Volver a la tendencia del día: El nuevo CEO de Apple dice que no lanzará IA solo por lanzar IA

Ranking Poly · de la tendencia del día

Mejor IA para agentes en 2026: top 10 según pruebas, votos y uso

DeepSeek V4.1 Flash procesó 45,5 billones de tokens en OpenRouter en la semana hasta el 30 de octubre, unas seis veces más que Claude Opus 5.5, el modelo que los votantes a ciegas ubican primero en tareas de agentes.

N.º 1: Claude Opus 5.5
10 puestos
Vigente a 1 de noviembre de 2026, 18:27 EST

01Lista final

Las IA líderes armaron cada una su propia lista de diez, de forma independiente. Aquí hay un resultado fácil de comprobar: cada puesto tiene un motivo, una fuente y la lista de IA que lo incluyeron.

Orden: de mayor a menor acuerdo entre las IA.

Una etiqueta brillante significa que esa IA puso el elemento en su lista. Una tenue, que no.

1
Claude Opus 5.5
Está primero en el tablero ciego de agentes de LMArena (20,9) y en WebDev. Su 89,9% en SWE-bench Pro lo informa el propio fabricante y no sale de un entorno común de pruebas. Es sexto en tokens de OpenRouter, con 7,31 billones.
Lo incluyeron: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek, Qwen. No lo incluyeron: Gemini, Wenxin.
En sus listas: Claude: 2 · ChatGPT: 1 · Meta: 1 · Grok: 2 · Kimi: 1 · DeepSeek: 1 · Qwen: 1
Qué señaló cada IA 7
- Claudepuesto 2
  Aparece primero en la tabla WebDev de LMArena al 17 de octubre de 2026, por lo que es la opción práctica para programar.
  Fuente ↗
- ChatGPTpuesto 1
  26,6 billones de tokens en OpenRouter en 30 días: un modelo premium con una demanda observada considerable, pese a alternativas más baratas.
  Fuente ↗
- Metapuesto 1
  89,9% en SWE-bench Pro, 8,6 puntos por encima de Sonnet 5.5, pero solo 6,91 billones de tokens en OpenRouter frente a 47,8 billones de DeepSeek; calidad de frontera a 4 $ de entrada / 20 $ de salida
- Grokpuesto 2
  Los votantes ciegos pusieron a Opus 5.5 primero en tareas de agentes, con 20,9, y una sesión larga de programación sigue costando unos 1,39 $.
  Fuente ↗
- Kimipuesto 1
  La triple corona en agentes a mitad del precio del antiguo buque insignia: 89,9% en SWE-bench Pro, n.º 1 en Arena WebDev (1.807), n.º 1 en Agent Arena (21,4% de éxito confirmado), y el primer buque insignia de Anthropic que cuesta 4 $/20 $ en lugar de 10 $/50 $.
- DeepSeekpuesto 1
  Claude Opus 5.5 encabeza la tabla agregada de SWE-bench Pro de los fabricantes con 89,9% y la prueba de agentes Hermes con 76,7%: el modelo de “hacer la tarea” más completo de octubre de 2026, a 4,19–5,98 $ por tarea exitosa.
  Fuente ↗
- Qwenpuesto 1
  89,9% en SWE-bench Pro lidera el mercado y demuestra que resuelve la mayor cantidad de incidencias reales de GitHub.
  Fuente ↗
7 IA lo pusieron aquí
Fuente ↗
2
DeepSeek V4.1 Flash
Es el modelo que los agentes realmente ejecutan: 45,5 billones de tokens semanales en OpenRouter, el modelo principal de Hermes Agent y unos $0,05 por una sesión larga de programación. Queda detrás de los líderes en las pruebas difíciles.
Lo incluyeron: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek, Qwen. No lo incluyeron: Gemini, Wenxin.
En sus listas: Claude: 5 · ChatGPT: 5 · Meta: 4 · Grok: 1 · Kimi: 7 · DeepSeek: 5 · Qwen: 5
Qué señaló cada IA 7
- Claudepuesto 5
  Seguía primero en OpenRouter, con 32,8 billones de tokens en el informe fechado el 20 de octubre de 2026, aunque su uso cayó un 20%.
- ChatGPTpuesto 5
  116 billones de tokens en 30 días, con precios de inferencia publicados desde 0,13 dólares de entrada y 0,52 de salida por millón de tokens.
  Fuente ↗
- Metapuesto 4
  47,8 billones de tokens en los últimos 7 días, el 29,4% del top 20; solo con la instantánea del 1017, el 43,6% del top 20 son modelos de DeepSeek; 0,30 $ de entrada, 1,2 $ de salida
- Grokpuesto 1
  Hermes Agent procesó 11,8 billones de tokens con DeepSeek V4.1 Flash este mes, y una sesión larga de programación con él cuesta unos 0,047 $.
  Fuente ↗
- Kimipuesto 7
  El rey de la economía de tokens: DeepSeek es el proveedor n.º 1 por cuota de tokens de agentes en vivo (39,1%), más que Anthropic y Google juntos, mientras que este modelo tiene un precio de 0,15 $/0,60 $ fuera de hora punta.
  Fuente ↗
- DeepSeekpuesto 5
  DeepSeek V4 Flash es el rey del volumen de agentes en el mundo real: 11,4 billones de tokens semanales en OpenRouter y un coste de 0,028 $ por tarea exitosa, unas 180 veces más barato que Claude Fable 5.1, aunque queda por detrás de la frontera en las pruebas difíciles de programación.
  Fuente ↗
- Qwenpuesto 5
  53,1 billones de tokens procesados en OpenRouter, lo que lo convierte en el verdadero líder de carga de trabajo para los desarrolladores que enrutan tráfico de agentes.
  Fuente ↗
7 IA lo pusieron aquí
Fuente ↗
3
Gemini 4 Argon
Está cerca de la cima de los tableros de pruebas y de votos: 99,22% en SWE-Bench Pro V2 y cerca de 1.520 puntos en el texto de LMArena. Sin embargo, solo procesa 1,09 billones de tokens a la semana, en el puesto 28.
Lo incluyeron: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek, Qwen. No lo incluyeron: Gemini, Wenxin.
En sus listas: Claude: 3 · ChatGPT: 8 · Meta: 8 · Grok: 8 · Kimi: 5 · DeepSeek: 2 · Qwen: 6
Qué señaló cada IA 7
- Claudepuesto 3
  Lidera LMArena Text con los votos de las personas, pero la puntuación de 1.524±9 es preliminar.
  Fuente ↗
- ChatGPTpuesto 8
  Una puntuación de 50,4 en el índice de inteligencia mantiene competitivo el modelo de frontera de Google, pero la capacidad general por sí sola no decide la fiabilidad de los agentes.
  Fuente ↗
- Metapuesto 8
  1.524 de Elo, n.º 2 en LMArena, a 4 puntos de Carbon. Nivel de razonamiento alto, 10 $/M de salida, precio de introducción de 2 $/10 $ hasta el 30 de noviembre
  Fuente ↗
- Grokpuesto 8
  Gemini 4 Argon está en 99,22% en la tabla pública de Pro V2, a 0,18 puntos de Opus 5, en una prueba que Scale dice que está cerca del techo.
  Fuente ↗
- Kimipuesto 5
  El favorito humano que pierde en los laboratorios: n.º 1 en texto de LMArena (1.517,2) y la tasa de alucinaciones más baja medida (4%), pero 50,4 en el Índice de Inteligencia v5: sexto entre los modelos utilizables.
  Fuente ↗
- DeepSeekpuesto 2
  Gemini 4 Argon es el favorito del público: n.º 1 en texto de LMArena con 1.517 y en varios turnos con 1.544, y lo logra a 1,80 $ por tarea exitosa, aproximadamente una cuarta parte del coste de Claude Opus 5.5.
  Fuente ↗
- Qwenpuesto 6
  99,2% en SWE-bench Pro V2 muestra que el modelo de frontera de Google se acerca a Anthropic en ingeniería de largo plazo.
  Fuente ↗
7 IA lo pusieron aquí
Fuente ↗
4
Kimi K3 (K3.1 Pro)
Kimi K3 resolvió 214 de 272 tareas privadas de SWE-Bench Pro V2, dos menos que Opus 5, y K3.1 Pro lidera una prueba independiente de Terminal-Bench 4.0 con 67,2%. Procesa menos de 2 billones de tokens a la semana.
Lo incluyeron: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek. No lo incluyeron: Gemini, Wenxin, Qwen.
En sus listas: Claude: 9 · ChatGPT: 9 · Meta: 9 · Grok: 7 · Kimi: 4 · DeepSeek: 10
Qué señaló cada IA 6
- Claudepuesto 9
  Las fuentes lo señalan como la opción de pesos abiertos más sólida para trabajar con agentes en 2026. No pude confirmar una puntuación.
  Fuente ↗
- ChatGPTpuesto 9
  Una valoración de preferencia humana de 1.529 en una arena centrada en TI pone a Kimi cerca del 1.540 de Claude Fable 5, pese a un perfil de mercado muy distinto.
  Fuente ↗
- Metapuesto 9
  Los mejores pesos abiertos, en el puesto 18 de LMArena con 1.488; K3.1 Pro a 3 $/15 $, 1,97 billones de tokens; n.º 1 en Arena full-stack con 1.664, según la opción económica de Turiloop
  Fuente ↗
- Grokpuesto 7
  En el recuento privado de SWE-Bench Pro V2, Kimi K3 resolvió 214 de 272 tareas, dos menos que Opus 5.
  Fuente ↗
- Kimipuesto 4
  La sorpresa de los pesos abiertos que vence a los gigantes en su propia prueba de agentes: lidera la prueba independiente Terminal-Bench 4.0 (67,2%, 23 de octubre), por delante de todos los modelos cerrados excepto Gemini 4 Carbon, con acceso restringido en ciberseguridad, y cuesta 2 $/10 $.
  Fuente ↗
- DeepSeekpuesto 10
  Kimi K3 está hecho para orquestar: escala a 300 subagentes y 4.000 pasos de coordinación, lo que lo convierte en una opción especializada cuando el trabajo del agente es gestionar otros agentes en vez de escribir cada línea.
  Fuente ↗
6 IA lo pusieron aquí
Fuente ↗
5
Claude Sonnet 5.5
Superó a Opus 5.5 en la prueba de reserva de vuelos de OpenRouter, 78,7% frente a 75,5%, con la mitad del precio. Obtiene 81,3% en el tablero de SWE-bench Pro informado por el fabricante.
Lo incluyeron: Meta, Grok, Kimi, DeepSeek, Qwen. No lo incluyeron: Claude, ChatGPT, Gemini, Wenxin.
En sus listas: Meta: 2 · Grok: 9 · Kimi: 2 · DeepSeek: 6 · Qwen: 2
Qué señaló cada IA 5
- Metapuesto 2
  81,3% en SWE-bench Pro, 8,6 puntos por detrás de Opus 5.5 a mitad de precio: 2 $/10 $, 2,61 billones de tokens, el mejor equilibrio para agentes del día a día
- Grokpuesto 9
  En la prueba propia de OpenRouter sobre un agente de reserva de vuelos, Sonnet 5.5 obtuvo 78,7%, por encima del 75,5% de Opus 5.5, a la mitad del precio en tokens.
  Fuente ↗
- Kimipuesto 2
  El modelo con el que los desarrolladores gastan más tokens: lidera Terminal-Bench 4.0 (70,6%) y LiveBench Coding (91,4) a la mitad del precio de Opus, la mayor puntuación de agentes por dólar en la categoría de frontera.
  Fuente ↗
- DeepSeekpuesto 6
  Claude Sonnet 5.5 da el 81,3% de la puntuación de Claude Opus 5.5 en SWE-bench Pro con cerca del 84% de su coste por tarea: la mejor relación calidad-precio dentro de la familia Claude para bucles de agentes en producción.
  Fuente ↗
- Qwenpuesto 2
  El mejor modelo general para Hermes Agent, que sube a 70,6% en Terminal-Bench 4.0 en tareas largas.
5 IA lo pusieron aquí
Fuente ↗
6
GLM 5.3 (y GLM 5.3 Flash)
GLM 5.3 Flash es segundo en tokens semanales de OpenRouter, con 16,1 billones. El GLM-5.3 completo resolvió 211 de 272 tareas privadas de SWE-Bench Pro V2, a $0,36 por sesión larga.
Lo incluyeron: Claude, ChatGPT, Meta, Grok, Kimi. No lo incluyeron: Gemini, DeepSeek, Wenxin, Qwen.
En sus listas: Claude: 8 · ChatGPT: 6 · Meta: 6 · Grok: 3 · Kimi: 9
Qué señaló cada IA 5
- Claudepuesto 8
  Se mantuvo estable en 12,2 billones de tokens en OpenRouter mientras DeepSeek caía, y es el modelo de gama barata que eligen los creadores de agentes.
- ChatGPTpuesto 6
  55,3 billones de tokens mensuales ponen al nivel económico Flash de GLM por delante de muchos modelos de frontera más célebres en volumen de API observado.
  Fuente ↗
- Metapuesto 6
  15,7 billones de tokens, n.º 2 en OpenRouter; 0,5 $/M de salida; el auge de los modelos de pesos abiertos, del 27% al 72% de los 50 principales tokens en el último año
- Grokpuesto 3
  La edición Flash quedó segunda en el tráfico de la semana con 16,1 billones de tokens, mientras que el GLM-5.3 completo resolvió 211 de las 272 tareas privadas de SWE-Bench Pro V2.
  Fuente ↗
- Kimipuesto 9
  El caballo de batalla que puedes alojar tú mismo: 95,4% en el tablero archivado de SWE-bench Verified, por encima de Kimi K3 (93,4%), con una licencia MIT sencilla, a 1,19 $/6 $ alojado en la nube.
5 IA lo pusieron aquí
Fuente ↗
7
Claude Fable 5.1
Lidera LiveBench en general con 88,0 y obtiene 81,2% en el tablero de SWE-bench Pro informado por el fabricante. También es el más caro por tarea de esta lista: $5,10 en LiveBench y $7,63 con el máximo esfuerzo.
Lo incluyeron: ChatGPT, Meta, DeepSeek, Qwen. No lo incluyeron: Claude, Grok, Gemini, Kimi, Wenxin.
En sus listas: ChatGPT: 3 · Meta: 7 · DeepSeek: 3 · Qwen: 4
Qué señaló cada IA 4
- ChatGPTpuesto 3
  Resuelve el 64,5% en SWE-rebench a 4,40 dólares por problema: un buen resultado de finalización, con un sobrecosto considerable.
- Metapuesto 7
  81,2% en SWE-bench Pro, solo 0,1 punto por detrás de Sonnet 5.5; 95,0% en SWE-bench Verified, n.º 1, pero 7,63 $ por tarea frente a los 3,26 $ de Astra
- DeepSeekpuesto 3
  Claude Fable 5.1 es el líder general de LiveBench con 88,0 y obtiene un 100 perfecto en uso del navegador: el mejor modelo de “uso del ordenador”, pero con 5,10 $ por tarea exitosa es el más caro de este grupo de cabeza.
- Qwenpuesto 4
  Llega al 81,2% en SWE-bench Pro, muy cerca de Sonnet 5.5, pero con un coste menor por tarea completada.
  Fuente ↗
4 IA lo pusieron aquí
Fuente ↗
8
GPT-6 Astra
Está primero en el Frontend Code Arena (1.793) y obtiene 82,4 en las tareas de agentes de LiveBench. Pero cuesta $10/$50, y OpenAI tiene solo el 7,8% de los tokens en uso en vivo rastreados.
Lo incluyeron: ChatGPT, Kimi, DeepSeek. No lo incluyeron: Claude, Meta, Grok, Gemini, Wenxin, Qwen.
En sus listas: ChatGPT: 4 · Kimi: 3 · DeepSeek: 4
Qué señaló cada IA 3
- ChatGPTpuesto 4
  Su resultado de 56,9 en el índice de inteligencia supera el 54,5 de GPT-6.1 Sol, pero una puntuación general más alta no demuestra que ejecutar agentes sea más barato.
  Fuente ↗
- Kimipuesto 3
  El favorito de los votos humanos y villano de la factura de tokens: n.º 1 en Frontend Code Arena (1.793) y n.º 2 en WebDev (1.774), pero a 10 $/50 $ cuesta 2,5 veces el precio de Opus 5.5, y la cuota de OpenAI en los tokens de agentes en vivo es de solo 7,8%.
- DeepSeekpuesto 4
  GPT-6 Astra es el agente de frontera equilibrado: 86,1 en LiveBench general, 82,4 en tareas de agentes y 3,81 $ por tarea exitosa; supera a Gemini 4 Argon en tareas de agentes y es más barato que Claude Fable 5.1.
3 IA lo pusieron aquí
Fuente ↗
9
Muse Spark 1.1 (Meta)
Encabeza el tablero estandarizado de SWE-bench Pro de Scale, con 61,5% ± 3,1, la puntuación de un entorno común de pruebas. Ningún modelo de Muse aparece en el top diez de tokens semanales.
Lo incluyeron: Meta, Grok, DeepSeek. No lo incluyeron: Claude, ChatGPT, Gemini, Kimi, Wenxin, Qwen.
En sus listas: Meta: 10 · Grok: 10 · DeepSeek: 7
Qué señaló cada IA 3
- Metapuesto 10
  61,5% ±3,1 en la tabla pública oficial de Scale AI: la puntuación estandarizada más alta; 0,2 $/M de tokens, el más barato del top 20, nivel Contributor
  Fuente ↗
- Grokpuesto 10
  Muse Spark 1.1 lidera la tabla privada anterior de SWE-Bench Pro de Scale AI con 61,5%, y no aparece en el top diez de tokens de la semana.
  Fuente ↗
- DeepSeekpuesto 7
  Muse Spark 1.1 tiene la única puntuación máxima estandarizada en SWE-bench Pro: 61,5% en el conjunto público de Scale AI, pero su 51,5% en el conjunto comercial muestra cuánto pueden cambiar el resultado los entornos de prueba y las divisiones de datos.
3 IA lo pusieron aquí
Fuente ↗
10
GPT-6 Luna
Tiene la sesión larga de programación más barata de la comparación de OpenRouter, $0,024, y es cuarto en tokens semanales con 10,9 billones, un 62% más. No se ha publicado ninguna fila de SWE-bench Pro.
Lo incluyeron: Meta, Grok. No lo incluyeron: Claude, ChatGPT, Gemini, Kimi, DeepSeek, Wenxin, Qwen.
En sus listas: Meta: 5 · Grok: 4
Qué señaló cada IA 2
- Metapuesto 5
  10,3 billones de tokens, n.º 4 en OpenRouter: el modelo de frontera más barato, a 0,5 $/M de salida; 0,07 $ por tarea agéntica en OSWorld frente a 14,19 $ de Fable 5.1
  Fuente ↗
- Grokpuesto 4
  Una sesión larga de programación con GPT-6 Luna cuesta unos 0,024 $, la opción más barata en la comparación de OpenRouter, con 10,9 billones de tokens en una semana.
  Fuente ↗
2 IA lo pusieron aquí
Fuente ↗

Más sobre los tres primeros ↓

02Más sobre los tres primeros

El ranking está arriba. Aquí tiene más sobre los tres primeros puestos: qué son, por qué están aquí y qué vale la pena saber.

Las posiciones se ordenan según una mezcla de pruebas, votaciones y uso. Las cifras provienen de distintas tablas, y algunas las informa el propio fabricante, así que no son directamente comparables.

1Claude Opus 5.5

N.º 1 — Claude Opus 5.5. En las listas de 7 de 9 IA; puesto mediano allí: 1. Los votantes a ciegas lo ponen primero en tareas de agentes, y encabeza las tablas de programación, aunque por él pasan muchos menos tokens que por DeepSeek.

¿Sabía que…?

Con Opus 5.5 no se puede desactivar el pensamiento extendido. Además, la mayoría de las tareas de ciberseguridad se envían a un modelo anterior, Opus 4.8, salvo que el usuario esté en el Cyber Verification Program de Anthropic.
Fuente ↗

Qué es: El modelo principal de Anthropic, con un precio de $4 por millón de tokens de entrada y $20 por millón de tokens de salida.
Su ventaja: Queda primero entre los votantes a ciegas en tareas de agentes, por delante de los otros dos.
Para quién: Conviene a equipos que quieren la mejor calidad en agentes; no a quienes tienen presupuesto ajustado.

Tokens por semana en OpenRouter7,31 billones de tokens a la semana

Por qué está aquí

La ficha del modelo detrás de esta clasificación da a Claude Opus 5.5 un 89,9% en SWE-bench Pro, la prueba de programación. Es una cifra informada por el propio fabricante, no obtenida en una configuración de pruebas compartida.
Fuente ↗
En Terminal-Bench 4.0, una prueba de trabajo en la línea de comandos, Claude Opus 5.5 obtuvo 66,4%. Gemini 4 Argon, el modelo en tercer lugar, obtuvo 57,4%. Así, la primera opción supera a la tercera en tareas difíciles de agentes.
Fuente ↗

¿Sabía que…?

Anthropic afirma que Opus 5.5 cuesta alrededor de 40% menos de ejecutar que Opus 5 con la configuración predeterminada. El modelo mejor valorado se abarató, no se encareció. Salió el 22 de septiembre de 2026.
Fuente ↗

A tener en cuenta

Se advierte que el modo de esfuerzo Max consume «6x o más» del uso. Usuarios de Reddit reportan 4x, 5,5x y 6x, y uno dice que Max tiende a pensar de más. Algunos usuarios también esperan que el modelo empeore poco después del lanzamiento.
Fuente ↗
Un usuario dijo que Opus 5.5 tomó decisiones de arquitectura cuestionables en una tarea de funciones. Otro informe dice que Fable 5.1 todavía gana algunas pruebas de programación comparadas lado a lado.
Fuente ↗

Dónde seguir

Lea el anuncio oficial de Anthropic sobre Claude Opus 5.5. Empiece por la sección de pruebas comparativas y luego por la nota que dice que la diferencia con Fable 5.1 es menor en el uso real de lo que sugieren las cifras.
Fuente ↗

Comparar los tres primeros ↓

2DeepSeek V4.1 Flash

N.º 2 — DeepSeek V4.1 Flash. En las listas de 7 de 9 IA; puesto mediano allí: 5. Es el modelo que de verdad usan los agentes: con mucho, la mayor cantidad de tokens, a un costo mínimo por sesión, aunque va detrás en las pruebas difíciles.

¿Sabía que…?

Este modelo «Flash», barato, puede leer imágenes además de texto. OpenRouter indica una ventana de contexto de 1.048.576 tokens y de hasta 384.000 tokens de salida en una sola respuesta.
Fuente ↗

Qué es: El modelo «Flash» de DeepSeek, barato y rápido, que trabaja con imágenes y texto.
Su ventaja: Maneja mucho más tráfico real de agentes que los otros dos, a un costo mucho menor.
Para quién: Conviene a agentes de gran volumen y bajo presupuesto; no a tareas que exigen la máxima precisión en las pruebas más difíciles.

Tokens por semana en OpenRouter45,5 billones de tokens a la semana

Por qué está aquí

En cuanto a costo, el mismo registro sitúa una sesión de programación promedio en $0,0477, por unos 4,4 millones de tokens. El precio de lista es de $0,04 por millón de tokens de entrada, y por eso los agentes lo eligen.
Fuente ↗

Historia

DeepSeek había cuadruplicado sus precios en agosto de 2026 y luego dio marcha atrás. El 10 de septiembre lanzó V4.1 Flash y recortó precios: Bloomberg Intelligence calcula una baja de hasta 32%. Desde el 14 de septiembre, cada solicitud a V4-Pro se dirigió a Flash.
Fuente ↗

A tener en cuenta

Las mejoras reportadas en agentes provienen de cifras de DeepSeek, obtenidas con su propio entorno de pruebas. El revisor dice que todavía hacen falta pruebas independientes. Las herramientas y el soporte de la empresa también van por detrás de los grandes laboratorios.
Fuente ↗
El precio está en disputa. La página indica un multiplicador de 2x en hora pico. Un usuario de Reddit dijo que cambiar 10 líneas le consumió el 28% de su cuota, aunque esa publicación no está verificada.
Fuente ↗

Dónde seguir

Abra la página del modelo en OpenRouter y revise el precio por millón de tokens. Luego compárelo con una tarea de programación larga propia, porque los usos baratos son la razón por la que los agentes usan este modelo.
Fuente ↗

Grok lo pusieron primero. Qué vieron en él

Grok: Hermes Agent procesó 11,8 billones de tokens con DeepSeek V4.1 Flash este mes, y una sesión larga de programación con él cuesta unos 0,047 $.

Comparar los tres primeros ↓

3Gemini 4 Argon

N.º 3 — Gemini 4 Argon. En las listas de 7 de 9 IA; puesto mediano allí: 6. Obtiene puntajes cercanos a la cima en pruebas y votaciones humanas, pero todavía pocas personas lo usan, lo que frena su posición.

¿Sabía que…?

Gemini 4 Argon tiene un precio de lanzamiento por tiempo limitado que termina el 30 de noviembre. Después de esa fecha podría costar más, lo que podría cambiar cuántos desarrolladores lo prueban.
Fuente ↗

Qué es: El modelo de Google orientado a agentes, con una ventana de contexto de hasta 1 millón de tokens.
Su ventaja: Tiene las mejores calificaciones de votación humana y de pruebas de los tres, pero es el de menor uso real.
Para quién: Conviene a quienes quieren un agente basado en Google; no a quien necesite acceso abierto hoy.

Tokens por semana en OpenRouter1,09 billones de tokens a la semana

Por qué está aquí

En DeepSWE v1.1, una prueba de corrección de software, Gemini 4 Argon obtuvo 77,9%. Claude Opus 5.5 obtuvo 74,2%. Así, Argon supera al primer lugar en esta prueba, lo que ayuda a explicar su buena posición.
Fuente ↗
En la prueba de programación FrontierSWE v2, Gemini 4 Argon obtuvo 54,96 y quedó en el sexto lugar de 23 modelos. Es un buen resultado, pero no es el primero.
Fuente ↗

¿Sabía que…?

La propia página para desarrolladores de Google dice que Argon está diseñado para agentes autónomos de varios pasos y que puede manejar hasta 1 millón de tokens de contexto. Es, más o menos, varios libros largos a la vez.
Fuente ↗

Historia

Google había prometido Gemini 3.5 Pro para junio de 2026, y después lo abandonó tras meses de retrasos. Varios líderes del equipo de Gemini se fueron en el camino. Argon se anunció el 30 de septiembre de 2026, y el artículo dice que los retrasos dejaron a Google detrás de Anthropic y OpenAI.
Fuente ↗

A tener en cuenta

No está abierto para todos. Las llamadas a la API del revisor el 1 de octubre devolvieron error 404, y el acceso se dio a través del Fairwind Program de Google, para defensores de ciberseguridad verificados. Otras fuentes dicen que luego se abrió, así que los informes se contradicen.
Fuente ↗

Dónde seguir

Lea la página de la API de Gemini para este modelo. Luego pruebe una tarea de programación de varios pasos con el nivel de razonamiento en alto. La página enlaza a Google AI Studio, donde puede ejecutarlo.
Fuente ↗

Comparar los tres primeros ↓

Los tres primeros, lado a lado

	Claude Opus 5.5	DeepSeek V4.1 Flash	Gemini 4 Argon
En las listas de las IA	7 / 9	7 / 9	7 / 9
Tokens por semana en OpenRouter	7,31 billones de tokens a la semana	45,5 billones de tokens a la semana	1,09 billones de tokens a la semana
Primero para	ChatGPT, Meta, Kimi, DeepSeek, Qwen	Grok	—

Los puestos con el mismo número de IA se ordenan por su puesto medio en las listas de las IA.

03Vale la pena saber

Lo que notaron las IA al armar la lista.

Las apps de agentes no usan el modelo que gana las votaciones. El modelo principal de Hermes Agent este mes es DeepSeek V4.1 Flash, con 11,8 billones de tokens, mientras que Opus 5.5, primero en la votación de agentes, es sexto en tokens semanales.

Lo notaron:

Lo incluyeron: Claude, Meta, Grok, Kimi, DeepSeek. No lo incluyeron: ChatGPT, Gemini, Wenxin, Qwen.

01Lista final

Claude Opus 5.5

DeepSeek V4.1 Flash

Gemini 4 Argon

Kimi K3 (K3.1 Pro)

Claude Sonnet 5.5

GLM 5.3 (y GLM 5.3 Flash)

Claude Fable 5.1

GPT-6 Astra

Muse Spark 1.1 (Meta)

GPT-6 Luna

02Más sobre los tres primeros

1Claude Opus 5.5

¿Sabía que…?

2DeepSeek V4.1 Flash

¿Sabía que…?

3Gemini 4 Argon

¿Sabía que…?

Los tres primeros, lado a lado

Más rankings

03Vale la pena saber

04Lo que la gente pregunta

05Cómo lo calculamos

1La pregunta

2Por qué este tema

3Dónde aplica

4Qué miramos

5Quién clasificó

6Cómo se fijaron los puestos

06La lista de cada IA

Lo que notó Claude

Lo que notó ChatGPT

Lo que notó Meta

Lo que notó Grok

Lo que notó Gemini

Lo que notó Kimi

Lo que notó DeepSeek

Lo que notó Wenxin

Lo que notó Qwen