Modelos de lenguaje y razonamiento

Qué tener en cuenta

Las preguntas que distinguen las opciones, por orden de importancia.

1. 01

   El benchmark de tu tarea, no el puesto de titular

   Decide primero si necesitas calidad de chat, programación, trabajo de agentes o procesamiento masivo barato, porque los líderes son distintos. Un modelo que encabeza una votación de chat a ciegas puede quedarse atrás en ejecuciones largas de agentes, y al revés. Lee en cada clasificación de abajo la columna que corresponde a tu carga de trabajo, y trata cualquier afirmación de 'mejor modelo' como marketing.

2. 02

   Artificial Analysis Intelligence Index: compara con el esfuerzo que vas a pagar

   La versión 4.3 es una media ponderada de 10 evaluaciones que Artificial Analysis ejecuta por su cuenta con un único entorno: agentes un 30%, programación un 20%, conocimiento general un 30% y razonamiento científico un 20%, cuatro de ellas con conjuntos de prueba privados. Es la mejor cifra independiente única, pero el mismo modelo aparece varias veces con distintos ajustes de esfuerzo (max, xhigh, high), y la primera entrada suele ser la más cara. Lee las columnas Cost per Task, Median Tokens/s y First Chunk junto a la puntuación; una diferencia de dos puntos rara vez justifica pagar el doble.

3. 03

   Arena (antes LMArena): una votación de preferencias, con márgenes de error

   Arena, en arena.ai desde enero de 2026, clasifica los modelos a partir de votos a ciegas de sus usuarios comparando respuestas lado a lado. El control de estilo, que descuenta la longitud y el markdown, está activado por defecto desde mayo de 2025. Mira el intervalo de confianza del 95% y el rango de puestos: los modelos cuyos intervalos se solapan están empatados estadísticamente, sea cual sea su posición. Usa las pestañas por categoría (coding, hard prompts, long queries, WebDev) y recuerda que mide lo que la gente prefiere en una ventana de chat, no si un agente termina una tarea de 40 pasos.

4. 04

   Puntuaciones de programación: SWE-bench Verified ya no es una señal limpia

   OpenAI dejó de publicar SWE-bench Verified en febrero de 2026 alegando contaminación: los modelos habían visto los problemas durante el entrenamiento, y una auditoría de los fallos encontró que muchos se debían a pruebas defectuosas. En julio de 2026 retiró también su recomendación de SWE-bench Pro tras descubrir que alrededor del 30% de las tareas públicas estaban rotas. Trata las cifras de SWE-bench de los proveedores como una prueba débil, comprueba qué andamiaje de agente se usó y da más peso a pruebas más nuevas o ejecutadas de forma independiente, como Terminal-Bench 4.0 dentro del índice de Artificial Analysis, DeepSWE y una evaluación en tu propio repositorio.

5. 05

   Agentes y llamadas a herramientas: lee pass^k en tau-bench y luego prueba tus herramientas

   tau-bench de Sierra, ya en su tercera versión (τ³-bench, en taubench.com), simula agentes de atención al cliente que usan herramientas frente a un usuario simulado. La columna útil es pass^k: la proporción de tareas resueltas en todas y cada una de k ejecuciones, que mide la regularidad y no los aciertos de un intento con suerte. Las clasificaciones cambian a medida que crece k, así que un modelo que gana en pass^1 puede perder en pass^4. Las puntuaciones del tau-bench original y de τ³ no son comparables. Comprueba también los límites prácticos: algunos modelos necesitan una API concreta para las herramientas (GPT-6.1 Sol requiere la Responses API de OpenAI), y la salida estricta según esquema JSON varía según el proveedor.

6. 06

   Tablas de lanzamiento de los proveedores frente a ejecuciones independientes

   Las tablas de lanzamiento las ejecuta el proveedor, con los ajustes que eligió y los rivales que escogió. Las ejecuciones independientes a menudo discrepan: en Humanity's Last Exam, en octubre de 2026, la mejor puntuación iba de alrededor del 54% en la clasificación sin herramientas de Scale a alrededor del 65% en las que permiten herramientas. Antes de comparar dos cifras, comprueba quién ejecutó la prueba, si se permitían herramientas, qué nivel de esfuerzo se usó y si el conjunto de prueba es público (y por tanto puede estar en los datos de entrenamiento).

7. 07

   Precio real: tokens de salida, caché y descuentos que caducan

   Los precios de lista por 1M de tokens de entrada y de salida son el punto de partida, no la factura. Los modelos de razonamiento gastan tokens de salida pensando, así que un modelo más barato que piensa más puede costar más por tarea. La caché de prompts cambia las cuentas para los agentes y los prompts de sistema largos: Claude Opus 5.5 cobra $0.20 por 1M de entrada en caché frente a $4 sin caché. Vigila los recargos por prompts largos (OpenAI por encima de 272K tokens), los descuentos del 50% por lotes y los precios de lanzamiento que terminan (Gemini 4 Argon duplica su precio el 1 de diciembre de 2026).

8. 08

   Ventana de contexto, velocidad y licencia

   Una ventana de 1M de tokens no dice nada de lo bien que el modelo la aprovecha; mira pruebas de contexto largo como AA-LCR y el límite de tokens de salida, que pone techo a las generaciones largas. En las apps interactivas, el tiempo hasta el primer token y los tokens por segundo en Artificial Analysis importan más que un punto de benchmark, y en los modelos abiertos dependen del proveedor que los aloje. Con pesos abiertos, lee la licencia: Apache 2.0 y MIT no tienen restricciones, mientras que las licencias MIT modificadas de Kimi K3 y GLM-5.3 añaden condiciones para los proveedores de API muy grandes. Revisa también el hardware: gpt-oss-120b cabe en una GPU de 80GB, DeepSeek-V4-Pro necesita un clúster.

15 herramientas comparadas

Ordenadas por nuestra nota. Abre cualquier reseña para ver las fuentes, los precios y el veredicto completo.

Comparativa de herramientas de Modelos de lenguaje y razonamiento

Herramienta	Nota	Nuestro veredicto	Ideal para	Precio
Claude Opus 5.5modelo	4.7/5	El nuevo modelo predeterminado de Anthropic se gana el título: primero en el índice independiente de Artificial Analysis y una quinta parte más barato por token que el Opus al que sustituye.	Equipos que ejecutan agentes de programación largos, auditorías de código o investigación con muchos documentos, donde terminar la tarea importa más que el coste de cada llamada.	API: $4 por 1M de tokens de entrada, $20 por 1M de salida; lecturas de caché $0,20, 5 dólares las escrituras en caché de 5 minutos; Batch API con un 50 % de descuento; modo rápido $8/$40; inferencia solo en EE. UU. 1,1x.
Claude Sonnet 5.5modelo	4.6/5	A dos puntos de Opus 5.5 en la prueba de trabajo intelectual de Anthropic y a mitad de precio, lo que convierte a Opus en una mejora deliberada y no en la opción por defecto.	Equipos que ejecutan agentes de programación, automatización de soporte o trabajo documental a gran escala y quieren una calidad cercana a Opus a mitad de precio por token.	API: $2 por 1M de tokens de entrada, $10 por 1M de tokens de salida; lecturas de caché $0,10; Batch API con un 50 % de descuento.
GPT-6.1 Solmodelo	4.6/5	Para la mayoría de clientes de OpenAI este es el modelo insignia que importa: un punto por detrás de Astra en el índice de Artificial Analysis por una quinta parte del precio por token.	Equipos que crean agentes y flujos de trabajo empresariales sobre OpenAI, quieren resultados cercanos a Astra a coste de gama media y pueden convivir con una salida más lenta.	API: $2 por 1M de tokens de entrada, $10 por 1M de salida; entrada en caché $0,10; Batch/Flex a mitad de precio; los prompts de más de 272K tokens de entrada pagan 2 veces la entrada y 1,5 veces la salida en toda la petición.
Gemini 4 Argonmodelo	4.5/5	Google vuelve a la vanguardia con Argon, y su entrada nativa de vídeo y audio es algo que los modelos insignia de Claude y GPT todavía no pueden igualar.	Equipos que trabajan con vídeo, audio o colecciones de documentos muy grandes y quieren un modelo de razonamiento de primer nivel.	API: $2 de entrada / $10 de salida por 1M de tokens hasta el 30 nov 2026, después $4 / $20; Batch y Flex a mitad de precio; entrada en caché $0,10 (después $0,20). Sin nivel gratuito.
Qwen3.8-27Bmodelo	4.5/5	Un modelo de 27B con licencia Apache que, según las cifras de la propia Alibaba, supera por poco a Claude Opus 4.6 Max en programación y cabe en una sola tarjeta de 24 GB a 4 bits.	Desarrolladores que quieren el modelo con licencia permisiva más fuerte que quepa en una GPU de gama alta, sobre todo para agentes de programación y de uso del ordenador.	Pesos gratuitos bajo Apache 2.0. Qwen Cloud: 0,50 $ de entrada / 3,00 $ de salida por 1M de tokens (0,10 $ en caché). Proveedores de terceros en OpenRouter desde unos 0,04 $ / 1,25 $.
GLM-5.3modelo	4.4/5	Programación con pesos abiertos a pocos puntos de la vanguardia cerrada, con una licencia que casi nadie necesita leer dos veces.	Desarrolladores y empresas que quieren un modelo abierto capaz para programación y agentes con restricciones de licencia mínimas.	Pesos abiertos bajo una licencia MIT modificada. API de Z.ai: $1,40 de entrada / $0,26 en caché / $4,40 de salida por 1M de tokens; GLM-5.3-Flash $0,15 / $0,50.
Gemma 4modelo	4.4/5	Gemma 4 es ahora la familia abierta de referencia por debajo de 32B parámetros, porque por fin su licencia está a la altura de su calidad.	Desarrolladores que crean apps en el dispositivo, locales o de una sola GPU y quieren una licencia permisiva y entrada multimodal.	Pesos gratuitos bajo Apache 2.0. Alojado en Google Cloud y en terceros; OpenRouter ofrece 31B a $0,20/$0,40 y 26B A4B a unos $0,08/$0,26 por 1M de tokens.
DeepSeek-V4-Promodelo	4.3/5	DeepSeek-V4-Pro ofrece razonamiento de primer nivel bajo licencia MIT a cerca de una cuarta parte del precio por token de Opus 5.5, siempre que tus datos puedan ir a China o tengas un rack de H200.	Equipos que quieren pesos abiertos de primer nivel para programación y razonamiento, ya sea en su propio servidor de ocho GPU o a través de una API muy barata para trabajo no sensible.	Pesos gratuitos con licencia MIT. API de DeepSeek: 0,66 $ de entrada / 1,98 $ de salida por 1M de tokens en horas valle, 1,32 $ / 3,96 $ en horas punta; aciertos de caché desde 0,022 $.
Kimi K3modelo	4.3/5	Kimi K3 encabeza la tabla de agentes de la propia Moonshot, pero a $2 por tarea de Artificial Analysis cuesta siete veces lo que GLM-5.3-Flash por dos puntos más en el índice.	Equipos que crean agentes de navegación e investigación, quieren pesos abiertos y pueden autoalojar o pagar precios de API casi de primera línea.	Pesos abiertos bajo una licencia MIT modificada. API de Kimi: $3 de entrada / $15 de salida por 1M de tokens; entrada en caché $0,30.
GPT-6 Astramodelo	4.2/5	Un modelo de matemáticas y ciencia que bate récords y cuesta cuatro veces y media más por tarea que un hermano que puntúa un punto menos.	Equipos de investigación, matemáticas y ciencia que necesitan el razonamiento más fuerte que ofrece OpenAI y pueden justificar el precio.	API: $10 por 1M de tokens de entrada, $50 de salida; entrada en caché $1; Batch/Flex a mitad de precio; los prompts de más de 272K tokens de entrada cuestan 2 veces la entrada y 1,5 veces la salida.
DeepSeek-V4.1-Flashmodelo	4.2/5	Resultados de agente de programación cercanos a la vanguardia por 0,15 $ por millón de tokens de entrada, siempre que aceptes un tratamiento de datos con sede en China o alojes tú mismo un checkpoint de 763B parámetros.	Equipos atentos al coste que ejecutan agentes de programación y automatización y pueden usar una API alojada en China o un proveedor externo, o tienen servidores con varias GPU para los pesos abiertos.	Pesos gratuitos con licencia MIT. API de DeepSeek: 0,15 $ de entrada / 0,60 $ de salida por 1M de tokens en horas valle, 0,30 $ / 1,20 $ en horas punta de días laborables; aciertos de caché de 0,003 $ a 0,006 $.
Gemini 3.8 Flashmodelo	4.1/5	La variedad de entradas y el nivel gratuito mantienen útil Gemini 3.8 Flash, pero ahora gasta más por tarea que rivales que puntúan más alto, y su precio se duplica en enero.	Equipos que procesan audio, vídeo y PDF largos dentro del ecosistema de Google y toleran primeras respuestas lentas.	API: $0,75 de entrada / $3,75 de salida por 1M de tokens hasta el 31 dic 2026, después $1,50 / $7,50; Batch y Flex a mitad de precio; nivel gratuito con límites.
gpt-oss-120bmodelo	4.0/5	Catorce meses después, gpt-oss-120b ya no es el modelo abierto más potente, pero sigue ofreciendo la licencia más sencilla y el soporte más amplio para razonar en una sola GPU de 80 GB.	Equipos que necesitan un modelo de razonamiento con licencia permisiva que puedan ejecutar en privado en una sola GPU, con herramientas maduras.	Pesos gratuitos bajo Apache 2.0; los precios alojados varían según el proveedor.
MiniMax-M3.1-Flashmodelo	4.0/5	Cerca de lo más alto de la tabla de pesos abiertos por una fracción de céntimo por tarea, siempre que nada de lo que diga salga sin revisar.	Equipos con trabajo de agentes y automatización a gran volumen, o con entradas multimodales largas, que pueden verificar los resultados y aceptan las condiciones de la licencia de MiniMax.	Pesos abiertos bajo la licencia comunitaria de MiniMax. API de MiniMax por 1M de tokens, con tarifa plana para cualquier longitud de prompt: $0,15 de entrada, $0,60 de salida, $0,015 de entrada en caché.
Beammodelo	3.8/5	Beam es el modelo abierto estadounidense más potente con una licencia realmente abierta, y su ahorro de tokens es real, pero los modelos abiertos chinos con los que se le compara siguen puntuando muy por encima.	Equipos que quieren un gran modelo de razonamiento de un laboratorio estadounidense bajo Apache 2.0, sobre todo para destilarlo en modelos más pequeños o para ejecutar agentes sensibles al coste en los que los tokens de salida dominan la factura.	Pesos gratuitos bajo Apache 2.0. API de Reflection gratuita en beta pública con límites diarios. Alojado: Together AI y Baseten 0,40 $ de entrada / 0,04 $ en caché / 1,20 $ de salida por 1 millón de tokens; OpenRouter desde 0,24 $ / 0,98 $.

Lado a lado

Las especificaciones que importan en este paso. Comprobado el 23 oct 2026; confírmalo en la web del proveedor antes de decidirte.

Comparativas directas y guías con ranking

• DeepSeek-V4.1-Flash frente a MiniMax-M3.1-Flash
• Mejores grandes modelos de lenguaje (LLMs)
• Mejores modelos de IA de razonamiento
• Mejores modelos de IA pequeños y locales

Dónde encaja esta etapa

• Chatea con tus documentos: empezaríamos con Claude Sonnet 5.5.
• Agente de atención al cliente: empezaríamos con Claude Haiku 5.5.
• Agente de programación: empezaríamos con Claude Opus 5.5, GLM-5.3.
• Investigación y grafo de conocimiento: empezaríamos con Gemini 4 Argon.
• Asistente con memoria a largo plazo: empezaríamos con GPT-6.1 Sol.
• Pipeline de generación de imágenes: empezaríamos con Gemini 3.8 Flash.
• Producción de vídeo: empezaríamos con Gemini 3.8 Flash.
• Agente de voz: empezaríamos con Gemini 3.8 Flash.
• IA privada y local: empezaríamos con Gemma 4, Qwen3.8-27B.
• Procesamiento de documentos: empezaríamos con GPT-6 Luna.
• Tu propio modelo con fine-tuning: empezaríamos con Qwen3.8-27B.
• Automatización de flujos de trabajo: empezaríamos con Claude Haiku 5.5.

Fuentes de esta guía

• Artificial Analysis: Intelligence Index methodology
• Artificial Analysis: model leaderboard
• Arena leaderboard (formerly LMArena)
• Arena: LMArena is now Arena (28 January 2026)
• Arena leaderboard dataset notes on style control
• OpenAI: Why we no longer evaluate SWE-bench Verified
• OpenAI: Separating signal from noise in coding evaluations (SWE-bench Pro audit, July 2026)
• SWE-bench leaderboards
• Sierra tau-bench repository (τ³-bench)
• Artificial Analysis: Humanity's Last Exam results
• Z.ai: GLM-5.3 overview