en este artículo
- Por qué existe este benchmark
- Cómo funciona el benchmark (examen v5, noviembre de 2026)
- El ranking: top 10 por índice de calidad
- Si solo te importan los modelos abiertos
- Si solo te importa la calidad (y el costo no es factor)
- Dentro de la misma familia, la versión más cara casi no rinde más en nuestras pruebas
- Contexto usable y seguridad
- Los modelos “thinking” y los agentes multi-turno
- El proveedor importa tanto como el modelo
- Correrlo en tu propia máquina
- Lo que este benchmark NO mide (y dónde mirar)
- La mejor IA de 2026 según tu caso
TL;DR: No hay una mejor IA universal en 2026. En nuestras 28 suites y 8 tareas agénticas, los modelos de arriba no se separan dentro del margen de error, y el más caro cuesta cientos de veces lo que el más barato por las mismas mil llamadas. En lo que medimos, el precio casi no predice la calidad. Lo que sigue son los datos.
¿Cuál es el mejor modelo de IA para tu negocio en 2026? Después de más de 80.000 ejecuciones de tests reales en español, la respuesta corta es: no existe el mejor modelo universal. Existe el mejor modelo para tu tarea, tu volumen y tu presupuesto. Y en lo que medimos, los datos dejan algo claro: el precio casi no predice la calidad. La correlación entre precio y calidad en los modelos del ranking es casi nula (el precio explica apenas un 6% de la diferencia).
Este benchmark nació en febrero de 2026 con veinticinco modelos y 125 tests. Hoy es un proyecto open-source (MIT) con 244 modelos catalogados y más de 80.000 ejecuciones, de los cuales 74 compiten en el ranking: rindieron el examen vigente completo y las tareas reales de agente. Todo el código y los datos crudos están en GitHub.
Por qué existe este benchmark
No lo empecé por curiosidad. Lo empecé porque me estaba costando dinero.
Tenía el plan Max de Anthropic. Sonaba razonable hasta que intenté usarlo con mis agentes y descubrí que la suscripción no está diseñada para eso: correr un agente 3-4 horas al día por API no costaba $20 ni $200. Costaba $11.250 al mes por desarrollador.
Eso no es un bug. Es cómo funciona el modelo de suscripción: te hace pensar que pagas $20 cuando en producción necesitas cinco cifras.
Después vino lo otro. Anthropic se cayó cinco veces en un mes. Después del tercer corte estaba frustrado; después del quinto entendí algo peor: me había casado con un proveedor. Exactamente igual que cuando era founder y dependía de ese empleado «irremplazable» que tenía todo en la cabeza.
Necesitaba una alternativa. Y necesitaba datos, no opiniones, porque los benchmarks que encontraba estaban en inglés, medían tareas de laboratorio, y ninguno respondía la única pregunta que me importaba: ¿cuál de estos me sirve a mí, en español, y cuánto me va a costar de verdad?
El benchmark es una parte del método. La otra es probar cada IA dentro de tareas reales, con una salida verificable y consecuencias concretas antes de automatizar.
Así que lo medí yo.
Cómo funciona el benchmark (examen v5, noviembre de 2026)
Cada modelo rinde el mismo examen: 30 suites y 163 pruebas, con un proveedor fijo para todas sus pruebas y el razonamiento fijado según la tarea. Las suites se organizan en 4 pilares aplicados más tres dimensiones que se reportan aparte:
- Razonamiento: lógica, estrategia, detección de alucinaciones
- Coding: generación de código y JSON estructurado
- Contenido/Marketing: blog, newsletters, traducción ES↔EN, copy de ventas
- Agentes/Operaciones: tool calling, soporte al cliente, multi-turno de 8+ turnos
- Long-context: retrieval tipo needle-in-a-haystack de 8K a 800K tokens
- Seguridad: resistencia a fuga de credenciales (
prompt_injection_es) - Trabajo agéntico real: tareas de negocio ejecutadas de punta a punta dentro de un agente con Docker y herramientas, verificadas por tests, no por un juez
La nota de calidad suma las tareas reales. Desde el 9 de noviembre, el índice de calidad es 75 % el examen y 25 % las cuatro tareas de agente, donde cuenta el promedio de los tres intentos y también el peor. En una de ellas, facturación, tres de sus ocho comprobaciones no cuentan por ahora: pedían algo que el enunciado no le dice al agente, y los voy a corregir antes de volver a contarlos. Con las cuatro tareas actuales, lo agéntico funciona como un piso: separa a los modelos que no logran operar como agente, pero casi todos los de arriba las superan.
La calidad la evalúa Phi-4 (Microsoft, 14B, licencia MIT), servido siempre por el mismo camino (OpenRouter) para que todos los modelos tengan exactamente el mismo juez, uno que no le debe nada a ningún proveedor.
Cómo se lee el número (y por qué lo cambié)
Durante meses el titular de este benchmark fue un score compuesto: calidad, costo, velocidad y latencia mezclados en una cifra, estandarizados con z-score. Lo abandoné, y vale contar por qué porque es la clase de error que se comete en cualquier dashboard.
Problema uno: el z-score estiraba las diferencias. La población entera del examen entra en menos de dos puntos de calidad real. El z-score reparte una población así sobre una escala de 0 a 10, de modo que una diferencia chica aparece publicada varias veces más grande de lo que es. Peor: cada modelo nuevo movía el promedio y recalculaba la nota de todos, aunque ninguno hubiera cambiado su rendimiento.
Problema dos: mezclar precio con calidad esconde la decisión. Un compuesto que ya trae el costo adentro te contesta “cuál conviene” cuando todavía no preguntaste “cuál es mejor”. Y con los pesos mal calibrados, el costo terminaba decidiendo el ranking aunque pesara 15%.
Hoy el titular es el índice de calidad: capacidad pura, escala absoluta, 10 sería perfecto. Precio, velocidad y latencia van en sus propias columnas, al lado. Primero cuál es mejor; después cuánto cuesta. Y como la escala es absoluta y está anclada, una cifra citada hoy no caduca cuando mido un modelo nuevo.
La lección de método, que es lo que sirve fuera de acá: si tus métricas tienen rangos muy distintos, tus pesos te están mintiendo. Y si tu número principal mezcla “qué tan bueno es” con “cuánto cuesta”, no estás midiendo: estás opinando con decimales.
El ranking: top 10 por índice de calidad
Ranking al 10 de noviembre de 2026, con el examen v5 y las tareas reales de agente. Calidad pura, sin mezclar precio, y el costo al lado, por 1.000 llamadas típicas. Todos medidos por el mismo camino para que la comparación sea entre modelos y no entre infraestructuras.
| # | Modelo | Calidad | $/1k llamadas | Open source |
|---|---|---|---|---|
| ≈ | GLM 5.3 | 9.00 | $7.02 | Sí |
| ≈ | GLM 5.2 | 8.95 | $3.43 | Sí |
| ≈ | Qwen 3.8 Flash | 8.91 | $0.75 | No |
| ≈ | Qwen 3.8 27B | 8.90 | $3.89 | Sí |
| ≈ | Qwen 3.8 Max 0902 | 8.90 | $9.60 | No |
| ≈ | Gemini 4 Argon | 8.90 | $15.60 | No |
| ≈ | GLM 5.3 Flash | 8.88 | $0.80 | Sí |
| ≈ | Claude Fable 5.1 | 8.88 | $78.00 | No |
| ≈ | GLM 5 | 8.87 | $3.06 | Sí |
| ≈ | Ling 3.0 Flash | 8.85 | $0.10 | Sí |
La escala es absoluta y está anclada: medir un modelo nuevo no recalcula la nota de los demás. Igual el catálogo crece cada mes: para el número de hoy está la calculadora en vivo, que se regenera sola.
Tres lecturas inmediatas:
Arriba no hay podio: hay empate. Los diez de arriba caben en 0,15 puntos, y el benchmark no logra separar a 31 de los 74 modelos rankeados: forman el grupo de cabeza, entre 8,71 y 9,00. Dentro de ese grupo el precio va de $0,10 (Ling 3.0 Flash) a $78 (Claude Fable 5.1) por las mismas mil llamadas: la calidad se apelotona y el precio se multiplica por más de 700. Esa brecha entre calidad y precio es también el dato central de por qué creo que hay una burbuja de valorizaciones en la IA.
El top 10 cuesta entre $0,54 y $9,60. Gemma 4 31B ($0,54) y Qwen 3.8 Max 0902 ($9,60) están los dos en el grupo de cabeza: casi 18 veces de precio que la medición no logra separar.
6 del top 10 son open source. Qwen 3.6 27B base, GLM 5.3, GLM 5.2, Qwen 3.5 397B, Mistral Large 4.0, Gemma 4 31B y Qwen 3.8 27B son modelos abiertos. Y el más barato del grupo de cabeza, Ling 3.0 Flash, también lo es (MIT). Lo barato dejó de ser segunda categoría.
🧠 ¿No sabes qué modelo de IA usar?
Intro a LLMs te da el criterio para elegir modelo por costo y caso de uso — y cierra con un test A/B real de 5 modelos en OpenRouter.
Ver el cursoSi solo te importan los modelos abiertos
Como el ranking mezcla propietarios y abiertos, acá está el corte que muchos vienen a buscar: solo open source, por índice de calidad. Seis de estos diez tienen licencia MIT o Apache 2.0. Los usas, los self-hosteas y los auditas sin pedirle permiso a nadie.
| # | Modelo | Calidad | $/1k llamadas | Licencia |
|---|---|---|---|---|
| ≈ | GLM 5.3 | 9.00 | $7.02 | MIT |
| ≈ | GLM 5.2 | 8.95 | $3.43 | MIT |
| ≈ | Qwen 3.8 27B | 8.90 | $3.89 | Apache 2.0 |
| ≈ | GLM 5.3 Flash | 8.88 | $0.80 | MIT |
| ≈ | GLM 5 | 8.87 | $3.06 | MIT |
| ≈ | Ling 3.0 Flash | 8.85 | $0.10 | MIT |
| ≈ | Kimi K3.1 Pro | 8.82 | $15.60 | Kimi K3.1 Pro License (propia de Moonshot) |
| ≈ | Mistral Large 4.0 | 8.82 | $3.36 | Mistral Ecosystem Open-Weight License |
| ≈ | Qwen 3.6 27B base (OpenRouter FP8) | 8.81 | $3.09 | Apache 2.0 |
| ≈ | GLM-5.1 | 8.80 | $4.84 | MIT |
Qwen 3.6 27B base y GLM 5.3, los dos abiertos, están en el grupo de cabeza del ranking completo. Pero ojo con leer «abierto» como «barato»: por API, GLM 5.3 cuesta $7,02 por mil llamadas. El costo-beneficio abierto lo dan Gemma 4 31B ($0,54) y GLM 5.3 Flash ($0,80), del mismo grupo, y eso ya no es una promesa: es el estado del arte medido.
Matiz honesto: ningún modelo gana en todo, y una nota alta de calidad no dice si el modelo sirve para tu caso. Qwen 3.6 27B base, del grupo de cabeza, saca 1,00 de 10 resistiendo la fuga de una credencial plantada. Si tu agente procesa datos de clientes, esa columna pesa más que la de calidad. Por eso publico la seguridad y el trabajo agéntico aparte, y por eso el ranking es un mapa, no una respuesta única.
Si solo te importa la calidad (y el costo no es factor)
Con el índice de calidad como titular, la tabla de calidad pura es la misma de arriba: no hay dos rankings que digan cosas distintas, y el precio va en su columna.
Y lo que muestra es esto: en el grupo de cabeza conviven Qwen 3.6 27B base ($3,09), GLM 5.3 ($7,02) y Claude Fable 5.1, el más caro del catálogo ($78), y la medición no los separa. Los premium no son peores; son igual de buenos que varios abiertos, pero cuestan decenas de veces más.
Y acá el hallazgo que más me sorprende: en los 74 modelos del ranking, la correlación entre precio y calidad es +0,24, casi nada. El precio explica apenas un 6% de la diferencia de calidad. Pagas marca, soporte y prioridad en cola, no calidad medible en tareas aplicadas.
Dentro de la misma familia, la versión más cara casi no rinde más en nuestras pruebas
No hace falta comparar marcas para ver que, en estas pruebas, el precio casi no separa la calidad. Alcanza con mirar una sola familia.
OpenAI vende cuatro versiones de GPT-6. Esto es lo que miden:
| Versión | Calidad | $/1.000 llamadas | Velocidad | Tareas agénticas superadas en los 3 intentos |
|---|---|---|---|---|
| GPT-6 Luna | 8,71 | $0,78 | 77 tok/s | 8 de 8 |
| GPT-6.1 Terra | 8,61 | $7,80 | 58 tok/s | 8 de 8 |
| GPT-6.1 Sol | 8,69 | $15,60 | 50 tok/s | 8 de 8 |
| GPT-6 Astra | 8,67 | $78,00 | 38 tok/s | 8 de 8 |
Entre las cuatro no hay diferencia de calidad medible: sus notas difieren en décimas que caben en el margen de error. Luna aparece en el grupo de cabeza y las otras tres no, pero es por centésimas en el borde. No es una diferencia real entre ellas. Lo que sí se separa es el precio: Sol cuesta 20 veces lo que Luna, y Astra, 100 veces. En las tareas agénticas las cuatro superan todas en sus tres intentos, así que ahí tampoco hay una diferencia que pagar. Y en seguridad Luna y Luna Pro son de lo mejor del catálogo entero: 9,55 y 10,00 de 10 resistiendo la fuga de una credencial plantada.
En Claude, lo mismo:
| Versión | Calidad | $/1.000 llamadas | Tareas agénticas superadas en los 3 intentos | Seguridad |
|---|---|---|---|---|
| Claude Haiku 5.5 | 8,67 | $0,78 | 8 de 8 | 5,50 |
| Claude Sonnet 5.5 | 8,79 | $15,60 | 8 de 8 | 1,00 |
| Claude Opus 5.5 | 8,81 | $31,20 | 8 de 8 | 2,80 |
| Claude Fable 5.1 | 8,88 | $78,00 | 8 de 8 | 3,25 |
Entre Haiku 5.5 y Fable 5.1 hay 100 veces de precio y una diferencia de calidad que la medición no logra separar. Los cuatro superan todas las tareas agénticas en todos sus intentos: ahí también empatan.
No es que los modelos caros sean malos: en lo que medimos, la escalera de precios no se traduce en calidad.
Un límite importante: nuestras suites no miden programar con agentes en sesiones largas, y ahí la versión más cara de una familia sí puede notarse. Para esa decisión, revisa la comparación de Claude Haiku, Sonnet y Opus y los benchmarks que sí miden ese trabajo: SWE-Bench Pro y Terminal-Bench 4.1. SWE-bench Verified también lo mide, pero se lee con cuidado: OpenAI dejó de reportarlo en febrero de 2026 por contaminación.
La historia de cómo medí Claude Fable 5 el día de su lanzamiento, con el examen anterior, está en este análisis.
Contexto usable y seguridad
Contexto usable ≠ contexto declarado. La suite de long-context esconde un dato a distintas profundidades y mide si el modelo lo recupera. Varios modelos del ranking recuperan el dato hasta el techo de la prueba, y algunos de los más baratos están ahí: DeepSeek V4 Flash 0731 ($0,20, 800K), MiMo V2.6 Flash ($0,46, 800K) y Qwen 3.8 Flash ($0,75, 800K). Lo que diferencia al resto es dónde está su techo real:
| Modelo | Declarado | Usable real |
|---|---|---|
| Claude Fable 5.1, Opus 5.5, Sonnet 5.5 y Haiku 5.5 | 1M | 512K |
| MiniMax M3 | 1M | 256K |
| Nemotron 3 Super | 1M | 128K |
Si procesas documentos grandes, el número de marketing no es el que importa.
Seguridad: la mayoría entrega el secreto. La suite prompt_injection_es planta un secreto en un documento y pide extraerlo. La mediana de los 74 modelos del ranking que tienen la prueba medida es 1,90 de 10. Los que mejor resisten son GPT-6 Luna Pro (10,00), GPT-6 Luna (9,55) y Grok 4.7 (9,10), mientras varios modelos que en calidad rinden de primer nivel entregan el secreto casi siempre. Si tu agente procesa contratos, configs o datos de clientes, este eje pesa, y es invisible en cualquier ranking de calidad o costo. Y tampoco acá pagar más compra seguridad: GPT-6 Luna, segundo en resistencia, cuesta $0,78 por mil llamadas.
Los modelos “thinking” y los agentes multi-turno
Un patrón que va contra el marketing, y que sale de mediciones anteriores de este benchmark, no del examen v5: forzar el razonamiento extendido bajó el rendimiento en la suite multi-turno en la mayoría de los modelos híbridos en que lo probé. La hipótesis es que el razonamiento interno consume atención que el modelo necesita para sostener el contexto de la conversación y la sintaxis de las tools. El examen v5 fija el razonamiento según la tarea y no volvió a medir esa comparación.
Regla práctica: para agentes en producción, thinking apagado por defecto. Actívalo solo si validaste que ayuda en TU tarea específica.
El proveedor importa tanto como el modelo
Eliges un modelo mirando un ranking. Después lo llamas por el proveedor que tenías a mano. Y esa segunda decisión, la que nadie te ayuda a tomar, te puede costar más calidad que la primera. El mismo modelo, con los mismos pesos, rinde distinto según quién lo sirva: cuantización y configuración de serving, que ningún proveedor te dice.
Por eso en el examen v5 cada modelo se mide con un proveedor fijo, el mismo para todas sus pruebas, y queda declarado. Si cada prueba cayera en un proveedor distinto, no estarías comparando modelos: estarías comparando datacenters. Groq corre a cientos de tokens por segundo en sus LPU; otros proveedores, a decenas. Eso no dice nada sobre el modelo.
🧠 ¿No sabes qué modelo de IA usar?
Intro a LLMs te da el criterio para elegir modelo por costo y caso de uso — y cierra con un test A/B real de 5 modelos en OpenRouter.
Ver el cursoLo desarrollé aparte, con todos los casos: el mismo modelo rinde distinto según quién lo sirva.
Correrlo en tu propia máquina
Tengo un DGX Spark de US$4.000 y corro ahí modelos abiertos cuantizados. Esos números no compiten en el ranking, a propósito: la velocidad de un modelo en mi Spark es la velocidad de mi Spark, no del modelo, y comparar mi GPU contra un datacenter no mide modelos, mide máquinas.
La aritmética tampoco cambia. El hardware propio no es gratis: es capital hundido, electricidad y horas de tuning del runtime. Con modelos del grupo de cabeza a centavos por mil llamadas, un equipo así tarda años en pagarse por ahorro puro. Tiene sentido cuando la privacidad manda, cuando el volumen es brutal, o cuando ya lo tienes y quieres exprimirlo. Qué modelo corre en cada tamaño de máquina está en la guía de modelos open source en local.
Lo que este benchmark NO mide (y dónde mirar)
Honestidad ante todo: este benchmark mide tareas aplicadas en español con prompts single-turn, multi-turno simulado y un set chico de tareas agénticas reales. No mide debugging agéntico real de sistemas complejos con Docker, sistemas de archivos y ejecución de código.
Un caso real lo dejó claro: un emprendedor con un problema técnico complejo en un contenedor en su VPS lo intentó resolver con MiniMax M2.7, que rendía bien en este benchmark, y no pudo. Cambió a Claude Opus y lo resolvió en minutos. Para esa dimensión la referencia es SWE-bench Verified.
La regla: este ranking sirve para elegir el caballo de trabajo de volumen (contenido, workflows, agentes, análisis). Para incident response y debugging crítico, los premium siguen valiendo lo que cuestan.
La mejor IA de 2026 según tu caso
Qué usar según el caso, con el examen v5 de noviembre de 2026. El patrón que recomiendo para agentes: 1 LLM cabecera (orquestador) + N modelos especializados por skill, el mismo enfoque que uso en mis workflows de n8n.
Una advertencia antes de la tabla: en coding, contenido y soporte, los dos modelos empatan dentro del margen de error de su suite. El primero va primero, pero la medición no los separa, así que entre ellos se elige por precio.
| Tarea | Encabeza | También arriba | Por qué |
|---|---|---|---|
| Agente cabecera (n8n) | Ling 3.0 Flash ($0,10) | Nemotron 3 Super (7,93) | El primero es el más barato de los que superan todas las tareas agénticas reales (tareas de negocio ejecutadas en Docker, 3 intentos cada una); el segundo encabeza el pilar Agentes del examen |
| Coding (workflows, plugins, scripts) | Qwen 3.6 35B base (OpenRouter FP8) (9,65) | Qwen 3.6 27B base (OpenRouter FP8) (9,60) | Encabezan la generación de código |
| Contenido en español | Qwen 3-Next 80B Instruct (9,70) | Granite 4.2 8B (9,65) | Encabezan la generación de contenido |
| Soporte al cliente multi-turno | Llama 4 Maverick (9,47) | GPT-6.1 Terra (8,95) | Encabezan el soporte al cliente |
| Research con tools | Muse Spark 1.3 (7,10) | Qwen 3.6 Plus (8,28) | Las herramientas son el eje más flojo del catálogo. El primero encabeza tool_calling; el segundo, el caso adversarial (herramientas que no existen) |
| Documentos muy largos | DeepSeek V4 Flash 0731 ($0,20) | Qwen 3.8 Flash ($0,75) | Contexto usable real medido, hasta el techo de la prueba: 800K y 800K respectivamente |
| Datos sensibles / credenciales | GPT-6 Luna Pro (10,00), empatada con Luna Pro (10,00) | MiMo V2.6 Flash (8,65) | La mejor resistencia medida a la fuga de credenciales |
| Debugging real en producción | Los premium (Claude, GPT) | — | SWE-bench Verified, no este ranking |
| JSON estricto | Ling 3.0 Flash (10,00) | DeepSeek V4 Flash 0731 (10,00) | Nota perfecta en salida estructurada; varios la sacan, así que elige por precio |
| Presupuesto mínimo | Ling 3.0 Flash ($0,10) | Gemma 4 31B ($0,54) | El más barato del ranking; Gemma 4 31B, del grupo de cabeza, a centavos |
Ojo con una trampa: calidad de texto no es trabajo agéntico. Lo agéntico se mide aparte, con tareas de negocio ejecutadas dentro de un agente y verificadas por tests, no por un juez. Ahí muchos modelos empatan arriba: los cuatro Claude superan todas las tareas en sus tres intentos, y MiMo V2.6 Flash, a $0,46, también (8 de 8). Si un modelo va a operar algo, mira esa columna, no solo la de calidad.
Cuánto gastar según tu presupuesto
La estrategia de costo que sale de los datos no depende de un proveedor en particular:
- Volumen bajo: los tiers gratuitos sirven para probar y para prototipos. Traen límites de tasa agresivos y pueden cambiar sin aviso, así que no los uses para producción crítica (ni para medir: por eso este benchmark nunca mide en un endpoint gratuito).
- Volumen estable: una suscripción de cuota fija conviene cuando tu uso es predecible. Revisa qué modelos incluye y cuál es su límite real antes de pagar.
- Volumen alto o variable: pago por uso con un router que haga fallback automático entre modelos.
Con ese stack, el 80-90% de las tareas de un negocio corre en modelos que cuestan centavos, y reservas los premium para lo que de verdad los necesita.
Lo que aprendí
No existe el mejor modelo universal. La regla #0 desde febrero, hoy con más de 80.000 ejecuciones que la respaldan.
En nuestras pruebas, el precio casi no predice la calidad. Correlación precio-calidad de +0,24 en los 74 modelos del ranking, casi nada. Lo que el precio puede comprar está en lo que no medimos, como las tareas largas de programación con agentes: para eso están SWE-Bench Pro y Terminal-Bench 4.1.
Open-source ganó el costo-beneficio. 17 de los 31 modelos del grupo de cabeza son abiertos, y Gemma 4 31B ($0,54) está en el mismo grupo que un Claude Fable 5.1 de $78.
Los premium están arriba, pero el precio no rinde. Claude Fable 5.1, Opus 5.5 y Sonnet 5.5 entran al grupo de cabeza, junto a Ling 3.0 Flash, que cuesta más de 700 veces menos que Fable 5.1. Que lleguen arriba y no se despeguen es la tesis, no la excepción.
El thinking es para problemas, no para agentes. En mediciones anteriores, forzar el razonamiento empeoró el multi-turno en la mayoría de los modelos híbridos.
El contexto declarado es marketing; el usable es data. 1M anunciado puede ser 128K real.
Audita tu propia medición, y tu propia escala. Mi suite de long-context llegó a mentir de cinco formas, y cada sesgo parecía un hallazgo. Y el z-score que usaba para publicar inflaba las diferencias varias veces. Antes de publicar un ranking, o un dashboard de tu negocio, revisa las respuestas individuales y qué le hace tu normalización a los números.
Todo el benchmark es open-source (MIT): código, tests, resultados crudos y análisis están en github.com/ctala/ai-benchmarks-alternativos. Y si quieres encontrar tu modelo en 30 segundos ajustando los pesos a tu caso (presupuesto, calls/mes, calidad mínima), usa la calculadora interactiva.
Ya sabes qué modelo rinde; ahora encárgale a un agente una tarea de tu negocio. Recibe el Kit «tu mano derecha con IA»: un video de 11 minutos, una ficha para completar y un tutorial de instalación para dejar a tu primer agente trabajando.
CAR está cerrada por ahora. Al anotarte, te avisamos cuando abra.
El ranking sigue vivo (y este post no)
Las cifras de arriba son del 10 de noviembre de 2026, con el examen v5 y las tareas reales de agente. Desde que la escala es absoluta ya no se recalculan solas, pero el catálogo crece cada mes y con él las posiciones. Si viniste a decidir hoy, mira la fuente que se actualiza sola:
- modelos para agentes
- para programar
- los más baratos que rinden
- los mejores en español
- La calculadora — ajusta los pesos a tu caso: si corres de noche, la latencia no te importa y el ranking la penaliza igual.
Todo el código y los datos están abiertos en GitHub.
Preguntas frecuentes
¿Cuál es el mejor modelo de IA en 2026?
No existe un mejor modelo universal, y hoy menos que nunca: el benchmark no logra separar a la mitad de los modelos rankeados, que forman el grupo de cabeza. En ese grupo conviven abiertos como Qwen 3.6 27B base y GLM 5.3 con propietarios como Claude Fable 5.1. Lo que sí cambia muchísimo es el precio: dentro de ese mismo grupo va de $0,10 a $78 por mil llamadas. Depende de tu caso.
¿Vale la pena pagar la versión más cara de un modelo?
En mis pruebas en español, casi nunca. Entre las cuatro versiones de GPT-6 no hay diferencia de calidad medible (sus notas caben en el margen de error de la medición), y la más cara cuesta 100 veces lo que la más barata: Luna, a $0,78 por mil llamadas, contra Astra, a $78. En Claude pasa lo mismo: Haiku 5.5 y Fable 5.1 no se separan dentro del margen, y Fable 5.1 cuesta 100 veces más.
¿Qué modelos de IA gratis valen la pena?
Por API, gratis de verdad casi ninguno, pero algunos cuestan centavos y rinden arriba: Ling 3.0 Flash ($0,10 por mil llamadas, licencia MIT) y Gemma 4 31B ($0,54) están en el grupo de cabeza. Para volumen bajo o medio, como un blog o un agente n8n con decenas de ejecuciones diarias, el costo es despreciable.
¿Claude vale lo que cuesta?
Depende de la tarea. En calidad, Claude Fable 5.1, Opus 5.5 y Sonnet 5.5 están en el grupo de cabeza. Pero Fable 5.1 cuesta $78 por mil llamadas y Opus 5.5, $31,20, cuando Gemma 4 31B ($0,54) está en el mismo grupo. En las tareas agénticas reales los cuatro Claude superan todas las pruebas, igual que modelos mucho más baratos. Y resistiendo la fuga de credenciales, Fable 5.1 saca 2,5 de 10. Para debugging real, la referencia es SWE-bench Verified, no este ranking.
¿Cuál es la mejor IA de 2026?
Depende de tu caso, y menos de lo que crees. En nuestras 28 suites y 8 tareas agénticas, los mejores no se separan dentro del margen de error. La diferencia real está en el precio, que va de centavos a decenas de dólares por las mismas mil llamadas. Usa la calculadora del benchmark con tus propios pesos en vez de copiar un ranking.
¿Cuál es la mejor IA gratis y open source en 2026?
Los modelos abiertos ya están en el grupo de cabeza: la mayoría de los diez de arriba y más de la mitad del grupo, entre ellos Qwen 3.6 27B base y GLM 5.3. Ojo: abierto no siempre es barato por API, y GLM 5.3 cuesta $7,02 por mil llamadas, y Gemma 4 31B, también del grupo, $0,54. El costo-beneficio del open source dejó de ser una promesa: es el estado del arte medido.
🧠 ¿No sabes qué modelo de IA usar?
Intro a LLMs te da el criterio para elegir modelo por costo y caso de uso — y cierra con un test A/B real de 5 modelos en OpenRouter.
Ver el curso