Non finito trata la calidad de los modelos como algo que se mide, no que se asume. El ciclo básico es sencillo: escribir un prompt, seleccionar dos o más modelos y leer sus respuestas una junto a otra. Las evaluaciones públicas del sitio abarcan acertijos de razonamiento —como hallar el menor factor primo impar de un número grande—, razonamiento deductivo visual y QA del mundo real, analogías visuales estilo RPM, tareas de contar cartas, comprensión de gráficos y recomendación de políticas, seguimiento de entidades y decodificación base64, con modelos como OpenAI o1, DeepSeek R1, Qwen QwQ 32B Preview y xAI Grok 2 comparados sobre entradas idénticas.
Más allá de la comparación directa, la plataforma registra un veredicto para cada respuesta. Las evaluaciones se pueden marcar como apto o no apto, lo que convierte un montón de transcripciones en algo parecido a un marcador revisable. Esto resulta útil para comprobar si una nueva versión de un modelo mejora realmente respecto a la anterior en tus prompts concretos, en lugar de confiar en una clasificación construida con las tareas de otros.
Las evaluaciones pueden mantenerse privadas en tu espacio de trabajo o publicarse para que otros las vean y comparen, y el sitio invita a registrarse y crear las propias. Es una herramienta de investigación ligera, así que conviene esperar una interfaz enfocada y no una suite empresarial con pipelines de puntuación automática.
