Rendimiento de modelos de IA en 2026: modelos abiertos frente a GPT-6 y Claude
Benjamin Spinola, Fundador
Publicado Actualizado 14 minutos de lectura
Las pruebas de rendimiento de modelos de IA [benchmarks] no coinciden entre sí porque cada una mide algo distinto: trabajos evaluados por expertos, tareas largas de desarrollo de software, proyectos remunerados de profesionales autónomos, votaciones a ciegas, un índice combinado y trabajo jurídico, financiero y fiscal. Esta página presenta en paralelo siete sistemas públicos de evaluación para ocho modelos actuales, cuatro de ellos cerrados y cuatro cuyos pesos puede descargar cualquiera.
Cada cifra procede de la página del propio sistema de evaluación, que figura en el apartado Fuentes con la fecha en que la consultamos. Cuando un sistema no ha evaluado un modelo, la celda lo indica. No se estima nada y no se rellena ningún hueco.
Por qué publicamos esta página: ejecutamos modelos abiertos en un NVIDIA DGX Spark para quienes están decidiendo si una máquina propia podría hacer su trabajo. Las puntuaciones públicas son el punto de partida de esa decisión, por lo que esta página muestra también cuáles de estos modelos caben en un solo DGX Spark y cuáles no.
Ocho modelos en siete sistemas de evaluación
Las tres filas destacadas de la parte superior corresponden a las familias de modelos abiertos que ejecutan nuestras configuraciones: Qwen, DeepSeek y GLM. Recorra una fila para ver un modelo en todos los sistemas de evaluación, o una columna para comparar los modelos en uno de ellos. En todas las columnas salvo la del precio, un valor más alto es mejor. La letra pequeña bajo cada puntuación indica el ajuste de razonamiento que probó el sistema de evaluación y, cuando lo publica, su margen de error; cuando probó varios ajustes, la tabla muestra el más alto de los que indica.
La tabla es más ancha que su pantalla. Desplácela lateralmente; los nombres de los modelos permanecen fijos.
| Modelo | GDPval | METR | Remote Labor Index | LMArena | Artificial Analysis | Vals AI | |||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| OpenAI, evaluadores expertostareas ganadas o empatadas frente a profesionalesFuente 125 sept 2025 | GDPval-AApuntuación Elo, calculada por Artificial AnalysisFuente 328 sept 2026 | Horizonte temporalduración de las tareas que completa en la mitad de los intentosFuente 48 may 2026 | Tasa de automatizaciónproyectos que un cliente aceptaríaFuente 628 sept 2026 | Puntuación de textoa partir de votos de preferencia a ciegasFuente 725 sept 2026 | Intelligence Indexpuntuación combinadaFuente 828 sept 2026 | Velocidadtokens de salida por segundoFuente 828 sept 2026 | Precio de la APIdólares estadounidenses por millón de tokens, entrada / salidaFuente 828 sept 2026 | Investigación jurídicaprecisiónFuente 922 sept 2026 | FinanzasprecisiónFuente 1023 sept 2026 | FiscalidadprecisiónFuente 1123 sept 2026 | |
| Qwen3.8-27BAlibaba · pesos abiertoslanzado en ago 2026 | no evaluado | 1409xhigh · ±26 | no evaluado | no evaluado | 1438 | 34xhigh | 46,3xhigh | 0,50 / 3,00 | 36,06 %xhigh | 48,55 %xhigh | no evaluado |
| DeepSeek V4.1 FlashDeepSeek · pesos abiertoslanzado en sept 2026 | no evaluado | 1600max | no evaluado | no evaluado | 1477max | 39max | 220,8max | 0,30 / 1,20 | 41,35 %high | 53,48 %high | 62,46 %high |
| GLM-5.3-FlashZ.ai · pesos abiertoslanzado en ago 2026 | no evaluado | 1641±23 | no evaluado | no evaluado | 1474 | 42 | 56,6 | 0,15 / 0,50 | 45,19 %max | 57,85 %max | no evaluado |
| GPT-6 AstraOpenAI · cerradolanzado en sept 2026 | no evaluado | 1542max · ±25 | no evaluado | 20,83 % | 1478max | 53max | 63,9max | 10,00 / 50,00 | 39,42 %max | 53,54 %max | 63,34 %max |
| GPT-5.6 SolOpenAI · cerradolanzado en jul 2026 | no evaluado | 1588max · ±21 | no evaluado | no evaluado | 1483xhigh | 47max | 95,5max | 4,00 / 20,00 | 48,08 %max | 53,76 %max | 67,95 %max |
| gpt-oss-120bOpenAI · pesos abiertoslanzado en ago 2025 | no evaluado | 596high · ±24 | 45 minde 20 min a 86 minFuente 5 | no evaluado | 1352 | 12high | 236,0high | 0,15 / 0,595 | no evaluado | no evaluado | no evaluado |
| Claude Opus 5.5Anthropic · cerradolanzado en sept 2026 | no evaluado | 1846max · ±23 | no evaluado | no evaluado | 1509high | 58max | 95,5max | 4,00 / 20,00 | 50,48 %max | 58,59 %max | 70,50 %max |
| Claude Fable 5.1Anthropic · cerradolanzado en sept 2026 | no evaluado | 1735max · ±25 | no evaluado | 17,92 % | 1501max | 53max | 69,7max | 10,00 / 50,00 | 55,29 %max | 58,88 %max | 77,64 %max |
«No evaluado» significa que el sistema de evaluación no ha publicado ninguna cifra para ese modelo. El Stanford AI Index no tiene columna, porque no puntúa modelos concretos.
Las barras muestran cada puntuación en relación con la más alta de su columna, como las barras de datos de una hoja de cálculo. El precio no tiene barras, porque un precio más alto no es mejor, y tampoco las tiene una columna con una sola valoración.
Bajo el encabezado de cada columna figuran el número de su fuente en la lista al pie de la página y la fecha de sus cifras: la fecha de actualización de la propia fuente, cuando la indica, y, en caso contrario, el día en que la consultamos.
La velocidad y el precio son las cifras de Artificial Analysis para el servicio del propio fabricante del modelo y, en el caso de gpt-oss-120b, la mediana de los servicios que lo ofrecen. No son mediciones en un DGX Spark.
Cómo funciona cada sistema de evaluación
Siete sistemas de evaluación, siete preguntas distintas. Saber a qué pregunta responde una puntuación importa más que la propia puntuación.
OpenAI; Artificial Analysis
GDPval y GDPval-AA
OpenAI elaboró GDPval a partir del trabajo real de 44 profesiones. Expertos del sector comparan el entregable de un modelo, como una hoja de cálculo, una presentación o un memorando, con el de un profesional sin saber cuál es cuál, y el resultado es la proporción de tareas en las que el modelo gana o empata. Los resultados de OpenAI evaluados por expertos, publicados en septiembre de 2025, abarcan modelos anteriores como GPT-5 y Claude Opus 4.1. No hemos encontrado ninguno para los modelos de esta página, y la clasificación propia de OpenAI ya no está activa, por lo que esa columna indica «no evaluado» en todas las filas.
La clasificación de OpenAI remite ahora a GDPval-AA, que Artificial Analysis realiza con las 220 tareas públicas de GDPval. Cada modelo trabaja en las tareas con una línea de comandos y acceso a la web, y las comparaciones a ciegas de los trabajos terminados producen una puntuación que aumenta cuanto más a menudo gana un modelo [una puntuación Elo]. La escala se fija asignando a DeepSeek V4.1 Flash, con su ajuste máximo, exactamente 1600. Artificial Analysis publica para las demás puntuaciones de esta página un margen de 21 a 26 puntos en cada sentido [un intervalo de confianza del 95 por ciento], de modo que las diferencias menores no constituyen una clasificación.
METR
Horizonte temporal de METR
METR mide la duración de las tareas que un agente de IA es capaz de completar por sí solo. Primero registra cuánto tiempo necesitan personas cualificadas para cada una de sus tareas, que van desde unos segundos hasta muchas horas y corresponden sobre todo a programación, aprendizaje automático y seguridad informática. Después deja que el agente intente cada tarea varias veces y determina con qué duración de tarea el agente tiene éxito en la mitad de los intentos [el horizonte temporal del 50 por ciento].
Un ejemplo: gpt-oss-120b tiene un horizonte temporal de unos 45 min. En tareas que a una persona cualificada le llevan aproximadamente ese tiempo, como entrenar un pequeño programa que clasifica datos en categorías [un clasificador], para el que METR indica unos 49 min, el modelo tiene éxito aproximadamente en la mitad de los intentos. Lo consigue con más frecuencia en tareas más cortas y con menos frecuencia en tareas más largas. La cifra describe cuánto tarda una persona en la tarea, no cuánto tiempo trabaja el modelo en ella. METR actualizó sus mediciones por última vez el 8 may 2026, antes del lanzamiento de cualquiera de los demás modelos de esta página, y reconoce que no puede medir todos los lanzamientos. La cifra de gpt-oss-120b procede del conjunto de tareas original de METR [Time Horizon 1.0], con un intervalo de confianza del 95 por ciento de 20 min a 86 min.
Scale AI y el Center for AI Safety
Remote Labor Index
El Remote Labor Index toma proyectos reales por los que se pagó a profesionales autónomos, desde el desarrollo de videojuegos hasta la arquitectura y el análisis de datos, y se los encarga a agentes de IA. Revisores formados comparan cada resultado con el trabajo aceptado del profesional, y la puntuación es la proporción de proyectos que un cliente razonable aceptaría [la tasa de automatización]. Los profesionales dedicaron a los proyectos 28,9 horas de media.
La clasificación incluye dos de los modelos de esta página, GPT-6 Astra y Claude Fable 5.1. Los otros seis no han sido evaluados.
Arena (arena.ai, antes lmarena.ai)
LMArena, ahora Arena
Una persona plantea una pregunta a dos modelos anónimos, lee ambas respuestas y vota por la que prefiere. Los votos se convierten en una puntuación para cada modelo. Mide qué respuestas prefieren las personas en una conversación, no si un modelo completa un trabajo.
La tabla utiliza la vista predeterminada de la clasificación de texto, con el ajuste que Arena denomina «style control». Se actualizó por última vez el 25 sept 2026, a partir de 8.528.723 votos sobre 409 modelos, y evalúa los ocho modelos de esta página.
Artificial Analysis
Artificial Analysis Intelligence Index
Artificial Analysis realiza por su cuenta diez evaluaciones, entre ellas GDPval-AA, Terminal-Bench 4.0 y Humanity's Last Exam, y las combina en una única puntuación por modelo [Intelligence Index, versión 4.3.2]. También mide la rapidez con la que cada modelo escribe su respuesta e indica su precio por millón de tokens [un token es una palabra o una parte de una palabra].
La velocidad se mide, y el precio se indica, para el servicio que nombra la página de cada modelo: el del propio fabricante para todos los modelos de esta página salvo gpt-oss-120b, para el que Artificial Analysis da la mediana de los servicios que lo ofrecen. Ninguno de los dos datos indica nada sobre la velocidad en un DGX Spark, que depende de la máquina.
Stanford HAI
Stanford AI Index
El AI Index es un informe anual, no una clasificación. Recopila datos sobre investigación, rendimiento, inversión y políticas públicas, y extrae de ellos las tendencias.
La edición de 2026, publicada en abril de 2026, no puntúa por sí misma ninguno de los modelos de esta página, por lo que no tiene columna en la tabla. Sus conclusiones sobre los modelos abiertos y cerrados se resumen más abajo.
Vals AI
Vals AI
Vals AI evalúa los modelos con tareas jurídicas, financieras y fiscales propias. La tabla utiliza su prueba de rendimiento actual en cada área: Legal Research Bench, que consiste en investigación sobre el derecho de Estados Unidos; Finance Agent v2, que abarca las tareas principales de un analista financiero; y Tax Agent Bench, que plantea preguntas de nivel de investigación sobre el impuesto de sociedades de Estados Unidos.
Las puntuaciones son la precisión en porcentaje, tal como la indica Vals AI. En Legal Research Bench, una respuesta solo cuenta si todos los elementos exigidos son correctos. gpt-oss-120b no figura en ninguna de las tres, y Tax Agent Bench no ha evaluado Qwen3.8-27B ni GLM-5.3-Flash.
Cuáles de estos modelos caben en un solo DGX Spark
Un NVIDIA DGX Spark tiene 128 GB de memoria, compartida por su procesador y su chip gráfico. Un modelo solo se ejecuta en él si sus pesos caben en ese espacio y queda sitio para el texto con el que trabaja. Los cuatro modelos cerrados no pueden ejecutarse en ningún caso en una máquina propia, porque sus fabricantes no publican los pesos.
Para los cuatro modelos abiertos, la tabla indica los pesos del propio fabricante y las versiones completas más pequeñas que hemos encontrado. Almacenar cada peso con menos bits [cuantización] reduce el tamaño de un modelo y puede restarle precisión.
| Modelo | ¿Cabe en un solo DGX Spark? | Versiones y su tamaño |
|---|---|---|
| gpt-oss-120b | Sí |
|
| Qwen3.8-27B | Sí | |
| DeepSeek V4.1 Flash | No | |
| GLM-5.3-Flash | Solo por debajo de 4 bits |
Los tamaños son la suma de los archivos de pesos que cada repositorio enumera en Hugging Face, en gigabytes de mil millones de bytes. Los hemos sumado nosotros; los repositorios no indican los totales. La cifra de memoria es la de NVIDIA.
Se excluyen las versiones que eliminan partes de un modelo o que leen sus pesos desde el disco durante la ejecución, porque son un modelo distinto o un uso distinto de la memoria.
Nuestro laboratorio ejecutó la versión de Inferact de Qwen3.8-27B en una máquina de 128 GB con el chip GB10 de NVIDIA, el chip del DGX Spark, en septiembre de 2026.
Fuente 13consultado el 28 sept 2026Nuestra propia medición, en una tarea de GDPval
Al margen de los sistemas de evaluación, y señalada como propia: en septiembre de 2026, nuestro laboratorio ejecutó una tarea de contabilidad del conjunto público GDPval de OpenAI, y la tabla siguiente muestra el resultado de tres de los modelos de esta página. El encargo consiste en elaborar un libro de Excel con la periodificación de los gastos anticipados a partir de seis archivos de origen que contienen 66 facturas. Los modelos trabajaron a través de los servicios alojados de sus fabricantes con las mismas herramientas e instrucciones, y revisamos cada libro terminado conforme a la rúbrica original de la tarea, de 56 criterios con un valor total de 95 puntos.
| Modelo | Puntos | Ejecución | Fecha |
|---|---|---|---|
| GLM-5.3-Flash | 90 de 95 | segundo intento | 16 sept 2026 |
| GPT-5.6 Sol | 82 de 95 | primera de dos ejecuciones | 17 sept 2026 |
| GPT-5.6 Sol | 72 de 95 | segunda de dos ejecuciones | 17 sept 2026 |
| DeepSeek V4.1 Flash | 78 de 95 | una ejecución | 16 sept 2026 |
El primer intento de GLM-5.3-Flash se detuvo sin entregar un libro al agotar su límite de 32.768 tokens por respuesta; su puntuación procede de un segundo intento con un límite de 65.536 tokens por respuesta. DeepSeek V4.1 Flash se ejecutó con el límite de 32.768 tokens.
El informe completo de la prueba de IA en contabilidad describe la tarea, cada intento, incluidos los fallidos, y los errores encontrados en cada libro.
El panorama general, según el Stanford AI Index
El AI Index de 2026 no puntúa por sí mismo ninguno de estos modelos, pero cuatro de sus conclusiones ayudan a interpretar la tabla. Los números de página remiten al PDF del informe.
- Los modelos abiertos van poco por detrás, pero no están a la par. En marzo de 2026, el mejor modelo cerrado en Arena, Claude Opus 4.6 (1503), aventajaba al mejor modelo de pesos abiertos, GLM-5 (1454), en 49 puntos, es decir, un 3,4 %. En agosto de 2024, la diferencia había sido del 0,5 %. Página 76.
- En la cima hay mucha competencia. En marzo de 2026, los mejores modelos de las cuatro empresas líderes estaban separados por menos de 25 puntos en Arena, y el informe sugiere que, en consecuencia, el coste, la velocidad, la fiabilidad y la adecuación a un ámbito concreto pueden cobrar más importancia. Página 78.
- Las pruebas de rendimiento tienen sus propios defectos. Una revisión citada en el informe encontró preguntas no válidas en pruebas de rendimiento muy utilizadas, en proporciones que van del 2 % en MMLU Math al 42 % en GSM8K. Página 71.
- Los fabricantes de modelos revelan menos información. La puntuación media del Foundation Model Transparency Index bajó de 58 en 2024 a 40 en 2025, y los desarrolladores de modelos abiertos solían obtener mejores puntuaciones. Página 164.
Resumen: los modelos abiertos compiten en el trabajo profesional
Con datos de septiembre de 2026, los modelos abiertos superan a los dos modelos cerrados actuales de OpenAI, GPT-6 Astra y GPT-5.6 Sol, en dos valoraciones del trabajo profesional. En GDPval-AA, que evalúa los modelos con las 220 tareas públicas de GDPval, GLM-5.3-Flash obtiene 1641, frente a 1588 de GPT-5.6 Sol y 1542 de GPT-6 Astra, una ventaja superior a los márgenes publicados. En la prueba de finanzas de Vals AI alcanza 57,85 %, frente a 53,76 % de GPT-5.6 Sol y 53,54 % de GPT-6 Astra. En las votaciones a ciegas de Arena, DeepSeek V4.1 Flash obtiene 1477, frente a 1478 de GPT-6 Astra.
Los modelos de Anthropic siguen encabezando la mayoría de las valoraciones. Claude Opus 5.5 obtiene 1846 en GDPval-AA y, en el Intelligence Index de Artificial Analysis, que combina diez evaluaciones, obtiene 58 frente a 42 de GLM-5.3-Flash.
Los modelos abiertos tienen una propiedad de la que carecen los cerrados: como sus fabricantes publican los pesos, pueden ejecutarse en hardware de su propiedad. Qwen3.8-27B y gpt-oss-120b caben en un solo DGX Spark con cuatro bits o más, GLM-5.3-Flash solo cabe en versiones por debajo de cuatro bits, y DeepSeek V4.1 Flash necesita más memoria de la que tiene una sola máquina. En una máquina propia, usted decide dónde se procesan sus documentos y sus prompts y quién tiene acceso a ellos, en lugar de enviarlos al servicio de un fabricante de modelos.
La mejor forma de juzgar si un modelo abierto que cabe en su propia máquina hace su trabajo lo bastante bien es probarlo con sus propias tareas. Ofrecemos por horas un DGX Spark con un modelo abierto; usted conecta las herramientas que ya utiliza y ejecuta en él sus propios flujos de trabajo antes de decidirse por una máquina propia.
Fuentes
Cada cifra de esta página procede de una de estas páginas, todas consultadas el 28 sept 2026. Cuando una página indica la fecha de su última actualización, también se recoge esa fecha.
- OpenAI: GDPval: measuring the performance of our models on real-world tasks, actualizado el 25 sept 2025, consultado el 28 sept 2026
- OpenAI: GDPval leaderboard, consultado el 28 sept 2026
- Artificial Analysis: GDPval-AA v2.1 Leaderboard, consultado el 28 sept 2026
- METR: Task-Completion Time Horizons of Frontier AI Models, actualizado el 8 may 2026, consultado el 28 sept 2026
- METR: Time Horizon 1.0 results (benchmark_results_1_0.yaml), consultado el 28 sept 2026
- Scale AI: Remote Labor Index (RLI) leaderboard, consultado el 28 sept 2026
- Arena (formerly LMArena): Text Arena leaderboard, overall, default view with style control, actualizado el 25 sept 2026, consultado el 28 sept 2026
- Artificial Analysis: LLM Leaderboard and model pages, Intelligence Index v4.3.2, consultado el 28 sept 2026
- Vals AI: Legal Research Bench, actualizado el 22 sept 2026, consultado el 28 sept 2026
- Vals AI: Finance Agent v2, actualizado el 23 sept 2026, consultado el 28 sept 2026
- Vals AI: Tax Agent Bench, actualizado el 23 sept 2026, consultado el 28 sept 2026
- Stanford HAI: The 2026 AI Index Report (April 2026), consultado el 28 sept 2026
- NVIDIA: NVIDIA DGX Spark, consultado el 28 sept 2026
- OpenAI on Hugging Face: openai/gpt-oss-120b, consultado el 28 sept 2026
- Qwen on Hugging Face: Qwen/Qwen3.8-27B, consultado el 28 sept 2026
- Inferact on Hugging Face: Inferact/Qwen3.8-27B-NVFP4, consultado el 28 sept 2026
- DeepSeek on Hugging Face: deepseek-ai/DeepSeek-V4.1-Flash, consultado el 28 sept 2026
- NVIDIA on Hugging Face: nvidia/DeepSeek-V4.1-Flash-NVFP4, consultado el 28 sept 2026
- apetersson on Hugging Face: apetersson/DeepSeek-V4.1-Flash-MixedQ2-GGUF, consultado el 28 sept 2026
- Z.ai on Hugging Face: zai-org/GLM-5.3-Flash, consultado el 28 sept 2026
- NVIDIA on Hugging Face: nvidia/GLM-5.3-Flash-NVFP4, consultado el 28 sept 2026
- Unsloth on Hugging Face: unsloth/GLM-5.3-Flash-GGUF, consultado el 28 sept 2026
Nuestra propia medición procede de los registros de nuestro laboratorio sobre las ejecuciones que recoge su tabla. Su tarea figura con el identificador 7d7fc9a7-21a7-4b83-906f-416dea5ad04f en el conjunto público GDPval de OpenAI, junto con sus archivos de origen y su rúbrica.
Lecturas relacionadas: las comparativas de private-local.ai con ChatGPT, Palantir, LocalAI y Private AI, y qué es la IA local y cuándo tiene sentido.
Preguntas sobre el rendimiento de modelos de IA
¿En qué pruebas de rendimiento de modelos de IA debo confiar?
Confíe en cada una para lo que mide, y en ninguna para todo. GDPval y el Remote Labor Index examinan trabajos terminados; METR, la duración de las tareas que un agente puede completar; Arena, qué respuestas prefieren las personas; y Vals AI, el trabajo jurídico, financiero y fiscal. Empiece por la más cercana a su propio trabajo y pruebe después el modelo con sus propias tareas, porque ninguna prueba de rendimiento pública se ha elaborado a partir de ellas.
¿Por qué un modelo obtiene buenos resultados en un sistema de evaluación y malos en otro?
Porque los sistemas ponen a prueba trabajos distintos en condiciones distintas: otras tareas, otras herramientas, otros ajustes de razonamiento y otros evaluadores. En esta tabla, GPT-6 Astra obtiene la puntuación más alta de todos los modelos en el Remote Labor Index, pero en GDPval-AA queda por debajo de GPT-5.6 Sol. Ambos resultados pueden ser correctos a la vez.
¿Por qué hay tantas celdas con «no evaluado»?
Los sistemas de evaluación prueban los modelos nuevos según su propio calendario, y siete de estos ocho modelos se lanzaron entre julio y septiembre de 2026. METR no ha publicado nuevas mediciones desde mayo de 2026, OpenAI ya no mantiene su propia clasificación de GDPval y el Remote Labor Index ha evaluado hasta ahora dos de los ocho modelos. Dejamos esas celdas vacías en lugar de hacer suposiciones.
¿Puedo ejecutar estos modelos en una máquina propia?
Solo los abiertos. gpt-oss-120b y Qwen3.8-27B caben en un solo DGX Spark con 128 GB de memoria. GLM-5.3-Flash solo cabe en versiones que almacenan cada peso con menos de cuatro bits, y no hemos encontrado ninguna versión completa de DeepSeek V4.1 Flash que quepa. Los modelos cerrados de OpenAI y Anthropic no pueden ejecutarse en su propio hardware.
¿Hasta qué punto se acercan los modelos abiertos a los cerrados?
Depende de la valoración. En Arena, DeepSeek V4.1 Flash y GLM-5.3-Flash obtienen puntuaciones cercanas a las de GPT-6 Astra y GPT-5.6 Sol, y en GDPval-AA, GLM-5.3-Flash supera a ambos. En el Intelligence Index, todos los modelos cerrados de la tabla superan a todos los abiertos. El Stanford AI Index constató que la diferencia entre el mejor modelo cerrado y el mejor abierto en Arena volvió a ampliarse en 2025, después de casi desaparecer en 2024.
Las puntuaciones públicas plantean la pregunta. Sus propias tareas la responden.
Elija una configuración, conecte las herramientas que ya utiliza y ejecute el trabajo que le importa con el modelo y en la máquina que compraría. En una o dos horas sabrá si cumple su función.
Solicitar un endpoint