Benchmarks de IA hoy: el ranking de modelos actualizado (octubre de 2026)

Estos son los benchmarks de IA de hoy, con datos a 13 de octubre de 2026. Claude Opus 5.5, de Anthropic, es el modelo que encabeza más clasificaciones independientes: el índice de Artificial Analysis, Terminal-Bench 4.0 y las tablas de código y de agentes de Arena. No gana en todo: Gemini 4 Argon va primero en la clasificación de texto de Arena, aunque casi nadie puede usarlo, y GPT-6 Astra es el único que pasa del 60 % en ARC-AGI-3. La novedad de la semana es Muse Wonder Full, de Meta: tercero en el índice de Artificial Analysis y a tres décimas del primero en el de agentes de programación. Repasamos estas clasificaciones cada semana y actualizamos la página en cuanto algo cambia.

Un benchmark es una prueba estandarizada que permite comparar modelos con las mismas preguntas o tareas. Cada clasificación usa las suyas, y por eso el primer puesto cambia según a quién preguntes. Metix no ha ejecutado estas pruebas: las hemos reunido de sus fuentes, cada gráfica enlaza a la suya, y te explicamos qué mide cada una y dónde falla.

Los benchmarks de hoy, en una frase por modelo

Así están los modelos más citados a 13 de octubre de 2026:

• Claude Opus 5.5 (Anthropic): primero en el índice de Artificial Analysis, en Terminal-Bench 4.0 y en las clasificaciones de desarrollo web y de agentes de Arena.
• Claude Sonnet 5.5: cuesta la mitad por token que Opus, es segundo en Artificial Analysis (empatado a 56 con Muse Wonder Full) y, dentro de Claude Code, encabeza por muy poco el índice de agentes de programación.
• Claude Fable 5.1: primero en LiveBench por dos décimas, y de los más caros: 10 dólares por millón de tokens de entrada y 50 de salida.
• GPT-6 Astra (OpenAI): el mejor en ARC-AGI-3, diez puntos por delante de GPT-6.1 Sol, y segundo en desarrollo web, pero el 35.º en la clasificación de texto de Arena.
• GPT-6.1 Sol: casi la nota de Astra en Artificial Analysis (52 frente a 53) por una quinta parte del precio.
• Gemini 4 Argon (Google): primero en la clasificación de texto de Arena, pero de momento solo lo tienen defensores de ciberseguridad seleccionados.
• Gemini 3.8 Flash: el Gemini más reciente que puedes usar. Es octavo en Arena, pero se queda en 41 puntos en Artificial Analysis.
• Muse Wonder Full (Meta): presentado el 12 de octubre, es tercero en Artificial Analysis y segundo por tres décimas en el índice de agentes de programación, pero solo se usa dentro de Muse Code con suscripción. Su hermano Muse Wonder, que sí está en la API, es séptimo en LiveBench.
• Los abiertos: MiMo-V2.6-Pro (Xiaomi) es el mejor en Artificial Analysis, con 46; Kimi K3, el mejor en Arena (puesto 16), y DeepSeek V4.1 Flash, octavo en LiveBench a 1,20 dólares el millón de tokens de salida.

Quién gana en cada benchmark

Debajo tienes cada clasificación con su gráfica, qué mide y sus límites.

Arena: qué modelo prefiere la gente

Arena (antes LMArena) enseña dos respuestas anónimas a la misma pregunta y el usuario vota la que prefiere. Con esos duelos calcula una puntuación por modelo: cuanto más alta, más veces gana. Su clasificación de texto suma 8.734.330 votos sobre 414 modelos en la actualización del 8 de octubre.

1. Gemini 4 Argon · preliminar, sin acceso público1525
2. Claude Opus 5.51507
3. Claude Fable 5.11501
4. Gemini 3.8 Flash1497
5. Kimi K3 · el mejor abierto1488
6. GPT-6.1 Sol1484
7. Claude Sonnet 5.51476
8. GPT-6 Astra1475

Una selección de los modelos actuales; faltan versiones anteriores. Última actualización de Arena: 8 de octubre. Las barras casi iguales no son un error: entre el primero y el octavo hay 50 puntos. Fuente: Arena. Datos a 13 de octubre de 2026.

Gemini 4 Argon es el único con el primer puesto asegurado: su margen va del 1 al 1. Pero Arena lo marca como preliminar, lleva 4.892 votos y Google solo lo ha dado a defensores de ciberseguridad de su programa Fairwind, así que no lo puedes probar. Del segundo al décimo puesto el orden no es fiable: el margen de Claude Opus 5.5 va del 2 al 10, y el tercero es Claude Opus 4.6, una versión anterior.

Lo más llamativo es GPT-6 Astra en el puesto 35. Es el modelo que mejor resuelve ARC-AGI-3, pero Arena no mide quién razona mejor, sino qué respuesta gusta más en una conversación, y una respuesta larga y bien presentada puede ganar aunque tenga un error. Cómo funciona Arena en español y qué sesgos se le han encontrado lo contamos en la comparativa de ChatGPT, Claude y Gemini.

Arena para programar y para agentes

La clasificación de desarrollo web de Arena (WebDev) pone a los modelos a construir webs y aplicaciones, a menudo en varios pasos y con herramientas, y los usuarios votan el resultado. Lleva 852.934 votos. Aquí el orden cambia y las distancias crecen:

1. Claude Opus 5.51813
2. GPT-6 Astra1786
3. Claude Sonnet 5.51774
4. GPT-6.1 Sol1755
5. Claude Fable 5.11744
6. Gemini 4 Argon · preliminar1678
7. Kimi K3 · abierto1654
8. Gemini 3.8 Flash1583

Última actualización de Arena: 8 de octubre. Fuente: Arena. Datos a 13 de octubre de 2026.

En la clasificación de agentes, Arena no usa votos sino 2.505.910 sesiones reales de su modo agente, en la actualización del 12 de octubre. Puntúa señales como si la tarea se completa, si el usuario elogia o se queja, si el modelo acepta correcciones y si se inventa herramientas que no tiene. Primero va Claude Opus 5.5 con esfuerzo máximo, seguido de GPT-6.1 Sol y GPT-6 Sol. Detrás vienen Gemini 4 Argon, GPT-6 Astra, Claude Fable 5.1 y Claude Sonnet 5.5. El margen del primero va del puesto 1 al 7, y el de los otros seis también empieza en el 1: cualquiera de los siete podría ir primero. Muse Wonder, de Meta, aún no aparece en ninguna clasificación de Arena.

Artificial Analysis: el índice de inteligencia

El Artificial Analysis Intelligence Index resume en una nota diez pruebas que esta empresa independiente ejecuta ella misma, en las mismas condiciones para todos los modelos. Entre ellas están Terminal-Bench 4.0, Humanity’s Last Exam y SciCode. La versión actual del índice es la 4.3.2.

1. Claude Opus 5.558
2. Claude Sonnet 5.556
3. Muse Wonder Full · solo en Muse Code, con suscripción56
4. Claude Fable 5.153
5. GPT-6 Astra53
6. Gemini 4 Argon · sin acceso público53
7. GPT-6.1 Sol52
8. MiMo-V2.6-Pro · el mejor abierto46

Cada modelo, con su nivel de esfuerzo más alto medido. Fuente: Artificial Analysis. Datos a 13 de octubre de 2026.

Opus 5.5 va por delante con 58. Detrás, empatados a 56, están Sonnet 5.5 y Muse Wonder Full, el modelo que Meta presentó el 12 de octubre y que no se puede usar por API. Después hay un triple empate a 53 entre Claude Fable 5.1, GPT-6 Astra y Gemini 4 Argon, y GPT-6.1 Sol se queda a un punto de ellos. Muse Wonder, la versión de Meta que sí está en la API, saca 52.

El límite de este índice es que la nota depende de cuánto dejes pensar al modelo. Claude Opus 5.5 saca 58 con esfuerzo máximo, 51 con esfuerzo medio y 42 con el bajo. Y el máximo se paga en espera: en las mediciones de la misma web tarda más de diez minutos en empezar a responder, frente a menos de medio minuto con esfuerzo medio. Cuándo compensa subir el esfuerzo lo explicamos en modelos de razonamiento.

Los benchmarks de programación

El benchmark de programación más citado durante años, SWE-bench Verified (500 incidencias reales de GitHub revisadas por personas), ya no separa a los mejores. El mejor resultado en Vals es un 97,00 % de Claude Opus 5, y Vals ha dejado de ejecutarlo con los modelos nuevos porque está saturado. Y la tabla oficial de SWE-bench Verified no tiene ningún resultado fechado después de febrero de 2026. Hoy la referencia es Terminal-Bench 4.0.

Terminal-Bench 4.0

Terminal-Bench 4.0 son 66 tareas largas que un agente tiene que completar en una terminal, y cada una termina en algo comprobable: un servicio que funciona, un modelo CAD, un informe forense. La tarea mediana equivale a cuatro horas de trabajo de un experto. Vals ejecuta a todos los modelos con el mismo agente (mini-SWE-agent), y eso hace la comparación justa:

1. Claude Opus 5.565,15
2. Claude Sonnet 5.564,14
3. GPT-6 Astra59,60
4. Claude Fable 5.158,08
5. Muse Wonder Full · Meta58,08
6. Gemini 4 Argon57,58
7. GPT-6.1 Sol55,05
8. GLM-5.3 · abierto38,89

Vals actualizó la tabla el 12 de octubre. Gemini 3.8 Flash, el Gemini más reciente que puedes usar, se queda en un 19,70 %. Fuente: Vals AI. Datos a 13 de octubre de 2026.

Hay dos matices. En la tabla oficial de Terminal-Bench, donde cada modelo corre con el agente de su fabricante, Opus 5.5 con Claude Code saca un 64,8 % con un margen de más o menos 3,1 puntos. Con márgenes así, un punto de diferencia entre dos modelos no significa nada. Y según Vals, Anthropic sirvió 22 de los 198 intentos de Opus 5.5 con modelos anteriores (Opus 5 u Opus 4.8). Si se cuentan como fallos, Opus 5.5 baja al 58,08 % y queda por detrás de Sonnet 5.5 y de GPT-6 Astra.

Agentes de programación: modelo y herramienta juntos

Artificial Analysis mide además agentes completos, es decir, el modelo dentro de su herramienta, con tres pruebas: DeepSWE v1.1, Terminal-Bench 4.0 y SWE-Atlas-QnA. Es lo más parecido a cómo se programa hoy con IA:

1. Claude Sonnet 5.5 · Claude Code68
2. Muse Wonder Full · Muse Code68
3. Claude Opus 5.5 · Claude Code66
4. Gemini 4 Argon · Antigravity CLI64
5. GPT-6.1 Sol · Codex63
6. Claude Fable 5.1 · Claude Code62
7. GPT-6 Astra · Codex62
8. Grok 4.7 · Grok Build56

Junto a cada modelo, el agente con el que se midió. Fuente: Artificial Analysis. Datos a 13 de octubre de 2026.

Aquí gana Sonnet 5.5, no Opus, aunque por muy poco: Muse Wonder Full, el nuevo modelo de Meta, se queda a tres décimas (68,03 frente a 68,36) y tarda de media 29 minutos por tarea, aunque su coste no se puede comparar porque solo se usa con suscripción. Y mira el coste de los demás: Claude Code con Sonnet 5.5 necesita de media una hora y media por tarea y gasta 14,19 dólares de API, mientras que Codex con GPT-6.1 Sol saca 63 puntos en 15,5 minutos y por 1,04 dólares. Qué herramienta te conviene según tu forma de trabajar lo vemos en la mejor IA para programar.

LiveBench: el examen que cambia sus preguntas

LiveBench es un benchmark de 23 tareas en siete categorías (razonamiento, programación, programación con agentes, matemáticas, análisis de datos, lenguaje y seguimiento de instrucciones), todas con respuesta objetiva. Renueva sus preguntas cada seis meses para que no acaben en los datos de entrenamiento. La edición vigente es la del 25 de junio de 2026, y lo patrocina Abacus.AI.

1. Claude Fable 5.183,4
2. Claude Opus 5.583,2
3. GPT-6 Astra82,2
4. GPT-6.1 Sol81,6
5. DeepSeek V4.1 Flash · abierto81,1
6. Kimi K3 · abierto79,2
7. Gemini 3.7 Flash · el mejor Gemini medido78,8
8. Claude Sonnet 5.577,8

Preguntas de la edición del 25 de junio de 2026. Una selección: entre los ocho primeros están también Claude Fable 5, Muse Spark 1.3 y Muse Wonder (81,2), de Meta. Gemini 4 Argon no está medido. Fuente: LiveBench. Datos a 13 de octubre de 2026.

Los primeros puestos caben en menos de dos puntos: es un empate. Lo interesante está en los abiertos y en el coste. DeepSeek V4.1 Flash, con pesos abiertos, saca 81,1 a 0,029 dólares por tarea resuelta, frente a 1,212 de Claude Fable 5.1.

Y las categorías desmienten cualquier ranking único. En programación con agentes, el primero de LiveBench es DeepSeek V4.1 Flash (77,3), y Claude Sonnet 5.5, con esfuerzo xHigh, se queda en 39,3. Es el mismo modelo que encabeza el índice de agentes de Artificial Analysis, medido allí con esfuerzo máximo y dentro de Claude Code. Si te interesan los modelos que puedes descargar, están todos en los mejores modelos de IA de código abierto.

ARC-AGI-3 y el 99,9 % de GPT-6 Astra

ARC-AGI-3 es un benchmark de juegos interactivos por turnos sin instrucciones: el agente tiene que explorar, deducir cuál es el objetivo y planificar cómo llegar. Cada juego lo ha resuelto alguna persona en las pruebas de la fundación, y la nota compara cuántas acciones necesita el modelo con las que necesita una persona mediana. Lo mantiene la ARC Prize Foundation, que verifica los resultados con un conjunto de juegos semiprivado.

OpenAI presentó GPT-6 Astra en septiembre con un 99,9 % en ARC-AGI-3, medido con su propio arnés (el programa que conecta el modelo con la prueba), en el que cambió dos ajustes. La ARC Prize Foundation da dos cifras. Con su arnés estándar, igual para todos los fabricantes, Astra saca un 62,7 % con esfuerzo máximo, tras gastar 26.098 dólares en la prueba. Con un arnés adaptado a cada proveedor, que conserva entre turnos el razonamiento oculto del modelo y resume las conversaciones largas, llega al 99,9 %. La cifra que se puede comparar con otros modelos es la primera:

1. GPT-6 Astra62,7
2. GPT-6.1 Sol52,7
3. Claude Opus 5 · versión de julio30,2
4. Gemini 3.8 Flash10,4
5. GPT-6 Sol4,6
6. Grok 4.71,8

Conjunto semiprivado, nivel de esfuerzo con mejor resultado. Claude Opus 5.5 y Claude Fable 5.1 no tienen resultado en ARC-AGI-3. Fuente: ARC Prize Foundation. Datos a 13 de octubre de 2026.

La distancia entre el 62,7 % y el 99,9 % no la pone el modelo, sino el entorno en que se mide, y por eso la fundación publica desde septiembre las dos cifras. La propia ARC Prize Foundation avisa de que superar ARC-AGI-3 no demuestra que Astra sea una inteligencia artificial general. Su prueba anterior, ARC-AGI-2, ya no distingue a los grandes: Astra saca un 95,0 %, GPT-6.1 Sol un 94,2 % y Claude Opus 5.5 un 93,3 %. Lo que dijo cada parte, en la noticia sobre GPT-6 Astra y ARC-AGI-3.

Cuánto cuesta cada modelo por millón de tokens

Esta gráfica recoge el precio estándar por millón de tokens de salida, lo que escribe el modelo, razonamiento incluido, que es lo más caro de la factura. Junto a cada modelo va el precio de entrada. Son tarifas oficiales en dólares y sin impuestos, tomadas de las páginas de OpenAI, Anthropic, Google y DeepSeek. GPT-6 Luna cuesta lo mismo que Claude Haiku 5.5.

1. Claude Haiku 5.5 · entrada 0,100,50
2. DeepSeek V4.1 Flash · entrada 0,301,20
3. Gemini 3.8 Flash · entrada 0,753,75
4. GPT-6.1 Sol · entrada 210,00
5. Claude Sonnet 5.5 · entrada 210,00
6. Claude Opus 5.5 · entrada 420,00
7. GPT-6 Astra · entrada 1050,00
8. Claude Fable 5.1 · entrada 1050,00

DeepSeek cobra la mitad fuera de su horario punta. Gemini 3.8 Flash mantiene este precio hasta el 31 de diciembre de 2026. Fuente: páginas oficiales de precios de OpenAI, Anthropic, Google y DeepSeek. Datos a 13 de octubre de 2026.

El precio por token engaña, porque cada modelo gasta una cantidad distinta de tokens en la misma tarea. Artificial Analysis calcula cuánto cuesta de media cada tarea de su índice. Claude Sonnet 5.5 con esfuerzo máximo cuesta la mitad por token que Opus 5.5, pero 5,46 dólares por tarea frente a 5,98: necesita muchos más tokens para llegar a su nota. GPT-6.1 Sol saca 52 puntos por 0,72 dólares la tarea, y el abierto MiMo-V2.6-Pro, 46 por 0,13.

Ojo también a Gemini 3.8 Flash: el 1 de enero de 2027 pasa a costar 1,50 dólares de entrada y 7,50 de salida. Las cuentas para tu caso, con ejemplos, están en cuánto cuesta usar la IA por API.

Por qué cada benchmark da un ganador distinto

Porque miden cosas distintas. Arena mide qué respuesta gusta más; Artificial Analysis y LiveBench, cuántas respuestas acierta el modelo; Terminal-Bench, si un agente termina un trabajo de horas; ARC-AGI-3, si aprende un juego que no ha visto nunca. Y no todas miden a los mismos: Gemini 4 Argon no está en LiveBench ni en la tabla oficial de Terminal-Bench, Claude Opus 5.5 no tiene nota en ARC-AGI-3 y Muse Wonder todavía no está en Arena. Por eso GPT-6 Astra puede liderar ARC-AGI-3 y estar en el puesto 35 de Arena sin que ninguna de las dos tablas mienta.

Cómo leer un benchmark sin que te la cuelen

• Mira quién lo ha medido. Las cifras de los fabricantes son autodeclaradas: cada uno elige qué pruebas enseña y con qué arnés. El 99,9 % de Astra en ARC-AGI-3 es de OpenAI; el 62,7 %, de quien mantiene la prueba. En Terminal-Bench 4.0, la tabla de OpenAI pone a Claude Fable 5.1 en un 55,8 %; Vals, en un 58,08 %.
• Pregunta con qué esfuerzo y con qué herramienta. El mismo Opus 5.5 va de 42 a 58 puntos según el esfuerzo, y el agente cambia el resultado. Una cifra sin su configuración no sirve para comparar.
• Busca el margen de error. Arena da un intervalo de puestos y Terminal-Bench, un más o menos de unos tres puntos. Si dos modelos están dentro del margen, están empatados.
• Piensa si puede estar contaminado. Un benchmark se contamina cuando sus preguntas acaban en los datos de entrenamiento y el modelo las recuerda en vez de resolverlas. Por eso LiveBench cambia las preguntas cada seis meses, Terminal-Bench pide en su web que sus datos no se usen nunca para entrenar y OpenAI midió a Astra en ciberseguridad con fallos de los tres meses anteriores.
• Distingue preferencias de aciertos. Arena mide qué gusta, y una respuesta larga y con buen formato gana votos aunque se equivoque. Para saber si un modelo acierta, mira las pruebas con respuesta correcta.
• Comprueba si está saturado. Cuando los mejores pasan del 90 %, la prueba deja de distinguirlos. Le ha pasado a SWE-bench Verified y a ARC-AGI-2.

Qué ha cambiado

13 de octubre de 2026. Entra Muse Wonder Full, el modelo que Meta presentó el 12 de octubre: 56 puntos en el índice de Artificial Analysis (tercero, empatado con Sonnet 5.5), 68 en su índice de agentes de programación (segundo por tres décimas) y un 58,08 % en Terminal-Bench 4.0 de Vals (empatado con Claude Fable 5.1). Para seguir con ocho barras, Gemini 3.8 Flash sale de las gráficas de Artificial Analysis y de Terminal-Bench (sus cifras siguen en el texto y en la nota) y GLM-5.3, de la de agentes de programación. Muse Wonder entra séptimo en LiveBench y DeepSeek V4.1 Flash pasa a octavo. Arena ha reordenado su clasificación de agentes: GPT-6.1 Sol y GPT-6 Sol suben al segundo y al tercer puesto, y GPT-6 Astra y Claude Fable 5.1 bajan. En Vals, Gemini 3.8 Flash pasa del 19,19 % al 19,70 %. No cambian las clasificaciones de texto y desarrollo web de Arena, las notas de LiveBench, ARC-AGI-2 y 3, SWE-bench, la tabla oficial de Terminal-Bench ni los precios.

Por dónde seguir

• Muse Wonder, el nuevo modelo de Meta: qué es, dónde se puede usar y qué dicen de él las mediciones independientes.
• ChatGPT, Claude o Gemini: cuál usar para cada cosa: las apps, sus planes y precios en euros, más allá de los benchmarks.
• Modelos de razonamiento: qué cambia cuando subes el esfuerzo y cuándo compensa pagarlo.
• Los mejores modelos de IA de código abierto: los que puedes descargar y ejecutar tú.