Un estudio sobre GPT-5.5 sugiere que no hay un prompt ideal para programación competitiva
Un preprint probó nueve estilos de instrucción en problemas de la Olimpiada Internacional de Informática y de optimización. El mejor prompt dependía de la tarea y de cómo se midiera el resultado.

Foto: Autor desconocido · CC0 1.0 · vía Rawpixel
Quien usa un modelo de lenguaje para programar suele acabar con alguna fórmula favorita para pedirle las cosas. Un nuevo estudio, publicado como preprint en arXiv, sugiere que esa fórmula universal quizá no exista, al menos en programación competitiva: según sus resultados, el mejor estilo de instrucción cambia según el tipo de problema y hasta según cómo se resuman los resultados.
El trabajo, firmado por Saad B. Alarifi y Mohammed A. Alam, se subió a arXiv el 21 de octubre de 2026. Los autores lo describen como un estudio exploratorio. Probaron un prompt (la instrucción que se le da al modelo) en cada uno de nueve estilos sobre GPT-5.5, con cinco tareas: tres de precisión, tomadas de la Olimpiada Internacional de Informática (IOI), y dos de velocidad de ejecución basadas en problemas NP-hard, una clase de problemas notoriamente difíciles de resolver de forma óptima.
La novedad, según el resumen, está en que los trabajos previos habían comparado estrategias de prompts solo por precisión. Este estudio añade la velocidad con la que corre el código generado y pone los resultados frente al desempeño de personas.
El hallazgo central es que ningún prompt fue el mejor en todo. El ganador dependía de la tarea y de si se miraba el promedio o la mediana. Además, muchas diferencias en el promedio venían de unas pocas ejecuciones atípicas. Por eso los autores advierten que evaluar un prompt con una sola métrica puede ocultar cuánto varía su efectividad.
La comparación con participantes humanos de la IOI es deliberadamente cautelosa. Los competidores trabajaron en condiciones distintas, así que el cotejo es descriptivo. Aun así, la IA no resultó ni claramente mejor ni claramente peor: superó al participante promedio en una tarea y quedó por debajo en las otras dos.
Hay límites que conviene tener presentes. El material disponible no detalla cuáles son los nueve estilos, cuántas veces se repitió cada prueba ni qué tareas exactas se usaron. Tampoco indica que el artículo haya pasado revisión por pares. La muestra es pequeña (un prompt por estilo, un solo modelo), y los propios autores acotan sus conclusiones a "estas tareas".
Para quienes en Latinoamérica usan modelos de lenguaje en entrenamiento para concursos de programación o en código donde el rendimiento importa, la lección práctica es probar varias formulaciones y medir más de una cosa. El artículo, de 10 páginas, indica que el código y los datos están disponibles, de modo que otros equipos podrían intentar replicarlo con otros modelos y más repeticiones.
Fuente: arXiv