Reflexión profunda de Géminis: Una prueba con 5 problemas del mundo real

Google ha lanzado recientemente el modoDeep Think para Gemini 2.5 Pro. Deep Think es una función diseñada para resolver problemas complejos. Funciona empleando el pensamiento paralelo para explorar múltiples ideas simultáneamente, compararlas y luego seleccionar la solución más eficaz.

En este artículo, exploraré sus capacidades pidiéndole que resuelva problemas del mundo real. Desde preguntas de nivel de doctorado hasta retos empresariales, probé Deep Think con cinco problemas complejos para evaluar su rendimiento.

Mantenemos a nuestros lectores al día sobre las últimas novedades en IA mediante el envío de The Median, nuestro boletín informativo gratuito de los viernes que resume las noticias más importantes de la semana. Suscríbete y mantente al día en solo unos minutos a la semana:

¿Qué es Gemini Deep Think?

Gemini Deep Think es una nueva mejora añadida al modelo Gemini 2.5 Pro, que lleva las habilidades para resolver problemas a un nuevo nivel. La versión que se ha puesto a disposición es una versión simplificada del modelo que recientemente ha obtenido los mejores resultados en la Olimpiada Internacional de Matemáticas (IMO) de este año.

La versión original tarda horas en resolver problemas matemáticos difíciles, pero la versión publicada hoy es mucho más rápida y adecuada para las tareas cotidianas, sin dejar de alcanzar el nivel Bronce en la OMI de 2025.

Deep Think está diseñado para preguntas cotidianas, pero mantiene una gran capacidad para resolver problemas. Los usuarios pueden esperar respuestas exhaustivas y perspicaces, ya que Deep Think aborda tareas complejas ampliando su «tiempo de reflexión», lo que le permite generar, evaluar y combinar diversas ideas de manera muy eficiente.

Ten en cuenta que la función Deep Think no es lo mismo que Deep Research, que está diseñada para recopilar y resumir información de la web, con fuentes y informes estructurados. Uno piensa más, el otro investiga más.

¿Cómo acceder a Deep Think?

A partir de ahora, Deep Think está disponible en la aplicación Gemini , pero solo está disponible con la suscripción Google AI Ultra, que cuesta 274,99 € al mes.

También está disponible a través de la API, pero solo para un grupo selecto de usuarios. Aún no sabemos si estará disponible para todos.

Si tienes una suscripción a Google AI Ultra, puedes activar Deep Think haciendo clic en el botón situado en la parte inferior del cuadro de entrada.

Ten en cuenta que, incluso con la suscripción Ultra, estás limitado a unos cinco mensajes al día.

Cómo funciona el pensamiento profundo

Gemini Deep Think funciona mediante un proceso similar al brainstorming humano, en el que explora numerosas posibilidades simultáneamente para resolver un problema.

Esto se consigue mediante el pensamiento paralelo, que permite a la IA considerar varias vías y alternativas a la vez, en lugar de un único enfoque lineal. Al daros más «tiempo para pensar», Gemini Deep Think analiza, compara y fusiona diferentes ideas para llegar a la mejor solución posible.

Este método permite a Gemini gestionar eficazmente tareas complejas mediante la simulación de múltiples resultados y estrategias, ofreciendo a los usuarios respuestas sólidas e ingeniosas a consultas difíciles en un plazo de tiempo relativamente corto.

Prueba 1: Abordar un problema abierto de doctorado

Cuando escribí mi tesis doctoral, dejé algunos problemas sin resolver. Decidí probar Gemini Deep Think en uno de ellos.

El problema tiene que ver con las redes informáticas. El tráfico circula por una red informática utilizando las rutas más cortas, de forma similar al GPS cuando se navega por carretera en un coche. La longitud de cada enlace de red es simplemente un número positivo y se puede configurar para que sea cualquier valor.

Sin embargo, no es práctico configurar longitudes muy grandes en los enlaces de red, por lo que nos gustaría que el peso máximo fuera lo más pequeño posible.

Aquí está la pregunta enviada a Gemini Deep Think:

Después de unos 15 minutos, volvió con una respuesta. Propuso un algoritmo codicioso. Este es un algoritmo que no es óptimo, pero intenta encontrar una solución suficientemente buena.

Me di cuenta de que mi pregunta inicial no era lo que quería. Quería encontrar un algoritmo que encontrara la mejor solución o demostrar que probablemente no existe tal algoritmo.

Así que continué la conversación:

Después de otros 15 minutos, respondió que el problema es NP-difícil. Esto significa que probablemente no exista un algoritmo rápido para este problema.

Yo también creo que esa es la respuesta. Empecé a leer la prueba, pero faltaban muchos detalles importantes. En su lugar, proporcionaría algunos detalles de alto nivel y diría que la respuesta es muy compleja:

Seguí insistiendo y pidiendo la información que faltaba, pero nunca conseguí una prueba totalmente detallada, por lo que nunca pude comprobar que se había solucionado el problema.

Me recordó un poco al clásico meme matemático de Sidney Harris:

En las respuestas, me di cuenta de que la forma en que estaba escrito daba la impresión de que no se había llegado a la respuesta, sino que se estaba utilizando una prueba conocida. Pregunté sobre eso y me dijeron que es un resultado conocido, que aparece en un artículo publicado en 2002.

Me proporcionaste el nombre del artículo, pero no lo he encontrado en Internet. Resulta que el autor formaba parte del comité de mi tesis. Sería bastante gracioso que ya hubieran resuelto el problema y simplemente no me lo hubieran dicho.

Me quedo sin saber qué pensar de este ejemplo. ¿Encontraste la respuesta, pero no compartiste todos los detalles? ¿Acaba de escupir una respuesta ya existente? ¿O faltan detalles porque la respuesta no es correcta?

Prueba 2: Encontrar la mejor manera de jugar a un juego

Hay un juego de cartas estratégico al que juego y últimamente he estado trabajando en encontrar la cantidad máxima de recursos que puedo generar en una situación concreta del juego.

Hace un tiempo se me ocurrieron unas fórmulas que considero óptimas, pero no he demostrado que lo sean realmente. En ese momento, pedí a otros modelos de razonamiento de IA que encontraran la solución, y todos fracasaron estrepitosamente. No es que las respuestas que dieron no fueran óptimas, sino que no tenían sentido con respecto a las reglas del juego.

Así que decidí probar Gemini Deep Think con este problema. No proporcioné las reglas del juego (supuse que formaban parte de la formación). Pero sí que proporcioné las reglas de cada una de las cartas. No es necesario que entiendas el juego ni mis instrucciones para seguir este ejemplo.

Aquí está la pregunta:

Una cosa que hay que saber sobre Gemini es que es bastante lento en comparación con otros modelos, así que esperá entre 5 y 20 minutos para obtener una respuesta. Este ejemplo fue bastante rápido y tardó unos 5 minutos.

Aquí está parte de la respuesta que obtuvimos. Esta parte muestra los pasos y las fórmulas. Antes de eso, explicaste vuestro razonamiento:

Sin embargo, como ya había resuelto el problema anteriormente, sabía que esto no era correcto y que se podía hacer mejor. Esto se debe a una regla que permite sortear algunas de las restricciones de las cartas, que no había indicado explícitamente. No sé si se pasó por un razonamiento erróneo o porque las reglas no se utilizaron correctamente en el entrenamiento.

Sin embargo, esto ilustra que puede haber puntos ciegos en campos específicos del dominio, por lo que hay que ser cautelosos con las respuestas que obtenemos. Si se tratara de una pregunta importante que no hubiera resuelto antes, no habría sabido que la respuesta no era correcta y podría haberla utilizado a ciegas, dando por sentado que era correcta. Por otro lado, si tengo que resolverlo yo mismo, entonces no necesito la IA en primer lugar.

Te dije que la respuesta era incorrecta y te proporcioné información adicional para ver si podías mejorar la respuesta.

Esta vez, me dio la misma respuesta que había encontrado. Aquí está parte de la respuesta que dio:

Una cosa que me decepcionó es que no proporcionaba pruebas de que esta fuera la mejor respuesta posible.

Prueba 3: Resolver un acertijo lógico

A continuación, intenté que resolviera un rompecabezas lógico que me gusta mucho.

En este caso, respondió mucho más rápido. La respuesta comenzaba diciendo que se trataba de un problema clásico de lógica.

A continuación, se explicaba una estrategia para resolver el rompecabezas. En este caso, está claro que no se razonó mucho y que la IA ya había sido entrenada para dar esa respuesta.

Esta es una de las preguntas difíciles a la hora de evaluar estos modelos. ¿Encuentras la respuesta porque se te ocurre, o ya estaba codificada y solo tenías que soltarla?

Para ir más allá, añadí otra restricción para ver el resultado. Se me ocurrió esta variante en ese momento y nunca la había visto antes. No sabía si esta versión tenía solución.

Esta vez tardaste mucho en responder, lo cual es buena señal. Dijo que sí encontró una solución para esta variante más difícil:

Sin embargo, tras leer la respuesta completa, parece que la solución contiene algunos errores. Al final de la respuesta, se ofrece un ejemplo de la ejecución del plan y se comprueba que no funciona.

Dice que hay una solución, pero no insistí más. El comportamiento es un poco similar al ejemplo anterior, donde se omiten algunos pasos importantes y luego no estamos seguros de si realmente puede resolver el problema o no.

Ejemplo 4: Estrategia de tarjetas de fidelidad para empresas

Estoy implementando un programa de tarjetas de fidelidad digitales en mi cafetería y me gustaría saber cuál es la mejor estrategia. Proporcioné los detalles a Gemini Deep Think y solicité un análisis completo de diferentes estrategias y una recomendación.

Este es el mensaje que utilicé:

Esta fue otra ocasión en la que no me llevó mucho tiempo responder. Propuso cuatro soluciones y expuso las ventajas y desventajas de cada una de ellas.

Primera solución:

Segunda solución:

Tercera solución:

Cuarta solución:

En este caso, aunque me gustó la respuesta, no me pareció muy diferente de lo que ofrecen otros modelos. Creo que utilizar Deep Think para problemas como este es excesivo y que los modelos genéricos de IA pueden hacer un trabajo igual de bueno en este tipo de tareas.

Ejemplo 5: Escribir código

Por último, probé Gemini Deep Think en una tarea de programación. No especifiqué el idioma ni ningún detalle técnico, solo el problema que quería resolver.

La respuesta fue muy decepcionante y ni siquiera proporcionaba el código. Podría haber sido un simple error, pero teniendo en cuenta el precio de Deep Think, no es aceptable.

La respuesta no solo no proporcionaba el código, sino que tampoco explicaba cómo funciona la solución. Al enviar este mensaje, alcancé el límite de mensajes, así que me pregunto si eso influyó de alguna manera en la respuesta. Aunque creo que sería extraño, ya que este mensaje en sí mismo aún estaba dentro del límite.

Conclusión

Con los problemas que probé, no noté una gran diferencia entre las respuestas proporcionadas por Deep Think y las de otros modelos de cadena de pensamiento. Por lo tanto, a pesar de su mejor rendimiento en las pruebas comparativas y su capacidad para ganar medallas de oro, me pregunto si ofrece mucho valor para la mayoría de las personas. Lo veo como una herramienta dirigida a los investigadores.

Algo que me molestó fue que, una vez alcanzado el límite de Deep Think, no se puede continuar la conversación con un modelo normal. A menudo, sentí que habría sido suficiente con poner en marcha la solución del problema utilizando Deep Think y luego dejar que un modelo normal se hiciera cargo de las ideas iniciales para llegar a una solución definitiva.

Creo que Deep Think ha logrado algunos logros impresionantes. Ganar una medalla en la OMI no es poca cosa, y a medida que estos modelos evolucionan, pueden convertirse en herramientas extremadamente útiles para los investigadores. Creo que, junto con un humano, Deep Think puede ayudar a impulsar la investigación.

Cuando hacía mi doctorado, a menudo me quedaba atascado al compartir ideas con otros, incluso cuando no lograban aportar una solución. Hubiera sido increíble tener un modelo como Deep Think a mi lado para intercambiar ideas con más frecuencia y ayudarme a validar o descartar ideas más rápidamente.