Publicaciones

7 modelos de IA de frontera. Ninguno gana en todo.

Benchmarks reales, precios de octubre de 2026 y qué significa cada número en tu trabajo del día a día, siete meses después de la primera edición.

Segunda edición, 18 de octubre de 2026. La primera, de marzo de 2026, retrataba la última semana de ese mes, y en siete meses los siete modelos de su tabla tuvieron sucesor, el primer lugar de preferencia humana pasó de Anthropic a Google y Meta dejó Llama para competir con modelos cerrados. Esta edición cambia los siete modelos, rehace las tablas con datos consultados el 18 de octubre en las fuentes oficiales de cada empresa, en Artificial Analysis, Arena y ARC Prize, corrige cifras que ya estaban mal en marzo, como el SimpleQA de DeepSeek, el líder de FrontierMath y la base humana de ARC-AGI-2, y retira la cita de cierre, que atribuía a Darío Gil un cargo en IBM que ya no tenía.

Siete ecosistemas, un solo trono vacío

La primera edición de este documento retrataba la última semana de marzo de 2026 y anunciaba, con las filtraciones de Anthropic y OpenAI, que esa foto quedaría vieja en unos 60 días, cosa que se cumplió de sobra, puesto que los siete modelos de su tabla tienen hoy sucesor, el primer lugar de preferencia humana pasó de Anthropic a Google, Meta dejó Llama para competir con modelos cerrados y entre los modelos de pesos abiertos el que mejor puntúa hoy en el índice de Artificial Analysis es MiMo-V2.6-Pro, de Xiaomi, en lugar del DeepSeek que recomendaba la primera edición. Lo que se mantiene es la tesis del título, pues en octubre cada tabla independiente la encabeza un modelo distinto.

Los precios tampoco bajaron parejo, puesto que la gama baja se abarató todavía más, con GPT-6 Luna y Claude Haiku 5.5 a 0,10 dólares por millón de tokens de entrada y 0,50 de salida, mientras la gama alta volvió a cobrar caro, con GPT-6 Astra y Claude Fable 5.1 a 10 y 50 dólares. Anthropic advierte además que desde Claude 4.7 su tokenizador produce cerca de 30 % más tokens por el mismo texto, por lo que un mismo documento cuesta más de lo que sugiere el precio por token, y el contexto de alrededor de un millón de tokens ya es lo normal en la gama alta, salvo en Grok 4.7, que trabaja con 500.000.

ModeloEmpresaPrecio API por millón de tokens (entrada / salida)ContextoTipo
Claude Opus 5.5Anthropic$4 / $201MPropietario
Gemini 4 ArgonGoogle$2 / $10 hasta el 30 de noviembre de 2026, luego $4 / $201MPropietario
GPT-6 AstraOpenAI$10 / $50 (con más de 272K de entrada, $20 / $75)1MPropietario
Muse WonderMeta$4 / $20 (vista previa en la Meta Model API)1MPropietario
Grok 4.7xAI, hoy parte de SpaceX$2 / $6 (con más de 200K, $4 / $12)500KPropietario
MiMo-V2.6-ProXiaomiCerca de $0,44 / $0,87 (según agregadores)1MPesos abiertos, licencia MIT
Qwen3.8-MaxAlibaba$2 / $61MPropietario por API

Fuentes: páginas de precios de Anthropic, OpenAI, xAI, Meta y Alibaba Cloud, anuncio de Gemini 4 Argon de Google (13 de octubre de 2026) y ficha de MiMo-V2.6-Pro en Hugging Face, consultadas el 18 de octubre de 2026.

Qué significa cada benchmark en tu día a día

Los benchmarks suenan a laboratorio y casi nadie fuera de la industria sabe qué miden ni por qué un modelo puede ganar uno y perder otro, por lo que aquí va la traducción a situaciones que cualquier profesional reconoce, con el líder de cada tabla al 18 de octubre de 2026. SimpleQA salió de la lista, puesto que la cifra que citaba la primera edición se midió con búsqueda web y no servía para saber si un modelo inventa datos, y en su lugar entra AA-Omniscience, que castiga justamente eso.

BenchmarkQué mideEjemplo realLíder IA (octubre de 2026)
ARC-AGI-2Acertijos visuales nunca vistos. Una persona promedio resuelve cerca del 60 % y el panel humano de ARC Prize, el 100 %Le muestras un patrón nuevo y debe deducir la regla sin instrucciones.GPT-6 Astra (max), 95,0 % verificado por ARC Prize, a $1,12 por tarea
Arena, textoMillones de votos a ciegas sobre qué respuesta prefiere la genteLe pides un correo o una estrategia y eliges la que más te gusta sin saber qué modelo la escribió.Gemini 4 Argon (high), 1524 puntos, con Muse Wonder (1509) y Claude Opus 5.5 (1508) dentro del margen de error
Arena, desarrollo webVotos a ciegas sobre aplicaciones web que construye el modeloLe pides una página o una herramienta interna y comparas el resultado.Claude Opus 5.5 (1806), seguido de GPT-6 Astra (1776)
AA-OmniscienceExactitud en conocimiento, castigando las respuestas inventadasLe preguntas un dato que quizá no sabe, y gana el que acierta o reconoce que no sabe.Claude Opus 5.5 (max), 46 puntos, seguido de GPT-6 Astra (44)
FrontierMath Tier 4 (v2)Matemática de nivel de investigaciónProblemas que solo resuelven matemáticos de primer nivel.GPT-6.1 Sol (max), 100 % según Epoch AI, con GPT-6 Astra en 97,6 %
GPQA DiamondPreguntas de doctorado en física, química y biología. Un experto con doctorado acierta 65 % y una persona capaz sin doctorado, con internet, 34 %Un profesor le pregunta por reacciones químicas avanzadas.GPT-6 Astra, 96,0 % según OpenAI; Artificial Analysis lo sacó de su índice en septiembre
Harvey LAB-AA v1.1120 tareas legales reales de 24 áreas, aprobadas solo si no traen alucinaciones materialesPreparar un documento legal completo listo para revisión.Muse Wonder Full (max), con 13,1 % de tareas aprobadas

Tres advertencias ayudan a leer la tabla, puesto que las posiciones de Gemini 4 Argon y Muse Wonder en Arena descansan en pocos votos, unos 4.900 y 3.200 frente a los más de 80.000 de Claude Opus 4.6, por lo que el orden de los tres primeros puede cambiar en semanas, varias cifras las publica el propio fabricante, como el GPQA de GPT-6 Astra, y OpenAI financió FrontierMath y tiene acceso a una parte de sus problemas.

Fuentes: ARC Prize (leaderboard consultado el 18 de octubre de 2026), Arena (tablas de texto y desarrollo web, 15 de octubre de 2026), Artificial Analysis (AA-Omniscience y Harvey LAB-AA v1.1), Epoch AI (FrontierMath Tier 4 v2), OpenAI (anuncio de GPT-6 Astra, 3 de septiembre de 2026) y Rein et al. (2023) para las bases humanas de GPQA.

Cuál usar según lo que necesitas hacer

La tabla cruza esos resultados con el precio y la disponibilidad, y conviene leerla como un punto de partida, puesto que en una empresa la elección depende también de dónde viven los datos, qué contratos se firmaron con cada proveedor y cuánto volumen se va a procesar.

Tu situaciónMejor opciónPor qué
Escribir correos, propuestas y contenido profesionalClaude Opus 5.5 o Gemini 4 ArgonEncabezan la preferencia humana en Arena con márgenes que se cruzan, y Opus 5.5 tiene además el mejor puntaje de AA-Omniscience, que castiga las respuestas inventadas.
Programar, resolver errores y armar herramientas internasClaude Opus 5.5, o Sonnet 5.5 para ahorrarOpus 5.5 lidera la arena de desarrollo web y el índice de Artificial Analysis; Sonnet 5.5 cuesta la mitad ($2 / $10) y marca 56 frente a 58.
Analizar un documento de 200 páginas o un video de una horaGemini 4 ArgonRecibe texto, imagen, audio, video y PDF con un millón de tokens de contexto, a $2 / $10 hasta el 30 de noviembre.
Razonar sobre problemas nuevos o de matemáticaGPT-6 Astra, o GPT-6.1 Sol para el día a díaAstra tiene el mejor ARC-AGI-2 verificado (95,0 %); Sol logra 94,2 % a $0,25 por tarea y cuesta $2 / $10.
Procesar miles de documentos al menor costoGPT-6 Luna o Claude Haiku 5.5Cuestan $0,10 / $0,50 por millón de tokens, cien veces menos que la gama alta.
Mantener los datos en servidores propios o en la jurisdicción que elijasMiMo-V2.6-ProEs el modelo de pesos abiertos con mejor puntaje en Artificial Analysis (46) y usa licencia MIT, sin condiciones para negocios grandes.
Investigar con búsqueda webGPT-5.6 Sol o Qwen3.8-MaxEmpatan el primer lugar de la arena de búsqueda de Arena con 1261 puntos, y Qwen3.8-Max cuesta $2 / $6.
Monitorear lo que se dice en XGrok 4.7Ve X directamente en las apps de xAI; en la API ese acceso se activa con la herramienta X Search, que se cobra aparte.
Trabajo legal, siempre con revisiónMuse Wonder FullEncabeza Harvey LAB-AA v1.1, aunque con 13,1 % de tareas aprobadas, y solo se usa dentro de los planes de Muse Code, cuyos precios Meta no publica.

El índice compuesto de Artificial Analysis, que en su versión 4.3.2 promedia diez evaluaciones, pone primero a Claude Opus 5.5 con 58 puntos entre 134 modelos, seguido de Claude Sonnet 5.5 y Muse Wonder Full con 56, mientras GPT-6 Astra y Gemini 4 Argon marcan 53, por lo que el modelo que la gente prefiere en Arena y el que mejor resuelve las pruebas del índice son distintos. Su escala tampoco se compara con la de la versión 4.0 que citaba la primera edición, de modo que los 57 puntos de marzo y los 58 de hoy miden cosas diferentes.

Fuentes: Artificial Analysis (índice v4.3.2, AA-Omniscience y Harvey LAB-AA v1.1), Arena (15 de octubre de 2026), ARC Prize y las páginas de precios de cada empresa, consultadas el 18 de octubre de 2026.

Lo que pasó con las filtraciones de marzo

La primera edición cerraba con dos filtraciones. La de Anthropic, del 26 de marzo, revelaba un modelo llamado Mythos, un nivel por encima de Opus, y el 7 de abril Anthropic lo presentó como Claude Mythos Preview dentro de Project Glasswing, sin disponibilidad general y solo para socios que protegen software crítico. El 9 de junio lanzó Claude Fable 5, de ese mismo nivel y con salvaguardas para el público, sin embargo el 12 de junio una directiva de control de exportaciones del gobierno de Estados Unidos lo obligó a suspender Fable 5 y Mythos 5 para todos sus clientes, decisión que Anthropic acató y con la que dijo públicamente no estar de acuerdo, y el acceso a Fable volvió el 1 de julio. Hoy Fable 5.1 se vende a 10 y 50 dólares por millón de tokens, mientras Mythos 5.1 sigue con acceso limitado.

La de OpenAI hablaba de un modelo con nombre clave Spud, que según Axios resultó ser GPT-5.5, lanzado el 23 de abril, y la generación GPT-6 llegó el 3 de septiembre con GPT-6 Astra, seguido de GPT-6 Sol y Luna el 22 de septiembre y de GPT-6.1 Sol el 29, mientras OpenAI canceló el GPT-6.1 Astra que tenía previsto para octubre después de sus pruebas internas de seguridad, según el Wall Street Journal y Reuters. La API de video de Sora, cuyo retiro OpenAI anunció el 24 de marzo, se apagó el 24 de septiembre, aunque no encontré una fuente primaria para las cifras de pérdidas que circularon en marzo.

Las dos empresas presentaron en junio sus solicitudes confidenciales para salir a bolsa, Anthropic el 1 y OpenAI el 8, y al 18 de octubre no encontré registro de que alguna cotice. La lección de marzo sigue en pie, puesto que la foto de los benchmarks envejece en semanas, por lo que una decisión de compra que se apoye en un solo ranking puede quedar vieja antes de terminar de implementarse.

Fuentes: Anthropic (Project Glasswing, 7 de abril de 2026, y declaración sobre la directiva de suspender Fable 5 y Mythos 5, 12 de junio de 2026), OpenAI (anuncios de GPT-5.5, GPT-6 Astra y GPT-6.1 Sol, y página de deprecaciones de la API), Axios (23 de abril de 2026), Wall Street Journal y Reuters (29 de septiembre de 2026), y los anuncios de las solicitudes confidenciales S-1 de Anthropic (1 de junio de 2026) y OpenAI (8 de junio de 2026).

Cuánto cuesta correr un modelo abierto en tus propios servidores

Los modelos de pesos abiertos se descargan gratis, sin embargo los que hoy compiten en la frontera son mucho más grandes que los de marzo, puesto que MiMo-V2.6-Pro tiene 1,02 billones de parámetros, DeepSeek V4-Pro 1,6 billones y Kimi K3 2,8 billones, y para servirlos hay que cargar todos sus parámetros en la memoria de las GPU aunque cada respuesta use solo una parte. La tabla hace la cuenta más simple, la de cuánta memoria ocupan los pesos a 8 bits y cuántas H100 de 80 GB hacen falta solo para eso, sin contar la memoria que consume cada conversación, con los precios de renta de octubre de 2026.

ModeloParámetros y licenciaPesos a 8 bitsGPU H100 de 80 GBRenta mensual aproximada
Qwen3.8-27B (Alibaba)27.000 millones, Apache 2.027 GB1$2.000 a $2.900
MiMo-V2.6-Pro (Xiaomi)1,02 billones, MIT1,02 TB16 (dos servidores de ocho)$31.400 a $46.600
DeepSeek V4-Pro1,6 billones (49.000 millones activos), MIT1,6 TB24 (tres servidores)$47.100 a $69.900
Kimi K3 (Moonshot)2,8 billones (104.000 millones activos), licencia propia2,8 TB40 (cinco servidores)$78.500 a $116.500

Los precios suponen renta en proveedores especializados, entre 2,69 y 3,99 dólares por hora por cada H100 según RunPod y Lambda, durante 730 horas al mes. Algunos modelos se distribuyen en formatos más compactos que bajan esa cuenta y la memoria de las conversaciones la sube, aunque el orden de magnitud se mantiene, por lo que para una empresa que necesita privacidad la vía realista suele ser un proveedor de inferencia en la jurisdicción que elija, o un modelo mediano como Qwen3.8-27B en una sola GPU, mientras diez suscripciones de 20 dólares siguen costando 200 dólares al mes.

Fuentes: fichas de Hugging Face de MiMo-V2.6-Pro, Kimi K3 y Qwen3.8, anuncio de DeepSeek V4 (24 de abril de 2026) y precios de RunPod (8 de octubre de 2026) y Lambda, consultados el 18 de octubre de 2026. La memoria se calcula a un byte por parámetro.

Si solo puedes pagar una suscripción, elige así

Los planes ya no cuestan lo mismo, puesto que casi todas las marcas tienen hoy un escalón de entrada y otro de uso intensivo. ChatGPT tiene un plan gratuito con GPT-6, Go a 6 dólares, Plus a 20 y Pro desde 100 con GPT-6 Astra; Claude tiene Free, Pro a 20 dólares (17 con pago anual) con Opus, Sonnet y Haiku, y Max desde 100; Google tiene AI Plus a 4,99, AI Pro a 19,99 con Gemini 4 Argon y AI Ultra desde 99,99; y xAI reemplazó SuperGrok para clientes nuevos por la X Subscription, cuyo plan Premium cuesta 30 dólares desde el 12 de octubre.

Si tu trabajo es escribir correos, propuestas, contratos o contenido, Claude Pro es la elección más segura, porque Opus 5.5 combina el primer puesto del índice de Artificial Analysis con el mejor puntaje de AA-Omniscience, y si prefieres el modelo que más votos gana en Arena, Gemini 4 Argon viene en Google AI Pro.

Si necesitas investigar, analizar documentos largos o trabajar con video y audio, Google AI Pro, con Gemini 4 Argon y su millón de tokens de contexto, y quien quiera probar sin pagar tiene un nivel gratuito en la API de Gemini 3.8 Flash.

Si trabajas mucho en hojas de cálculo y análisis de datos, ChatGPT Plus, que trae GPT-6 desde el 7 de octubre, y OpenAI tiene además ChatGPT for Excel, el complemento que lanzó en marzo junto con GPT-5.4 para construir fórmulas y modelos desde el propio libro de trabajo, cuya disponibilidad depende del país y del plan.

Si el presupuesto es cero, ChatGPT ofrece GPT-6 en su plan gratuito desde el 8 de octubre y DeepSeek mantiene su chat web gratuito, aunque los modelos chinos implican consideraciones de privacidad de datos que cada usuario debe evaluar según su contexto.

Lo que no conviene es elegir un solo modelo y asumir que sirve para todo, puesto que en octubre de 2026 el que más gusta en Arena, el que más pruebas resuelve en Artificial Analysis, el que mejor razona sobre problemas nuevos y el más barato son cuatro modelos distintos, por lo que los equipos que mejor aprovechan la IA combinan dos o tres plataformas según la tarea y revisan esa elección cada pocos meses.

Fuentes: páginas de precios de ChatGPT, Claude, los planes de Gemini de Google y X, consultadas el 18 de octubre de 2026, y anuncio de GPT-6 para todos los usuarios de ChatGPT (OpenAI, 8 de octubre de 2026).

Sigue leyendo

Oscar Obando Chaves es Chief AI Officer y Legal AI Engineer ecuatoriano, con formación en derecho. Ayuda a las empresas a decidir cómo usan la IA y construye con ella sistemas para el negocio y para lo legal. Chief AI Officer y Senior AI Counsel en HEKA Law, ISO 42001 AI Management Leader e ISO 38507 AI Governance Leader. Publica análisis semanal sobre el impacto real de la IA.

Descargar el documento en PDF Sígueme en LinkedIn