Benchmark IA

Qué encontrarás en este Benchmark IA

Esta es la primera edición de nuestro observatorio, con corte editorial a 30 de septiembre de 2026. Reunimos una selección de modelos generalistas y varias configuraciones de los lanzamientos recientes para entender qué cambia cuando aumenta el esfuerzo de razonamiento. No pretende recoger cada modelo existente: priorizamos diversidad de creadores, alternativas económicas y opciones de mayor capacidad.

La fecha de consulta importa tanto como el nombre. Los precios, las evaluaciones y los modelos disponibles cambian. Cada revisión conservará la URL /blog/benchmark-ia/, actualizará la ficha y explicará los cambios. Es una publicación de revisión editorial; los datos no se refrescan en directo al abrir la página.

Inteligencia frente a coste: el mapa de modelos

Cada punto representa un modelo y una configuración. La inteligencia sube en el eje vertical; el coste aumenta hacia la derecha. Para comparar importes muy diferentes utilizamos una escala logarítmica: pasar de 0,01 a 0,1 dólares ocupa la misma distancia que pasar de 0,1 a 1. La zona superior izquierda reúne más capacidad con menos gasto dentro de esta medida.

La línea discontinua une las opciones para las que ninguna otra configuración visible tiene igual o mayor puntuación a menor o igual coste, con al menos una mejora. Se llama frontera de Pareto. Al filtrar por creador se calcula dentro de ese grupo. Estar fuera de la línea no descarta un modelo: puede encajar mejor por idioma, herramientas, disponibilidad o tiempo de respuesta. Los empates del índice se muestran con la precisión entera publicada.

Qué está cambiando esta semana

GPT-6.1 Sol: un lanzamiento que merece entrar en la prueba

La ficha de GPT-6.1 Sol en Artificial Analysis fecha su lanzamiento el 29 de septiembre. Su configuración max registra 52 puntos y 0,72 USD por tarea del índice. También incluimos medium, high y xhigh para comparar el salto de gasto. Nuestra lectura: conviene ensayar varios esfuerzos con la misma tarea antes de elegir max como ajuste habitual.

Claude Sonnet 5.5 y Opus 5.5: revisar el esfuerzo, además del apellido

Sonnet 5.5 aparece con fecha de lanzamiento del 28 de septiembre: su configuración max con fallback alcanza 56 puntos y 7,60 USD por tarea AA. Opus 5.5, publicado el 22 de septiembre, registra 58 puntos y 5,98 USD en max con fallback. Son resultados de esas configuraciones evaluadas; el nombre comercial por sí solo no permite anticipar cuánto costará resolver un caso.

El extremo económico también se mueve

GPT-6 Luna en max registra 37 puntos y 0,07 USD por tarea del índice. MiMo-V2.6-Flash figura en la selección con 38 puntos y 0,06 USD. Estos resultados invitan a probar alternativas para trabajos repetitivos con salida verificable. Que una tarea sea frecuente no significa que tolere errores: el control de calidad sigue formando parte del proceso.

OpenRouter, Artificial Analysis y Arena: qué mirar en cada uno

OpenRouter Rankings explica que ordena su clasificación de uso por tokens procesados. Su apartado de benchmarks incorpora además puntuaciones de Artificial Analysis. Conviene leer el eje de cada gráfico: volumen de uso, precio de entrada y coste por tarea describen cosas distintas. Arena ofrece otra perspectiva por categorías. No mezclamos sus puntuaciones con el índice AA en el mismo eje.

Otras señales de actualidad que conviene seguir

Agentes: la prueba empieza a parecerse más al trabajo

La metodología del índice v4.3.2 incorpora, entre otras evaluaciones, AutomationBench-AA y Terminal-Bench 4.0. Para una empresa, la pregunta útil es si el sistema termina un flujo con varias herramientas y estados. Resolver un mensaje aislado no demuestra que pueda conciliar documentos, gestionar una excepción y dejar un registro comprensible.

Documentos, imágenes y vídeo necesitan su propia comparación

Analizar una factura fotografiada, redactar una respuesta y generar un vídeo son trabajos diferentes. El índice de este gráfico compara modelos de lenguaje y no demuestra calidad de generación de imagen, voz o vídeo. Para producción creativa conviene consultar las evaluaciones específicas de imagen, vídeo y voz y probar material real: texto pequeño, coherencia, duración, revisiones y coste del resultado utilizable.

Menos gasto por token no garantiza menos gasto por trabajo

Un agente puede pedir información, llamar a una herramienta, revisar su respuesta y repetir. El resultado depende del número de pasos y de lo que haya que corregir. La documentación de contabilidad de uso de OpenRouter permite consultar consumo y coste. Para decidir, agrupa todas las llamadas del mismo caso y añade la revisión humana.

Qué probar según el trabajo de tu empresa

Nuestra propuesta es elegir tres candidatos: uno económico, uno equilibrado y uno de mayor capacidad. Somételos al mismo conjunto de casos y a las mismas reglas de aceptación. En cómo elegir un modelo de IA para tu empresa explicamos una prueba práctica. Para llevar el resultado a presupuesto, consulta cómo calcular el coste real de la IA.

Cómo leemos los datos y sus límites

• Misma referencia: índice AA v4.3.2 y coste medio ponderado por tarea del mismo benchmark. Las cifras proceden de evaluaciones públicas; no son pruebas ejecutadas por Logic2b.
• Coste comparable: incorpora el consumo y las tarifas que utiliza el evaluador, incluido razonamiento y caché cuando corresponden. No multiplicar este valor por tus consultas para presupuestar.
• Configuración visible: low, medium, high, xhigh y max identifican esfuerzo. En las filas de Claude mantenemos la condición con fallback de la fuente; no equivale a una configuración sin respaldo.
• Precisión: mantenemos los enteros y los costes de la tabla consultada. No atribuimos significación estadística a diferencias pequeñas ni construimos una clasificación universal.
• Selección: un modelo ausente puede no estar incluido en esta edición. Las futuras incorporaciones necesitan puntuación y coste verificables bajo la misma metodología.

Registro de actualizaciones

En la siguiente revisión actualizaremos el corte de datos, incorporaremos modelos con resultados verificados y revisaremos las conclusiones. Si cambia la versión del benchmark, lo indicaremos: puntuaciones de versiones distintas no forman una serie histórica directamente comparable.