Volver a la tendencia del día: El asistente de IA de Meta que hace tareas por usted ya está en su reloj

Ranking Poly · de la tendencia del día

Mejor benchmark de agentes de IA 2026: los 10 mejores agentes por dólar

En las repeticiones independientes de GAIA de la Universidad de Princeton, Claude Opus 4.1 High gastó $562 para obtener 68,48%, mientras que Claude Sonnet 4.5 obtuvo 74,55% con $178.

N.º 1: Claude Sonnet 4.5 (HAL Generalist Agent)
10 puestos
Vigente a 11 de noviembre de 2026, 21:07 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 Sonnet 4.5 (HAL Generalist Agent)
La puntuación verificada de GAIA más alta (74,55%) y la más alta en el nivel 3 (65,39%), con $178,20 por ejecución. HAL lo marca como óptimo de Pareto. Opus 4.1 High cuesta 3 veces más y puntúa menos.
Lo incluyeron: Claude, ChatGPT, Kimi. No lo incluyeron: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
En sus listas: Claude: 1 · ChatGPT: 1 · Kimi: 1
Qué señaló cada IA 3
- Claudepuesto 1
  La única ejecución que supera el 74% en total y el 65% en el nivel 3, a unos $1,45 por pregunta resuelta. HAL la marca como óptima de Pareto.
- ChatGPTpuesto 1
  Resolvió casi tres cuartas partes del conjunto de validación por $178,20 en toda la ejecución, y encabeza esta lista en el nivel 3 con 65,39%.
  Fuente ↗
- Kimipuesto 1
  La mejor precisión verificada del tablero (74,55%) y, a la vez, la mejor puntuación en el nivel más difícil (65,4%), por cerca de un dólar por tarea.
  Fuente ↗
3 IA lo pusieron aquí
Fuente ↗
2
Claude 3.7 Sonnet High (HAL Generalist Agent)
Un modelo de febrero de 2025 que obtiene 64,24% en general y 57,69% en el nivel 3, por $122,49. Supera al más reciente Opus 4.1 High en el nivel 3 con cerca de una quinta parte del costo.
Lo incluyeron: Claude, ChatGPT, Kimi. No lo incluyeron: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
En sus listas: Claude: 4 · ChatGPT: 2 · Kimi: 2
Qué señaló cada IA 3
- Claudepuesto 4
  Un modelo de febrero de 2025 todavía logra 57,69% en el nivel 3, por delante del 46% de GPT-5 Medium, a unos $1,16 por pregunta resuelta.
  Fuente ↗
- ChatGPTpuesto 2
  Queda 10,31 puntos por detrás del líder general, pero cuesta unos 31% menos por respuesta correcta estimada y logra 57,69% en el nivel 3.
  Fuente ↗
- Kimipuesto 2
  Un modelo de febrero de 2025 que supera al más nuevo Opus 4.1 High en el nivel más difícil (57,7% frente a 53,8%) por una quinta parte del costo.
  Fuente ↗
3 IA lo pusieron aquí
Fuente ↗
3
OpenAI o4-mini Low (HAL Generalist Agent)
Óptimo de Pareto con $73,26 por ejecución. Empata con la ejecución de Opus 4.1 High de $562 en el nivel 3 (53,85%), pero está 16 puntos por detrás del líder en general.
Lo incluyeron: Claude, ChatGPT, Kimi. No lo incluyeron: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
En sus listas: Claude: 2 · ChatGPT: 4 · Kimi: 3
Qué señaló cada IA 3
- Claudepuesto 2
  Llega al 58% en total y al 53,85% en el nivel más difícil, a unos $0,76 por pregunta resuelta: la mejor combinación de precio y fuerza en el nivel 3 de la tabla de HAL.
  Fuente ↗
- ChatGPTpuesto 4
  La respuesta exitosa estimada más barata entre estas diez es de unos $0,76, aunque su puntuación general está 16,37 puntos por debajo del líder.
  Fuente ↗
- Kimipuesto 3
  Empata con una ejecución de Claude Opus 4.1 High de $562 en el nivel más difícil (exactamente 53,85%), mientras que toda la ejecución cuesta $73,26.
  Fuente ↗
3 IA lo pusieron aquí
Fuente ↗
4
Claude Sonnet 4.5 High, pensamiento extendido (HAL Generalist Agent)
El pensamiento extendido cuesta más o menos lo mismo que Sonnet 4.5 estándar ($179,86 frente a $178,20). Puntúa 3,64 puntos menos en general y baja el nivel 3 de 65,39% a 46,15%.
Lo incluyeron: Claude, ChatGPT, Kimi. No lo incluyeron: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
En sus listas: Claude: 7 · ChatGPT: 6 · Kimi: 9
Qué señaló cada IA 3
- Claudepuesto 7
  El pensamiento extendido costó casi lo mismo ($179,86 frente a $178,20), pero bajó la precisión 3,6 puntos, y el nivel 3 cayó del 65% al 46%.
  Fuente ↗
- ChatGPTpuesto 6
  El esfuerzo alto cuesta solo un poco más que la ejecución estándar de Sonnet, pero puntúa 3,64 puntos menos en general y 18,08 menos en el nivel 3.
  Fuente ↗
- Kimipuesto 9
  Pagar por más razonamiento pierde terreno: 4 puntos menos en general y 19 menos en el nivel más difícil que el mismo modelo con esfuerzo estándar, al mismo precio.
  Fuente ↗
3 IA lo pusieron aquí
Fuente ↗
5
Claude Haiku 4.5 (HAL Generalist Agent)
El modelo pequeño obtiene 61,54% en el nivel 3, el segundo mejor de la tabla, y supera su propio 51,16% en el nivel 2. Eso equivale a unos $1,41 por pregunta resuelta (estimación).
Lo incluyeron: Claude, ChatGPT, Kimi. No lo incluyeron: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
En sus listas: Claude: 5 · ChatGPT: 3 · Kimi: 5
Qué señaló cada IA 3
- Claudepuesto 5
  El modelo Claude barato obtiene 61,54% en el nivel 3, lo que supera su propio resultado en el nivel 2, de 51,16%.
  Fuente ↗
- ChatGPTpuesto 3
  Su 61,54% en el nivel 3 es el segundo más alto de esta lista, con un costo estimado de $1,41 por respuesta correcta.
  Fuente ↗
- Kimipuesto 5
  El modelo pequeño de la familia logra la segunda mejor puntuación en el nivel más difícil de toda la tabla: 61,5% en el nivel 3.
  Fuente ↗
3 IA lo pusieron aquí
Fuente ↗
6
GPT-5 Medium (HF Open Deep Research)
Puntúa 3,41 puntos por encima del mismo modelo en el agente Generalist de HAL, pero cuesta unas 3,4 veces más ($359,83). La configuración del agente cambia el precio más que el propio modelo.
Lo incluyeron: Claude, ChatGPT, Kimi. No lo incluyeron: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
En sus listas: Claude: 10 · ChatGPT: 9 · Kimi: 7
Qué señaló cada IA 3
- Claudepuesto 10
  Logra 62,8%, lo que lo sitúa en el puesto 7 de la tabla de HAL, pero con $359,83 cuesta unas 3,4 veces más que el mismo modelo dentro del agente generalista de HAL.
  Fuente ↗
- ChatGPTpuesto 9
  Supera a la ejecución de GPT-5 Medium del agente generalista de HAL por 3,41 puntos de precisión, pero el costo informado es unas 3,4 veces mayor.
  Fuente ↗
- Kimipuesto 7
  En el índice v5, más reciente y casi privado, queda 3 puntos por detrás del líder de $10,04, a $1,27 por tarea: una octava parte del precio.
  Fuente ↗
3 IA lo pusieron aquí
Fuente ↗
7
GPT-5 Medium (HAL Generalist Agent)
59,39% por $104,75, unos $1,07 por pregunta resuelta (estimación). El mismo modelo dentro de HF Open Deep Research cuesta $359,83.
Lo incluyeron: Claude, Kimi. No lo incluyeron: ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
En sus listas: Claude: 3 · Kimi: 4
Qué señaló cada IA 2
- Claudepuesto 3
  Cuesta unos $1,07 por pregunta resuelta, mientras que el mismo modelo dentro de HF Open Deep Research cuesta unos $3,47. La estructura de soporte del agente cambia más el precio que el modelo.
  Fuente ↗
- Kimipuesto 4
  La ruta verificada más barata por encima de 59%: $104,75 por la ejecución completa, unos $0,63 por tarea.
  Fuente ↗
2 IA lo pusieron aquí
Fuente ↗
8
OpenAI o4-mini High (HAL Generalist Agent)
Óptimo de Pareto con $59,39 y el más barato por pregunta resuelta entre las ejecuciones fuertes, unos $0,66 (estimación). Su puntuación de 46,15% en el nivel 3 lo deja por debajo de o4-mini Low.
Lo incluyeron: Claude, Kimi. No lo incluyeron: ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
En sus listas: Claude: 6 · Kimi: 6
Qué señaló cada IA 2
- Claudepuesto 6
  Es el más barato por pregunta resuelta, a unos $0,66, pero su 46% en el nivel 3 es la razón principal de que quede por debajo de o4-mini Low.
  Fuente ↗
- Kimipuesto 6
  $59,39 compran toda la ejecución de 165 tareas: la entrada óptima de Pareto más barata que aún supera 54%.
  Fuente ↗
2 IA lo pusieron aquí
Fuente ↗
9
Claude Opus 4.1 High (HAL Generalist Agent)
$562,24 por 68,48%, unos $4,97 por pregunta resuelta (estimación). Eso es unas 3,4 veces el costo por pregunta resuelta de Sonnet 4.5, y su precisión es menor.
Lo incluyeron: Claude, ChatGPT. No lo incluyeron: Meta, Grok, Gemini, Nova, Kimi, Wenxin, DeepSeek.
En sus listas: Claude: 9 · ChatGPT: 7
Qué señaló cada IA 2
- Claudepuesto 9
  Logra 68,5%, pero cuesta $562, unos $5 por pregunta resuelta, aproximadamente 3,4 veces el costo por pregunta resuelta de Sonnet 4.5, con menor precisión.
  Fuente ↗
- ChatGPTpuesto 7
  Está 5,06 puntos de precisión por debajo de Sonnet 4.5 y cuesta más de tres veces más en la ejecución completa.
  Fuente ↗
2 IA lo pusieron aquí
Fuente ↗
10
Gemini 2.0 Flash (HAL Generalist Agent)
Una ejecución completa de GAIA por $7,80, óptimo de Pareto y unas 23 veces más barata que el líder. Se derrumba en las tareas difíciles: 11,54% en el nivel 3. Solo una IA lo incluyó en su lista.
Lo incluyeron: Kimi. No lo incluyeron: Claude, ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
En sus listas: Kimi: 10
Qué señaló cada IA 1
- Kimipuesto 10
  Una ejecución completa de GAIA por $7,80: 1/23 del costo del líder, conservando 44% de su precisión.
  Fuente ↗
1 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.

Los tres datos salen de una misma tabla GAIA de la Universidad de Princeton, pero difieren en el costo por ejecución y en qué tan bien se desempeñan en el nivel más difícil. Por eso la puntuación general y el precio tiran en direcciones distintas.

1Claude Sonnet 4.5 (HAL Generalist Agent)

N.º 1 — Claude Sonnet 4.5 (HAL Generalist Agent). En las listas de 3 de 9 IA; puesto mediano allí: 1. Tiene la mejor puntuación verificada en GAIA y la mejor en el nivel más difícil, y cuesta bastante menos que Opus 4.1 High.

¿Sabía que…?

En el tablero GAIA de HAL, Claude Sonnet 4.5 sin el ajuste de pensamiento extendido (74,55%) supera a su versión "High" (70,91%). Aquí, pensar más no significó una mejor puntuación. Opus 4.1 High quedó tercero con 68,48%.
Fuente ↗

Qué es: Claude Sonnet 4.5 de Anthropic, ejecutado como agente general en la prueba GAIA de la Universidad de Princeton.
Su ventaja: La puntuación general más alta (74,55%) y la más alta en el Nivel 3 (65,39%) de los tres.
Para quién: Sirve a quien quiere la puntuación más alta; no es la ejecución más barata, con $178,20.

Precisión GAIA por dólar74,55% por $178,20

Wikidata

Por qué está aquí

Obtuvo 74,55% en general, la puntuación más alta del tablero GAIA de HAL. — (voice only)
Fuente ↗
Su puntuación en el Nivel 3 fue 65,39%, por encima del 57,69% de Claude 3.7 Sonnet High y del 53,85% de o4-mini Low. — (voice only)
Fuente ↗

Historia

En 2025, el lanzamiento de Sonnet 4.5 marcó un salto fuerte en el uso de computadoras: Anthropic reportó 61,4% en OSWorld, frente al 42,2% de Sonnet 4 cuatro meses antes. El lanzamiento también presentó un kit para crear agentes basado en Claude Code. — (voice only)
Fuente ↗

A tener en cuenta

Los $178,20 son el costo de una sola ejecución, y HAL dice que sus costos no tienen en cuenta el caché y están sobrestimados, así que los precios reales podrían ser más bajos. Solo aparece una ejecución, sobre 165 preguntas públicas.
Fuente ↗
Otro usuario de Cursor dijo que el modelo deja código con errores y da respuestas incorrectas en algunas tareas. Es la opinión de una sola persona, pero recuerda que una puntuación máxima no garantiza que todo salga bien.
Fuente ↗

Qué dice la gente

"This is very expensive model. It can end your cursor pro subscription in a couple of days." — Digital-Coder
Fuente ↗

Vídeo: Claude Haiku vs Sonnet vs Opus vs Fable Clearly Explained (& use cases) (en inglés) · Eliot Prince

Comparar los tres primeros ↓

2Claude 3.7 Sonnet High (HAL Generalist Agent)

N.º 2 — Claude 3.7 Sonnet High (HAL Generalist Agent). En las listas de 3 de 9 IA; puesto mediano allí: 2. Este modelo anterior supera en el nivel más difícil a Opus 4.1 High, mucho más caro, por cerca de una quinta parte del costo.

¿Sabía que…?

En febrero de 2025, Claude 3.7 Sonnet jugando Pokémon Red empezó a transmitirse en vivo por Twitch y reunió a miles de espectadores. El modelo que destaca en esta prueba de agentes también jugó un videojuego en público.
Fuente ↗

Qué es: Claude 3.7 Sonnet, modelo de febrero de 2025, ejecutado como agente general.
Su ventaja: Cuesta menos que el líder ($122,49) y puntúa mejor que o4-mini en el Nivel 3.
Para quién: Sirve a quien busca un punto medio entre precio y capacidad para tareas difíciles.

Precisión GAIA por dólar64,24% por $122,49

Por qué está aquí

Obtuvo 64,24% en general por $122,49, frente a 68,48% de Opus 4.1 High por $562,24. — (voice only)
Fuente ↗
Su puntuación en el Nivel 3 fue 57,69%, más alta que el 53,85% de Opus 4.1 High, y costó menos de una cuarta parte: $122,49 contra $562,24. — (voice only)
Fuente ↗

Historia

En 2025, Anthropic presentó Claude 3.7 Sonnet junto con Claude Code, una vista previa temprana que permitía a los desarrolladores pasar tareas de programación a Claude desde una terminal. El lanzamiento del modelo también introdujo un pensamiento extendido y visible, paso a paso. — Anthropic
Fuente ↗

Dónde seguir

Abra el tablero GAIA y busque la fila de Claude 3.7 Sonnet High en HAL Generalist Agent. Mire primero la columna del Nivel 3 y luego compare su costo con la fila de Opus 4.1 High.
Fuente ↗

Comparar los tres primeros ↓

3OpenAI o4-mini Low (HAL Generalist Agent)

N.º 3 — OpenAI o4-mini Low (HAL Generalist Agent). En las listas de 3 de 9 IA; puesto mediano allí: 3. Es la ejecución más barata y empata con Opus 4.1 High en el nivel más difícil, aunque queda detrás del líder en general.

¿Sabía que…?

Sam Altman, de OpenAI, primero planeó integrar o4-mini en GPT-5 en lugar de lanzarlo como modelo propio. Salió el 16 de abril de 2025, y los usuarios gratuitos lo recibieron el 24 de abril.
Fuente ↗

Qué es: o4-mini de OpenAI, ejecutado con su ajuste Low como agente general.
Su ventaja: El costo más bajo de los tres ($73,26) y empata con Opus 4.1 High en el Nivel 3.
Para quién: Sirve a quien cuida el presupuesto; no a quien necesita la puntuación general más alta.

Precisión GAIA por dólar58,18% por $73,26

Por qué está aquí

HAL lo marca como óptimo de Pareto, es decir, el mejor equilibrio entre resultado y costo: obtuvo 58,18% en general por $73,26, el costo más bajo de estos tres. — (voice only)
Fuente ↗
Su puntuación en el Nivel 3 fue 53,85%, igual que la de Opus 4.1 High, que costó $562,24; o4-mini Low costó $73,26. — (voice only)
Fuente ↗

¿Sabía que…?

o4-mini podía trabajar con imágenes además de texto. El ejemplo del artículo es analizar bocetos en una pizarra durante su fase de "cadena de pensamiento", el razonamiento paso a paso que hace antes de responder.
Fuente ↗

A tener en cuenta

En la prueba PersonQA de OpenAI, o4-mini inventó cosas el 48% de las veces. Esa prueba trata de datos sobre personas, no de las tareas de agente de GAIA, pero es un motivo para verificar sus respuestas.
Fuente ↗

Dónde seguir

En el mismo tablero GAIA, busque la fila de o4-mini Low en HAL Generalist Agent, marcada como óptimo de Pareto. Compare su costo y su puntuación del Nivel 3 con la fila de Opus 4.1 High para ver el equilibrio entre ambos.
Fuente ↗

Comparar los tres primeros ↓

Los tres primeros, lado a lado

	Claude Sonnet 4.5 (HAL Generalist Agent)	Claude 3.7 Sonnet High (HAL Generalist Agent)	OpenAI o4-mini Low (HAL Generalist Agent)
En las listas de las IA	3 / 9	3 / 9	3 / 9
Precisión GAIA por dólar	74,55% por $178,20	64,24% por $122,49	58,18% por $73,26
Primero para	Claude, ChatGPT, Kimi	—	—

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.

El récord del 94% y la puntuación verificada son cosas distintas. Las puntuaciones del conjunto de prueba de GAIA enviadas por los propios equipos llegan hasta 94,35% (Keen AgenticOS V1.1), con 51 envíos por encima de la referencia humana de 92%. La mejor repetición de la Universidad de Princeton es 74,55%. Las particiones y las configuraciones difieren, así que los dos números no pueden compararse entre sí.

Lo notaron:

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

01Lista final

Claude Sonnet 4.5 (HAL Generalist Agent)

Claude 3.7 Sonnet High (HAL Generalist Agent)

OpenAI o4-mini Low (HAL Generalist Agent)

Claude Sonnet 4.5 High, pensamiento extendido (HAL Generalist Agent)

Claude Haiku 4.5 (HAL Generalist Agent)

GPT-5 Medium (HF Open Deep Research)

GPT-5 Medium (HAL Generalist Agent)

OpenAI o4-mini High (HAL Generalist Agent)

Claude Opus 4.1 High (HAL Generalist Agent)

Gemini 2.0 Flash (HAL Generalist Agent)

02Más sobre los tres primeros

1Claude Sonnet 4.5 (HAL Generalist Agent)

¿Sabía que…?

2Claude 3.7 Sonnet High (HAL Generalist Agent)

¿Sabía que…?

3OpenAI o4-mini Low (HAL Generalist Agent)

¿Sabía que…?

Los tres primeros, lado a lado

Más rankings

03Vale la pena saber

04Cómo lo calculamos

1La pregunta

2Por qué este tema

3Dónde aplica

4Qué miramos

5Quién clasificó

6Cómo se fijaron los puestos

05La lista de cada IA

Lo que notó Claude

Lo que notó ChatGPT

Lo que notó Kimi