Fable 5 lidera el pelotón, pero Opus 4.8, GPT-5.5 y Grok 4.3 también reivindican sus victorias

Nivel 2: Los especialistas y los demonios de la velocidad

Claude Opus 4.8 (Anthropic)

Antes de la llegada de Fable 5, Opus 4.8 era el rey. Lanzado a finales de mayo de 2026, ahora es el poderoso segundo de a bordo en Anthropic y sigue siendo un modelo de primer nivel .

• General y Agente: Fue el primer modelo en liderar el Índice de Inteligencia de Artificial Analysis (61.4) y la tabla de GDPval-AA (1890 Elo), antes de ser superado por Fable 5 .
• Codificación: Alcanza un 69.2% en SWE-bench Pro y un 88.6% en SWE-bench Verified .
• Matemáticas: Protagonizó un salto histórico de 27 puntos en la prueba de matemáticas de competición USAMO 2026, pasando del 69.3% al 96.7% en solo 41 días .
• Honestidad: Es el modelo con la tasa más baja de alucinaciones factuales, principalmente porque prefiere abstenerse a adivinar cuando no está seguro .

GPT-5.5 (OpenAI)

Lanzado a finales de abril de 2026, GPT-5.5 fue el primer modelo de esta generación en recuperar el liderazgo general para OpenAI, aunque con habilidades más especializadas .

• Razonamiento Matemático: Es el modelo estrella en esta categoría, con un 51.7% en FrontierMath Nivel 1-3 y un 35.4% en el endiabladamente difícil Nivel 4, muy por delante del resto .
• Terminal Autónoma: También lidera en Terminal-Bench 2.0, con un 82.7% en complejas tareas de línea de comandos, frente al 69.4% de Claude Opus 4.7 .
• Contexto Largo: GPT-5.5 dio un salto de 37 puntos en recuperación de información en contextos largos (MRCR v2), alcanzando un 74.0% en un contexto de 1M de tokens, dejando atrás el 36.6% de su predecesor .
• Advertencia en Codificación: Aunque es un buen todoterreno, su 58.6% en SWE-Bench Pro se queda significativamente rezagado frente a los modelos de Anthropic .

Gemini 3.5 Flash (Google)

Presentado en el Google I/O 2026, este es un modelo de gama 'Flash', diseñado para la velocidad y la eficiencia de costos sin sacrificar la capacidad de competir con modelos superiores .

• Velocidad y Valor: Se dice que es 4 veces más rápido que Gemini 3.1 Pro para tareas de agente y codificación, con precios muy competitivos .
• Agente y Uso de Herramientas: Logra un sólido 83.6% en MCP Atlas, una prueba de uso de herramientas en múltiples pasos .
• Codificación y Visión: En SWE-Bench Pro, su 55.1% supera ligeramente a su predecesor mayor, Gemini 3.1 Pro, y anota un 84.2% en la prueba de razonamiento visual CharXiv .
• Dosis de Realidad: Datos independientes de Artificial Analysis sugieren que sus capacidades de codificación son notablemente más débiles de lo que indican las comparaciones de Google, por lo que su utilidad real para desarrolladores aún está por validar .

Grok 4.3 (xAI)

Lanzado discretamente a finales de abril de 2026, Grok 4.3 es una apuesta por la eficiencia de costos y la velocidad, que sobresale en áreas muy específicas .

• Clasificación General: Obtiene un 53 en el Índice de Inteligencia de Artificial Analysis. Esto lo sitúa por encima de modelos de gama media como Claude Sonnet 4.6, pero claramente por debajo de los pesos pesados como GPT-5.5 y Claude Opus 4.7 .
• Rey del Seguimiento de Instrucciones: Es el #1 en IFBench con un 81%, superando a GPT-5.5, Gemini 3.1 Pro y Claude Opus 4.7 .
• Boom Agente: Grok 4.3 muestra un salto masivo de +321 puntos Elo en las tareas agentes de GDPval-AA respecto a su predecesor, alcanzando una puntuación de 1500 . También logra un 98%, líder en el sector, en el benchmark τ²-Bench Telecom .
• Demonio de la Velocidad: Los primeros reportes sitúan su velocidad en 159 tokens por segundo, con otras pruebas marcando entre 78.4 y 196 tokens/s .
• Precios y Límites: Con un precio agresivo de aproximadamente 1,25 $/2,50 $ por millón de tokens (entrada/salida), es una opción de gran valor para dominios concretos, pero no compite en inteligencia general .

El contendiente de código abierto: DeepSeek V4 Pro (DeepSeek AI)

Lanzado en abril de 2026, DeepSeek V4 Pro es el aspirante de código abierto más fuerte, ofreciendo un valor increíble en codificación, pero con una importante salvedad independiente.

• Líder en Valor de Codificación: Alcanza un impresionante 80.6% en SWE-bench Verified y un 93.5% en LiveCodeBench, situándose a la par de Claude Opus 4.6 en codificación por una fracción del precio (~3.48$ por millón de tokens de salida) .
• El Veredicto de CAISI: Una evaluación independiente del gobierno de EE. UU. (CAISI) concluyó que las capacidades de DeepSeek V4 estaban unos 8 meses por detrás de la vanguardia. Mientras que DeepSeek lo comparaba con GPT-5.4, CAISI equipara su rendimiento al de GPT-5 de agosto de 2025 .
• Clasificación General: Se queda atrás en conocimiento general y razonamiento complejo frente a los gigantes privados, ocupando el puesto #39 de 123 modelos en una tabla de clasificación más amplia .

Seguridad y Evaluaciones Independientes

Las pruebas de seguridad independientes y estandarizadas siguen siendo escasas y a menudo no se publican.

• DeepSeek V4 Pro (CAISI/NIST): La evaluación del gobierno estadounidense es la señal de seguridad más notable, al concluir que sus capacidades estaban unos 8 meses por detrás de la frontera .
• GPT-5.5 (Instituto de Seguridad de IA del Reino Unido): Este instituto informó que GPT-5.5 tuvo una tasa de aprobación del 71.4% en sus pruebas de ciberseguridad de nivel experto, señalando que "podría ser el modelo más fuerte que hemos probado" en esa medida .

Cómo interpretar estos resultados

Es tentador coronar a un único ganador, pero los datos nos dan una imagen más práctica:

• Para capacidad de codificación pura y tareas agentes, Claude Fable 5 está en una categoría propia.
• Para razonamiento matemático pesado y trabajo autónomo en línea de comandos, GPT-5.5 es la herramienta a elegir.
• Para un modelo equilibrado, rentable, rápido y fiable, Gemini 3.5 Flash es una opción convincente, aunque conviene validar sus capacidades de código para tu caso de uso concreto.
• Si necesitas un especialista en razonamiento legal, finanzas o seguimiento de instrucciones a bajo precio, Grok 4.3 es una elección sorprendentemente potente.
• Si desarrollas con un presupuesto ajustado y necesitas codificación de vanguardia con licencia de código abierto, DeepSeek V4 Pro no tiene rival en valor, pero su sofisticación en el mundo real puede no igualar a la de los mejores.

Recuerda siempre que las condiciones de las pruebas varían (instrucciones, uso de herramientas, esfuerzo de razonamiento) y no son un predictor perfecto para tu aplicación específica.