prioriza la precisión, la confiabilidad o la narración creativa.