El benchmark de Mento ve a 14 modelos fuertes en investigación, pero los 13 que terminaron predicen peor el crecimiento que una regla de plantilla

Claude Opus 5.5 lideró 960 tareas de investigación con 97,2 sobre 100, pero todos los modelos dieron valores para el 9–33% de los datos eliminados a propósito, y sus correlaciones con el crecimiento real fueron de −0,16 a −0,003 frente a +0,06 de la heurística.