Evaluación de la Alineación de la Edad Cognitiva en Agentes de IA Interactivos

Resumen

Si bien la IA agente y sus modelos grandes de lenguaje multimodal (MLLM, por sus siglas en inglés) han demostrado un notable potencial en el razonamiento lingüístico y visual en ámbitos que van desde la vida cotidiana hasta la investigación científica avanzada, persiste una profunda brecha entre la inteligencia artificial y la humana. A pesar de la integración de potentes herramientas y MLLM avanzados, los agentes de IA de última generación fracasan frecuentemente en tareas fundamentales, aparentemente simples, que un niño puede resolver con facilidad. Inspirados en la Escala de Inteligencia Wechsler para Niños (WISC), presentamos ChildAgentEval, el primer benchmark interactivo con base psicométrica para evaluar la alineación de la edad cognitiva en agentes basados en MLLM. ChildAgentEval compara sistemáticamente el rendimiento en razonamiento de diversos agentes interactivos basados en MLLM con etapas de desarrollo humano específicas por edad, revelando dónde los sistemas actuales de IA agente pueden y no pueden simular el comportamiento cognitivo propio de cada edad.

English

While agentic AI and its core multimodal large language models (MLLMs) have demonstrated remarkable promise in language and visual reasoning across domains ranging from daily life to advanced scientific research, a profound gap remains between artificial and human intelligence. Despite the integration of powerful tools and advanced MLLMs, state-of-the-art AI agents frequently fail at foundational, seemingly simple tasks that a child can resolve with ease. Inspired by the Wechsler Intelligence Scale for Children (WISC), we introduce ChildAgentEval, the first psychometrically grounded interactive benchmark for evaluating cognitive age alignment in MLLM-based agents. ChildAgentEval systematically compares the reasoning performance of various MLLM-based interactive agents against age-specific human developmental stages, exposing where current agentic AI systems can and cannot simulate age-specific cognitive behavior.