Antes de leer la tabla: qué mide cada benchmark

No todos los benchmarks preguntan lo mismo. Terminal‑Bench se acerca a tareas de línea de comandos y agentes de desarrollo. SWE‑Bench evalúa la resolución de incidencias en repositorios. OSWorld mira uso de ordenador. BrowseComp se centra en búsqueda y navegación web. GPQA Diamond mide razonamiento científico de nivel avanzado, y HLE apunta a razonamiento difícil. Un modelo fuerte en coding no tiene por qué ser el mejor en navegación web o recuperación de contexto largo.

También importa el presupuesto de inferencia. OpenAI describe GPT‑5.5 Pro como el mismo modelo subyacente que usa una configuración con computación paralela en tiempo de test; por eso sus números no deben mezclarse sin más con los de GPT‑5.5 estándar.

Foto por modelo

Tabla comparativa: benchmarks clave

Qué modelo elegir según el caso de uso

1. Agentes autónomos con terminal y navegador: GPT‑5.5

Si tu carga de trabajo incluye acciones en terminal, navegación, uso de herramientas, interacción con el sistema operativo y bucles agentic de varios pasos, GPT‑5.5 es el modelo que más destaca en este conjunto de datos. OpenAI reporta 82,7 % en Terminal‑Bench 2.0, 78,7 % en OSWorld‑Verified, 84,4 % en BrowseComp y 55,6 % en Toolathlon.

La salvedad es GPT‑5.5 Pro: su 90,1 % en BrowseComp es potente, pero no debe leerse como si fuera el mismo presupuesto de inferencia que GPT‑5.5 normal, porque OpenAI lo describe como el mismo modelo subyacente usando computación paralela en tiempo de test.

Mejor encaje: agentes de coding, investigación web con navegador, automatización de computer-use y asistentes empresariales que orquestan herramientas.

2. Reparación de código de producción: Claude Opus 4.7

Si el KPI central es arreglar bugs en repositorios reales, preparar cambios, pasar tests y entender bases de código grandes, Claude Opus 4.7 es el candidato más fuerte para probar primero. Sus cifras reportadas de 87,6 % en SWE‑Bench Verified y 64,3 % en SWE‑Bench Pro lo ponen por delante en benchmarks de ingeniería de software.

Anthropic lo presenta además como un modelo de razonamiento híbrido para coding y agentes de IA con ventana de contexto de 1 millón de tokens, lo que lo hace natural para flujos sobre codebases extensas.

Mejor encaje: mantenimiento de repositorios, code review, refactors complejos, copilotos para desarrolladores y agentes de ingeniería.

3. Coding con pesos abiertos: Kimi K2.6

Si necesitas un modelo con pesos abiertos o más control de despliegue, Kimi K2.6 entra con fuerza. En la tabla oficial de Kimi aparecen 66,7 % en Terminal‑Bench 2.0, 58,6 % en SWE‑Bench Pro, 80,2 % en SWE‑Bench Verified, 52,2 % en SciCode y 89,6 en LiveCodeBench v6.

También tiene señales interesantes en flujos de búsqueda y agentes: BrowseComp 83,2 % y Agent Swarm BrowseComp 86,3 %. Artificial Analysis señala además soporte nativo para entrada de imagen y vídeo y una longitud máxima de contexto de 256k.

Mejor encaje: despliegues open-weights, agentes de coding, agentes de investigación y equipos que necesitan más control sobre hosting o configuración.

4. Experimentación open-weights y contexto largo: DeepSeek V4

DeepSeek anunció que V4 Preview estaba disponible y open-sourced el 24 de abril de 2026. La tarjeta de DeepSeek‑V4‑Pro en Hugging Face presenta la serie V4 como modelos de lenguaje MoE.

En las cifras reportadas para DeepSeek V4-Pro/Pro-Max aparecen 67,9 en Terminal Bench 2.0, 80,6 en SWE Verified, 55,4 en SWE Pro y 90,1 en GPQA Diamond. Eso lo convierte en un candidato estratégico para experimentación open-source/open-weights y cargas de contexto largo, siempre que se lea cada puntuación junto a su variante exacta.

Mejor encaje: aplicaciones de contexto largo, investigación con modelos open-weights y equipos que comparan modelos frontier hospedados con alternativas desplegables.

5. Ciencia y matemáticas: Claude lidera en GPQA, pero no cierres la compra con una sola prueba

En los números disponibles, Claude Opus 4.7 llega a 94,2 % en GPQA Diamond. Kimi K2.6 reporta 90,5 % en GPQA‑Diamond y 96,4 % en AIME 2026. DeepSeek V4-Pro/Pro-Max reporta 90,1 en GPQA Diamond.

Para ciencia y matemáticas, el titular no basta. El acceso a herramientas, el modo de esfuerzo, el harness y el tipo de pregunta pueden mover el resultado. Por eso conviene construir una evaluación propia antes de elegir un modelo para investigación o flujos técnicos críticos.

Checklist práctico para decidir

• No compres por un único leaderboard. Usa las tablas públicas para reducir opciones, no como veredicto final. Los resultados independientes pueden no coincidir con los auto-reportados.
• Separa GPT‑5.5 de GPT‑5.5 Pro. Pro usa computación paralela en tiempo de test, así que sus resultados no equivalen automáticamente a los de GPT‑5.5 con el mismo presupuesto.
• Define si necesitas pesos abiertos antes de comparar. Si control de datos, self-hosting o personalización pesan más que el leaderboard, pon Kimi K2.6 y DeepSeek V4 en una vía de evaluación separada.
• Prueba contexto largo con tus documentos. Claude Opus 4.7 tiene una ventana de 1 millón de tokens, Kimi K2.6 reporta 256k y DeepSeek V4 se posiciona en contexto largo; aun así, recall, coste y seguimiento de instrucciones deben medirse con datos propios.
• Para agentes de coding, combina benchmark público y repositorio interno. SWE‑Bench es una buena señal, pero los repos reales tienen dependencias, tests frágiles, estilos de código y restricciones de revisión que no siempre aparecen en el benchmark.

Limitaciones de esta comparación

• No hay, en este conjunto de fuentes, una comparación pública completa donde los cuatro modelos se evalúen por el mismo laboratorio independiente, con el mismo harness, las mismas herramientas y el mismo nivel de esfuerzo; LM Council advierte precisamente sobre diferencias entre benchmarks independientes y resultados auto-reportados.
• GPT‑5.5 Pro y GPT‑5.5 no deben mezclarse como si fueran la misma configuración, porque OpenAI describe Pro como el mismo modelo subyacente usando computación paralela en tiempo de test.
• Las cifras de DeepSeek V4 son específicas de variante. V4 Preview, V4-Pro, Pro-Max o Flash no deberían convertirse en una única puntuación genérica llamada DeepSeek V4.
• En modelos open-weights como Kimi K2.6 y DeepSeek V4, el resultado publicado debe complementarse con pruebas de tu propio despliegue, porque la pila de serving, hardware, cuantización y ajustes de contexto pueden cambiar la experiencia final.

Conclusión

Elige GPT‑5.5 si tu producto depende de agentes que navegan, usan herramientas, operan en terminal y ejecutan tareas de varios pasos.

Prioriza Claude Opus 4.7 si el valor principal está en reparar repositorios, resolver bugs y trabajar sobre bases de código complejas.

Evalúa Kimi K2.6 si necesitas un modelo de coding con pesos abiertos y señales fuertes en SWE‑Bench, Terminal‑Bench y búsqueda agentic.

Pon DeepSeek V4-Pro/Pro-Max en la shortlist si el contexto largo, la experimentación open-source/open-weights y la desplegabilidad son restricciones clave, pero verifica siempre variante y configuración.

La decisión más segura no es copiar el primer puesto de una tabla: es usar los benchmarks para hacer una shortlist y después medir con tus tareas reales, tus límites de latencia, tus costes, tus requisitos de privacidad y tus propios tests de fallo.

Antes de leer la tabla: qué mide cada benchmark

No todos los benchmarks preguntan lo mismo. Terminal‑Bench se acerca a tareas de línea de comandos y agentes de desarrollo. SWE‑Bench evalúa la resolución de incidencias en repositorios. OSWorld mira uso de ordenador. BrowseComp se centra en búsqueda y navegación web. GPQA Diamond mide razonamiento científico de nivel avanzado, y HLE apunta a razonamiento difícil. Un modelo fuerte en coding no tiene por qué ser el mejor en navegación web o recuperación de contexto largo.

También importa el presupuesto de inferencia. OpenAI describe GPT‑5.5 Pro como el mismo modelo subyacente que usa una configuración con computación paralela en tiempo de test; por eso sus números no deben mezclarse sin más con los de GPT‑5.5 estándar.

Foto por modelo

Tabla comparativa: benchmarks clave

Qué modelo elegir según el caso de uso

1. Agentes autónomos con terminal y navegador: GPT‑5.5

Si tu carga de trabajo incluye acciones en terminal, navegación, uso de herramientas, interacción con el sistema operativo y bucles agentic de varios pasos, GPT‑5.5 es el modelo que más destaca en este conjunto de datos. OpenAI reporta 82,7 % en Terminal‑Bench 2.0, 78,7 % en OSWorld‑Verified, 84,4 % en BrowseComp y 55,6 % en Toolathlon.

La salvedad es GPT‑5.5 Pro: su 90,1 % en BrowseComp es potente, pero no debe leerse como si fuera el mismo presupuesto de inferencia que GPT‑5.5 normal, porque OpenAI lo describe como el mismo modelo subyacente usando computación paralela en tiempo de test.

Mejor encaje: agentes de coding, investigación web con navegador, automatización de computer-use y asistentes empresariales que orquestan herramientas.

2. Reparación de código de producción: Claude Opus 4.7

Si el KPI central es arreglar bugs en repositorios reales, preparar cambios, pasar tests y entender bases de código grandes, Claude Opus 4.7 es el candidato más fuerte para probar primero. Sus cifras reportadas de 87,6 % en SWE‑Bench Verified y 64,3 % en SWE‑Bench Pro lo ponen por delante en benchmarks de ingeniería de software.

Anthropic lo presenta además como un modelo de razonamiento híbrido para coding y agentes de IA con ventana de contexto de 1 millón de tokens, lo que lo hace natural para flujos sobre codebases extensas.

Mejor encaje: mantenimiento de repositorios, code review, refactors complejos, copilotos para desarrolladores y agentes de ingeniería.

3. Coding con pesos abiertos: Kimi K2.6

Si necesitas un modelo con pesos abiertos o más control de despliegue, Kimi K2.6 entra con fuerza. En la tabla oficial de Kimi aparecen 66,7 % en Terminal‑Bench 2.0, 58,6 % en SWE‑Bench Pro, 80,2 % en SWE‑Bench Verified, 52,2 % en SciCode y 89,6 en LiveCodeBench v6.

También tiene señales interesantes en flujos de búsqueda y agentes: BrowseComp 83,2 % y Agent Swarm BrowseComp 86,3 %. Artificial Analysis señala además soporte nativo para entrada de imagen y vídeo y una longitud máxima de contexto de 256k.

Mejor encaje: despliegues open-weights, agentes de coding, agentes de investigación y equipos que necesitan más control sobre hosting o configuración.

4. Experimentación open-weights y contexto largo: DeepSeek V4

DeepSeek anunció que V4 Preview estaba disponible y open-sourced el 24 de abril de 2026. La tarjeta de DeepSeek‑V4‑Pro en Hugging Face presenta la serie V4 como modelos de lenguaje MoE.

En las cifras reportadas para DeepSeek V4-Pro/Pro-Max aparecen 67,9 en Terminal Bench 2.0, 80,6 en SWE Verified, 55,4 en SWE Pro y 90,1 en GPQA Diamond. Eso lo convierte en un candidato estratégico para experimentación open-source/open-weights y cargas de contexto largo, siempre que se lea cada puntuación junto a su variante exacta.

Mejor encaje: aplicaciones de contexto largo, investigación con modelos open-weights y equipos que comparan modelos frontier hospedados con alternativas desplegables.

5. Ciencia y matemáticas: Claude lidera en GPQA, pero no cierres la compra con una sola prueba

En los números disponibles, Claude Opus 4.7 llega a 94,2 % en GPQA Diamond. Kimi K2.6 reporta 90,5 % en GPQA‑Diamond y 96,4 % en AIME 2026. DeepSeek V4-Pro/Pro-Max reporta 90,1 en GPQA Diamond.

Para ciencia y matemáticas, el titular no basta. El acceso a herramientas, el modo de esfuerzo, el harness y el tipo de pregunta pueden mover el resultado. Por eso conviene construir una evaluación propia antes de elegir un modelo para investigación o flujos técnicos críticos.

Checklist práctico para decidir

• No compres por un único leaderboard. Usa las tablas públicas para reducir opciones, no como veredicto final. Los resultados independientes pueden no coincidir con los auto-reportados.
• Separa GPT‑5.5 de GPT‑5.5 Pro. Pro usa computación paralela en tiempo de test, así que sus resultados no equivalen automáticamente a los de GPT‑5.5 con el mismo presupuesto.
• Define si necesitas pesos abiertos antes de comparar. Si control de datos, self-hosting o personalización pesan más que el leaderboard, pon Kimi K2.6 y DeepSeek V4 en una vía de evaluación separada.
• Prueba contexto largo con tus documentos. Claude Opus 4.7 tiene una ventana de 1 millón de tokens, Kimi K2.6 reporta 256k y DeepSeek V4 se posiciona en contexto largo; aun así, recall, coste y seguimiento de instrucciones deben medirse con datos propios.
• Para agentes de coding, combina benchmark público y repositorio interno. SWE‑Bench es una buena señal, pero los repos reales tienen dependencias, tests frágiles, estilos de código y restricciones de revisión que no siempre aparecen en el benchmark.

Limitaciones de esta comparación

• No hay, en este conjunto de fuentes, una comparación pública completa donde los cuatro modelos se evalúen por el mismo laboratorio independiente, con el mismo harness, las mismas herramientas y el mismo nivel de esfuerzo; LM Council advierte precisamente sobre diferencias entre benchmarks independientes y resultados auto-reportados.
• GPT‑5.5 Pro y GPT‑5.5 no deben mezclarse como si fueran la misma configuración, porque OpenAI describe Pro como el mismo modelo subyacente usando computación paralela en tiempo de test.
• Las cifras de DeepSeek V4 son específicas de variante. V4 Preview, V4-Pro, Pro-Max o Flash no deberían convertirse en una única puntuación genérica llamada DeepSeek V4.
• En modelos open-weights como Kimi K2.6 y DeepSeek V4, el resultado publicado debe complementarse con pruebas de tu propio despliegue, porque la pila de serving, hardware, cuantización y ajustes de contexto pueden cambiar la experiencia final.

Conclusión

Elige GPT‑5.5 si tu producto depende de agentes que navegan, usan herramientas, operan en terminal y ejecutan tareas de varios pasos.

Prioriza Claude Opus 4.7 si el valor principal está en reparar repositorios, resolver bugs y trabajar sobre bases de código complejas.

Evalúa Kimi K2.6 si necesitas un modelo de coding con pesos abiertos y señales fuertes en SWE‑Bench, Terminal‑Bench y búsqueda agentic.

Pon DeepSeek V4-Pro/Pro-Max en la shortlist si el contexto largo, la experimentación open-source/open-weights y la desplegabilidad son restricciones clave, pero verifica siempre variante y configuración.

La decisión más segura no es copiar el primer puesto de una tabla: es usar los benchmarks para hacer una shortlist y después medir con tus tareas reales, tus límites de latencia, tus costes, tus requisitos de privacidad y tus propios tests de fallo.