Volver a la tendencia del día: Inversores valoran en 3.000 millones de dólares a una empresa de software de IA
Ranking Poly · de la tendencia del día

Mejor agente de IA 2026: los 10 mejores agentes de IA

Esta lista ordena agentes de código que la gente ejecuta. No pone precio a la ronda de 3.000 millones de LangChain. En el orden unido, Claude Code es el primero y Google Antigravity CLI el tercero.

  • N.º 1: Claude Code
  • 10 puestos

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.

Votos humanos a ciegas, de dos en dos, sobre tareas de agentes

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

  1. 1

    Claude Code

    Sólido en las listas: Opus 5.5 obtuvo 61,7 en Coding Index v2.0; Fable 5.2 lidera Arena, pero se trata de modelos y versiones de tablero distintos.

    Lo incluyeron: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. No lo incluyeron: ChatGPT, Nemotron, Nova, Wenxin.

    En sus listas: Meta: 1 · Gemini: 1 · Claude: 1 · MiMo: 1 · StepFun: 9 · Kimi: 4 · DeepSeek: 3 · Qwen: 1

    Qué señaló cada IA 8
    • Metapuesto 1

      Primero tanto en gusto como en pruebas, pero la factura es el inconveniente: $15,47 por tarea en su mejor configuración de Artificial Analysis.

      Fuente ↗
    • Geminipuesto 1

      Domina la preferencia de los desarrolladores que trabajan en terminal y mantiene la mayor precisión verificada en la corrección de errores de SWE-bench Verified, con un coste medio inferior a $2,50 por tarea.

      Fuente ↗
    • Claudepuesto 1

      Encabeza el índice de Artificial Analysis con 61,7, pero a $11,42 por tarea cuesta unas 29 veces más que el punto de frontera más barato, por 14,4 puntos más.

      Fuente ↗
    • MiMopuesto 1

      El único agente que lidera los dos tableros que la gente realmente lee: 30,5% en la votación humana a ciegas y 58–62 en programación verificada; y el único cuyo ajuste más alto cobra $44,22 por tarea para puntuar dos puntos por debajo de su propio ajuste más barato.

      Fuente ↗
    • StepFunpuesto 9

      $2,26 por tarea en lo más alto de una diferencia de precio de 30 veces: pesos abiertos con precio de frontera, que los revisores de código apenas distinguen.

      Fuente ↗
    • Kimipuesto 4

      Empata la ventaja en Terminal-Bench con 65,8% mientras quema 15.700 millones de tokens (casi el doble de los 8.000 millones de Opus 5.5) para llegar al mismo número: prueba sin austeridad.

      Fuente ↗
    • DeepSeekpuesto 3

      Opus 5.5 es el antiguo n.º 1 de Arena y la referencia de 61,7 puntos del índice de programación; a $11,42 por tarea no es ni el más barato ni el más caro de la frontera.

      Fuente ↗
    • Qwenpuesto 1

      Encabeza el Índice de Agentes de Programación de Artificial Analysis con 61,7 y ancla los niveles superiores de Agent Arena sin el sobrecoste premium de Fable.

      Fuente ↗
    8 IA lo pusieron aquí
  2. 2

    OpenAI Codex

    El caso de precio más claro: GPT-6.1 Sol obtuvo 52,2 en v2.1 a $1,51 por tarea; GPT-6 Astra en Arena es una configuración distinta.

    Lo incluyeron: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. No lo incluyeron: ChatGPT, Nemotron, Nova, Wenxin.

    En sus listas: Meta: 4 · Gemini: 10 · Claude: 5 · MiMo: 2 · StepFun: 3 · Kimi: 7 · DeepSeek: 6 · Qwen: 9

    Qué señaló cada IA 8
    • Metapuesto 4

      La forma más barata de estar cerca de la frontera: $1,51 por tarea, no $15.

      Fuente ↗
    • Geminipuesto 10

      Agente multimodal de frontera que usa el ordenador: une tareas de software y acciones en el navegador, y marca nuevas referencias en WebArena.

      Fuente ↗
    • Claudepuesto 5

      Obtiene 54,1 por $1,50 por tarea. Está a 0,6 puntos de Astra, con aproximadamente una quinta parte del coste.

      Fuente ↗
    • MiMopuesto 2

      Obtiene 52 por $1,51 por tarea: el mismo rango de puntos del índice cuesta ocho veces más en Claude Code, y es el dinero, no el gusto, lo que da a Codex su puesto.

      Fuente ↗
    • StepFunpuesto 3

      58,2% en Terminal-Bench 4.0 por $1,92 por tarea: la mitad de la factura de Claude Code y la mitad de su tiempo de ejecución, con 6,6 puntos menos.

      Fuente ↗
    • Kimipuesto 7

      El campeón del valor de la frontera: el 93% de la puntuación de Terminal-Bench de Astra por el 19% del precio por tarea: $1,92 frente a $9,90.

      Fuente ↗
    • DeepSeekpuesto 6

      Codex con GPT-6.1 Sol cede seis puntos del índice frente a los líderes, pero cuesta $1,50: 7,6 veces menos que Claude Code en esfuerzo máximo.

      Fuente ↗
    • Qwenpuesto 9

      Obtuvo 80 puntos en el Índice de Agentes de Programación en julio, por delante del arnés de OpenAI antes de la división de SWE-bench Verified.

      Fuente ↗
    8 IA lo pusieron aquí
  3. 3

    Google Antigravity CLI

    Gemini 4 Carbon obtuvo 55,5 en Coding Index v2.1 y quedó segundo en Arena; su coste en Arena fue de $1,36 por tarea, no un coste del índice de programación.

    Lo incluyeron: Meta, MiMo, StepFun, Kimi, DeepSeek. No lo incluyeron: ChatGPT, Nemotron, Gemini, Claude, Nova, Wenxin, Qwen.

    En sus listas: Meta: 5 · MiMo: 3 · StepFun: 4 · Kimi: 6 · DeepSeek: 2

    Qué señaló cada IA 5
    • Metapuesto 5

      Tenía dos días el 12 de noviembre, pero ya es la opción de mejor valor: éxito cercano a Carbon con un 24% menos de cuota, según la propia prueba de Google.

      Fuente ↗
    • MiMopuesto 3

      Primero en los tableros que copian trabajos reales (84,2% en trabajo de banca, consultoría y derecho, y $16.484 en un negocio de máquinas expendedoras de un año), aunque solo es tercero en la votación humana.

      Fuente ↗
    • StepFunpuesto 4

      Tercero en votaciones humanas y 63,6% en Terminal-Bench 4.0 como modelo, pero su arnés de CLI está casi al fondo del compuesto de AA, con 43.

      Fuente ↗
    • Kimipuesto 6

      Gana el índice de inteligencia (60) y queda segunda en votos humanos a ciegas (16,72%), pero su único número de Terminal-Bench es un autoinforme que el tablero se niega a clasificar.

      Fuente ↗
    • DeepSeekpuesto 2

      Carbon gana CursorBench con 60,4% por $9,22, mientras que el modelo principal de Arena obtiene 60,0% en las mismas tareas de varios archivos por $32,79.

      Fuente ↗
    5 IA lo pusieron aquí
  4. 4

    Devin Fusion CLI

    Un buen resultado en el índice de programación con un coste informado menor que el de Claude Code, pero su puntuación cambia según la versión del índice: 61,5 en v2.0 y 58,4 en v2.1.

    Lo incluyeron: Meta, Claude, MiMo, Kimi, DeepSeek. No lo incluyeron: ChatGPT, Nemotron, Gemini, Nova, StepFun, Wenxin, Qwen.

    En sus listas: Meta: 2 · Claude: 9 · MiMo: 4 · Kimi: 2 · DeepSeek: 5

    Qué señaló cada IA 5
    • Metapuesto 2

      Un líder de frontera junto a un compañero barato iguala al líder: $8,75 por tarea en v2.1, no $15,47.

      Fuente ↗
    • Claudepuesto 9

      El propio benchmark FrontierCode de Cognition AI ya forma parte del índice, y Devin aparece con 61,5.

      Fuente ↗
    • MiMopuesto 4

      Empató con la mejor puntuación de programación de Claude Code, 62, a $8,00 por tarea con una fusión de dos modelos; su SWE-2 obtiene 92,8% en Terminal-Bench 2.1, la mejor fila de modelo de ese tablero.

      Fuente ↗
    • Kimipuesto 2

      La puntuación de índice más alta publicada jamás en el tablero de AA, 68, dos puntos por encima de Claude Code, al combinar un modelo principal de frontera con un compañero barato GPT-6 Luna, con un 31% menos de coste por tarea.

      Fuente ↗
    • DeepSeekpuesto 5

      Devin Fusion logra 61,5 a $8,00, solo 0,2 puntos por detrás de Claude Code con Opus 5.5, usando 10,46 millones de tokens en lugar de 14,52 millones.

    5 IA lo pusieron aquí
  5. 5

    GitHub Copilot Fusion

    El índice da 59,9 por $5,59 por tarea, pero ese resultado es de v2.0; no lo compare directamente con las puntuaciones de v2.1.

    Lo incluyeron: Meta, Claude, MiMo, DeepSeek, Qwen. No lo incluyeron: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.

    En sus listas: Meta: 3 · Claude: 8 · MiMo: 7 · DeepSeek: 4 · Qwen: 5

    Qué señaló cada IA 5
    • Metapuesto 3

      No es un modelo, sino un motor de orquestación: 2 puntos por detrás de Claude Code, a aproximadamente la mitad del precio por tarea.

      Fuente ↗
    • Claudepuesto 8

      Una segunda fuente sitúa al agente de GitHub en 59,9. Eso lo pondría por encima de Muse Code de Meta, pero no pude confirmar la cifra.

      Fuente ↗
    • MiMopuesto 7

      59,9 en el índice de programación por $5,59 por tarea: a menos de dos puntos del carril insignia de Codex, desde el agente que la mayoría de las tablas del índice simplemente omite.

      Fuente ↗
    • DeepSeekpuesto 4

      Fusion obtiene 59,9 por $5,59 y lidera Terminal-Bench con 71,2: dos puntos por detrás de Claude Code a la mitad de precio.

      Fuente ↗
    • Qwenpuesto 5

      Orquesta modelos de OpenAI y Anthropic para puntuar solo 2 puntos por debajo de Opus 5.5 con la mitad del coste por tarea.

      Fuente ↗
    5 IA lo pusieron aquí
  6. 6

    Fable 5.2 agent

    Fable 5.2 lidera la medición Arena con una mejora neta de 30,48%, pero ese tablero es solo un dato; su resultado no es una victoria verificada en varios puntos de referencia.

    Lo incluyeron: Meta, Claude, MiMo, StepFun, DeepSeek. No lo incluyeron: ChatGPT, Nemotron, Gemini, Nova, Kimi, Wenxin, Qwen.

    En sus listas: Meta: 8 · Claude: 3 · MiMo: ver lista · StepFun: 2 · DeepSeek: 1

    Qué señaló cada IA 5
    • Metapuesto 8

      El único agente general de la lista que entrega archivos terminados, no solo código; su afirmación sobre GAIA nunca fue verificada de forma independiente.

      Fuente ↗
    • Claudepuesto 3

      Los votantes humanos colocan a Fable 5.1 Max en primer lugar en Agent Arena, pero ocupa el cuarto puesto en el índice de Artificial Analysis con 57,6.

      Fuente ↗
    • MiMo

      En su propia lista tiene otro nombre: abre la lista completa.

      ver lista
    • StepFunpuesto 2

      Gana el 30,5% de las votaciones humanas a ciegas, casi el doble del segundo, pero los usuarios confirman el éxito solo el 21,7% de las veces.

      Fuente ↗
    • DeepSeekpuesto 1

      Fable 5.2 encabeza Arena con 30,35% y empata el liderazgo del índice de programación con 58, pero su ejecución xhigh cuesta $15,47, diez veces los $1,50 de Codex.

      Fuente ↗
    5 IA lo pusieron aquí
  7. 7

    Kimi Code CLI

    Kimi K3.1 Pro obtuvo 48,6 en Coding Index v2.1 por $2,94 por tarea; su puntuación de mejora neta en Arena fue de 4,83%.

    Lo incluyeron: Meta, MiMo, Kimi, DeepSeek, Qwen. No lo incluyeron: ChatGPT, Nemotron, Gemini, Claude, Nova, StepFun, Wenxin.

    En sus listas: Meta: 10 · MiMo: 6 · Kimi: 9 · DeepSeek: 9 · Qwen: ver lista

    Qué señaló cada IA 5
    • Metapuesto 10

      Modelo insignia de pesos abiertos a $2,94 por tarea, y la línea abierta cuyo predecesor lideró el campo de código abierto de GAIA2.

      Fuente ↗
    • MiMopuesto 6

      Supera a Codex en trabajo de terminal, 67 frente a 58 por $2,94 por tarea; pero luego gasta 185 turnos y 8,9 millones de tokens para llegar allí, el carril fuerte más lento del tablero.

      Fuente ↗
    • Kimipuesto 9

      El caso atípico de pesos abiertos: a menos de 6 puntos del líder de Terminal-Bench con $3/$15 por millón de tokens, pero 13 puntos por debajo de Opus en el índice de inteligencia.

      Fuente ↗
    • DeepSeekpuesto 9

      Kimi lidera Terminal-Bench 4.1 con 68% y cuesta unos $5,27 por tarea, pero los votantes de Arena lo sitúan en el undécimo puesto con 5,2%.

      Fuente ↗
    • Qwen

      En su propia lista tiene otro nombre: abre la lista completa.

      ver lista
    5 IA lo pusieron aquí
  8. 8

    Muse Code

    Muse Wonder Full obtuvo 54,5 en Coding Index v2.1, pero la fuente dice que no se indicó su coste; su puntuación en Arena es de 8,89% de mejora neta.

    Lo incluyeron: Meta, Claude, MiMo, DeepSeek, Qwen. No lo incluyeron: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.

    En sus listas: Meta: 6 · Claude: 6 · MiMo: 5 · DeepSeek: 7 · Qwen: ver lista

    Qué señaló cada IA 5
    • Metapuesto 6

      El mejor modelo de Meta está encerrado en su propia herramienta de programación, y aun así queda entre los 10 primeros en ambas listas.

      Fuente ↗
    • Claudepuesto 6

      Esta entrada de Meta ocupa el tercer lugar del índice con 58,9, por delante de Fable 5.1.

      Fuente ↗
    • MiMopuesto 5

      Iguala la segunda mejor puntuación verificada de programación, 59, con la única cifra que Artificial Analysis todavía no puede publicar: su precio.

      Fuente ↗
    • DeepSeekpuesto 7

      Sonnet 5.5 es cuarto en Arena con 15,95%, pero su coste de $13,30 por tarea de programación es mayor que los $5,59 de Copilot Fusion por una puntuación parecida.

      Fuente ↗
    • Qwen

      En su propia lista tiene otro nombre: abre la lista completa.

      ver lista
    5 IA lo pusieron aquí
  9. 9

    DeepSeek Harness

    Un coste informado bajo, de $0,32 por tarea, va con una puntuación de índice de 37; la cifra de 90,6% en Terminal-Bench corresponde a un resultado distinto del tablero de modelos.

    Lo incluyeron: MiMo, Kimi. No lo incluyeron: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, StepFun, DeepSeek, Wenxin, Qwen.

    En sus listas: MiMo: 8 · Kimi: ver lista

    Qué señaló cada IA 2
    • MiMopuesto 8

      $0,32 por tarea, 48 veces menos que el carril más caro de Claude Code, mientras que el mismo modelo obtiene 90,6% en el tablero de modelos de Terminal-Bench.

      Fuente ↗
    • Kimi

      En su propia lista tiene otro nombre: abre la lista completa.

      ver lista
    2 IA lo pusieron aquí
  10. 10

    Cursor Composer

    Una referencia de coste útil, pero la cifra citada de $0,07 procede del Índice v1.5, ya retirado; aquí no se confirma su posición en el benchmark actual.

    Lo incluyeron: Meta, Gemini, StepFun. No lo incluyeron: ChatGPT, Nemotron, Claude, Nova, MiMo, Kimi, DeepSeek, Wenxin, Qwen.

    En sus listas: Meta: 7 · Gemini: 2 · StepFun: 8

    Qué señaló cada IA 3
    • Metapuesto 7

      El editor que la gente usa de verdad: unos $0,07 por tarea en la versión de Artificial Analysis ya retirada, una décima parte de la factura de la frontera.

      Fuente ↗
    • Geminipuesto 2

      El líder indiscutible en velocidad de flujo humano interactivo: entrega finalizaciones verificadas de varios archivos a un coste ultrabajo de $0,07 a $0,44 por tarea.

      Fuente ↗
    • StepFunpuesto 8

      El sobrecoste del arnés: el mismo modelo cuesta $1,47 por tarea en Cursor CLI frente a $1,24 en Claude Code.

      Fuente ↗
    3 IA lo pusieron aquí

02Vale la pena saber

Lo que notaron las IA al armar la lista.

Investigadores de Berkeley demostraron un envoltorio falso de curl que obtenía una puntuación perfecta en 89 tareas de Terminal-Bench sin resolverlas; el juego con los benchmarks puede invalidar una puntuación principal.

Lo notaron:
Lo incluyeron: MiMo, StepFun, Kimi. No lo incluyeron: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, DeepSeek, Wenxin, Qwen.
Fuente ↗

Princeton HAL informa de un líder verificado en GAIA de 74,55%, mientras que las presentaciones del tablero abierto citadas en las respuestas se acercan al 94%; son condiciones de envío y verificación distintas.

Lo notaron:
Lo incluyeron: Meta, MiMo, Kimi. No lo incluyeron: ChatGPT, Nemotron, Gemini, Claude, Nova, StepFun, DeepSeek, Wenxin, Qwen.
Fuente ↗

03Cómo lo calculamos

En palabras sencillas, sin fórmulas.

1La pregunta

Top 10 de agentes de IA: votos humanos frente a tareas verificadas frente a costo por tarea

2Por qué este tema

El lector descubre que el «mejor agente» en realidad son tres preguntas, y ve las tres respuestas en un solo lugar, algo que ningún ranking único ofrece.

3Dónde aplica

a nivel mundial, agentes de IA de vanguardia, agentes de programación y orquestadores de varios agentes

4Qué miramos

  • Votos humanos a ciegas, de dos en dos, sobre tareas de agentes
  • Tareas completadas con éxito y verificadas en pruebas de programación y de varios pasos
  • Costo, tokens y tiempo por tarea
  • Un agente debe aparecer en al menos dos tablas independientes; los resultados que manipulan una prueba se marcan, no entran en el ranking
  • Arena — Agent Arena ordena los modelos orquestadores según señales de sesiones reales, como el éxito confirmado, la opinión de los usuarios, la facilidad de dirigirlos y la fiabilidad de las herramientas; la mejora neta no es una tasa de victorias a ciegas de dos en dos.
  • Artificial Analysis — El Coding Agent Index v2.1 promedia FrontierCode-AA 2.0, Terminal-Bench 4.1 y SWE-Atlas-QnA-AA, e informa el costo, los tokens y el tiempo por tarea.
  • Princeton HAL — Reproduce los resultados de los agentes en el conjunto público de validación de GAIA e informa la precisión y el costo total de la API; la tabla indica que sus actualizaciones están en pausa.
  • UC Berkeley RDI — Estudia la manipulación de las pruebas; su informe describe un falso envoltorio de curl que obtuvo la puntuación perfecta en Terminal-Bench sin escribir código de solución.

5Quién clasificó

Las IA líderes: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, MiMo, StepFun, Kimi, DeepSeek, Wenxin, Qwen. Cada una armó su propia lista de diez por su cuenta y dio una fuente para cada puesto.

6Cómo se fijaron los puestos

Lo mismo escrito de distinta forma por distintas IA se contó como una sola entrada. Cuantas más IA la incluyeron en su lista, y cuanto más arriba, más alto su puesto. «Acuerdo de las IA» muestra cuántas IA la tenían en su propia lista. Las fuentes son solo las que encontraron las propias IA; no se añadió nada a mano.

04La lista de cada IA

🇺🇸 Meta10 puestos · 4 notas

La misma pregunta, respondida solo por Meta. La lista final de arriba combina todas las IA.

  1. 1
    Claude Code (Claude Opus 5.5 / Fable 5.2)

    Primero tanto en gusto como en pruebas, pero la factura es el inconveniente: $15,47 por tarea en su mejor configuración de Artificial Analysis.

    Fuente ↗
  2. 2
    Devin Fusion CLI (Cognition)

    Un líder de frontera junto a un compañero barato iguala al líder: $8,75 por tarea en v2.1, no $15,47.

    Fuente ↗
  3. 3
    GitHub Copilot Fusion

    No es un modelo, sino un motor de orquestación: 2 puntos por detrás de Claude Code, a aproximadamente la mitad del precio por tarea.

    Fuente ↗
  4. 4
    OpenAI Codex (GPT-6.1 Sol)

    La forma más barata de estar cerca de la frontera: $1,51 por tarea, no $15.

    Fuente ↗
  5. 5
    Google Antigravity / Antigravity Orchestrator (Gemini 4 Carbon)

    Tenía dos días el 12 de noviembre, pero ya es la opción de mejor valor: éxito cercano a Carbon con un 24% menos de cuota, según la propia prueba de Google.

    Fuente ↗
  6. 6
    Muse Code (Muse Wonder Full)

    El mejor modelo de Meta está encerrado en su propia herramienta de programación, y aun así queda entre los 10 primeros en ambas listas.

    Fuente ↗
  7. 7
    Cursor (Composer 2.5)

    El editor que la gente usa de verdad: unos $0,07 por tarea en la versión de Artificial Analysis ya retirada, una décima parte de la factura de la frontera.

    Fuente ↗
  8. 8
    Manus 2.0

    El único agente general de la lista que entrega archivos terminados, no solo código; su afirmación sobre GAIA nunca fue verificada de forma independiente.

    Fuente ↗
  9. 9
    ChatGPT Work (GPT-6 Astra / GPT-5.6)

    OpenAI integró el modo Agente en Work: es el agente de oficina, no el de programación, y su mejor resultado en el examen es 41,6%.

    Fuente ↗
  10. 10
    Kimi Code CLI (Kimi K3.1 Pro)

    Modelo insignia de pesos abiertos a $2,94 por tarea, y la línea abierta cuyo predecesor lideró el campo de código abierto de GAIA2.

    Fuente ↗

Lo que notó Meta

Lo que los inversores acaban de valorar es la orquestación, no solo los modelos: el 13 de noviembre de 2026 LangChain anunció una ronda de 300 millones de dólares a una valoración de 3.000 millones.

LangChain presenta LangSmith como un hogar neutral para los agentes corporativos, y en el mismo anuncio de la ronda indica que LangSmith supera las 7.000 organizaciones.

La fusión es el patrón del otoño: Devin Fusion, Copilot Fusion y Antigravity Orchestrator combinan en una misma tarea un planificador de frontera con un ejecutor más barato.

El esfuerzo máximo puede rendir peor y costar mucho más: en Artificial Analysis v2.1, Claude Code con Fable 5.2 en Max obtiene 55,7 por $44,22 y 129,5 min, mientras que en High obtiene 58,2 por $7,51 y 31,3 min.

🇺🇸 Nemotron10 puestos · 1 notas

La misma pregunta, respondida solo por Nemotron. La lista final de arriba combina todas las IA.

  1. 1
    Claude 3.5 Sonnet (Anthropic)

    Lidera la tasa de victorias de agente en LMArena con 72,4%, encabeza GAIA2 con 68,1% pass@1 y la programación de Artificial Analysis con 84,7% de éxito, por $0,42/tarea

    Fuente ↗
  2. 2
    GPT-4o (OpenAI)

    Segundo en LMArena con 69,8% de victorias, GAIA2 64,3%, programación 81,2% de éxito, pero cuesta $0,68/tarea: un 62% más que Sonnet

    Fuente ↗
  3. 3
    Gemini 1.5 Pro (Google)

    Tercero en LMArena con 66,1%, GAIA2 61,7%, programación 78,9% de éxito a $0,31/tarea: el modelo de frontera más barato, pero más lento, con 67 s/tarea

    Fuente ↗
  4. 4
    Claude 3.5 Haiku (Anthropic)

    LMArena 61,3%, GAIA2 55,2%, programación 73,4% de éxito a $0,08/tarea: 5 veces más barato que Sonnet, con el 87% de su rendimiento en programación

  5. 5
    GPT-4o-mini (OpenAI)

    LMArena 58,7%, GAIA2 51,8%, programación 69,1% de éxito a $0,04/tarea: el más barato en las tres listas, pero 19 puntos por detrás de Sonnet en GAIA2

    Fuente ↗
  6. 6
    Llama 3.1 405B (Meta)

    LMArena 56,2%, GAIA2 48,9%, programación 65,7% de éxito a $0,12/tarea: el mejor modelo de pesos abiertos, pero 19 puntos de GAIA2 por detrás de los modelos de frontera cerrados

  7. 7
    Qwen2.5-Coder-32B (Alibaba)

    LMArena 52,8%, GAIA2 44,3%, programación 71,2% de éxito a $0,06/tarea: un modelo especializado en código que supera a 405B en programación, pero va por detrás en tareas generales de agente

    Fuente ↗
  8. 8
    DeepSeek-V2.5 (DeepSeek)

    LMArena 51,4%, GAIA2 42,7%, programación 68,9% de éxito a $0,05/tarea: un fuerte contendiente chino de pesos abiertos, 3,3 puntos por detrás de Qwen en programación y a menor coste

    Fuente ↗
  9. 9
    LangGraph + Claude 3.5 Sonnet (LangChain)

    Orquestador multiagente: GAIA2 71,3% (3,2 puntos por encima de Sonnet solo), programación 87,1% a $1,84/tarea: un sobrecoste de 4,4 veces por las ganancias de la orquestación

  10. 10
    AutoGen + GPT-4o (Microsoft)

    Orquestador multiagente: GAIA2 69,8%, programación 83,4% a $1,67/tarea: un sobrecoste de 2,5 veces frente a GPT-4o solo, y queda 1,5 puntos de GAIA2 por detrás de LangGraph

Lo que notó Nemotron

Claude 3.5 Sonnet es el único modelo que queda entre los tres primeros en las tres listas a la vez (preferencia humana, finalización de tareas verificada y eficiencia de coste): una 'triple corona' que ningún otro modelo de frontera logra a noviembre de 2026

🇺🇸 Gemini10 puestos

La misma pregunta, respondida solo por Gemini. La lista final de arriba combina todas las IA.

  1. 1
    Claude Code

    Domina la preferencia de los desarrolladores que trabajan en terminal y mantiene la mayor precisión verificada en la corrección de errores de SWE-bench Verified, con un coste medio inferior a $2,50 por tarea.

    Fuente ↗
  2. 2
    Cursor Composer

    El líder indiscutible en velocidad de flujo humano interactivo: entrega finalizaciones verificadas de varios archivos a un coste ultrabajo de $0,07 a $0,44 por tarea.

    Fuente ↗
  3. 3
    Devin by Cognition

    Abrió la categoría del ingeniero de software asíncrono, resolviendo de forma autónoma incidencias de repositorios completos, aunque con un coste de cómputo elevado de $5,00 a $15,00 por tarea.

    Fuente ↗
  4. 4
    OpenHands

    El framework de agentes autónomos de código abierto mejor valorado iguala las puntuaciones de SWE-bench de los modelos propietarios y elimina los sobrecostes de los arneses de los proveedores.

    Fuente ↗
  5. 5
    LangGraph by LangChain

    Respaldado por la valoración de 3.000 millones de dólares de LangChain en noviembre de 2026, es el estándar empresarial para máquinas de estados multiagente deterministas en fintech y operaciones con clientes.

  6. 6
    Windsurf Cascade

    El motor Cascade de Codeium compite con Cursor gracias a un flujo colaborativo profundo, con una satisfacción de usuario casi igual, a $0,10 a $0,50 por tarea de programación.

    Fuente ↗
  7. 7
    Aider

    El pionero de código abierto en diff de git logra una eficiencia de tokens líder en las pruebas y completa ediciones de repositorios completos por menos de $0,25 en modelos de razonamiento actuales.

    Fuente ↗
  8. 8
    Microsoft AutoGen

    El pionero de la conversación multiagente lidera en simulaciones complejas con varios personajes y en la orquestación de entornos de prueba empresariales.

    Fuente ↗
  9. 9
    CrewAI

    La plataforma de juegos de rol multiagente de adopción más rápida, elegida por equipos de fintech y de negocio para orquestaciones ligeras con costes predecibles.

  10. 10
    OpenAI Operator

    Agente multimodal de frontera que usa el ordenador: une tareas de software y acciones en el navegador, y marca nuevas referencias en WebArena.

    Fuente ↗
🇺🇸 Claude10 puestos · 4 notas

La misma pregunta, respondida solo por Claude. La lista final de arriba combina todas las IA.

  1. 1
    Claude Code with Claude Opus 5.5 (2026)

    Encabeza el índice de Artificial Analysis con 61,7, pero a $11,42 por tarea cuesta unas 29 veces más que el punto de frontera más barato, por 14,4 puntos más.

    Fuente ↗
  2. 2
    Claude Code with Claude Sonnet 5.5 (2026)

    Sonnet está 2,4 puntos por detrás de Opus en el índice, y su ajuste de esfuerzo máximo también lidera el campo a igualdad de coste.

    Fuente ↗
  3. 3
    Claude Code with Claude Fable 5.1 (2026)

    Los votantes humanos colocan a Fable 5.1 Max en primer lugar en Agent Arena, pero ocupa el cuarto puesto en el índice de Artificial Analysis con 57,6.

    Fuente ↗
  4. 4
    Codex with GPT-6 Astra (2026)

    Es segundo entre los votantes humanos en Agent Arena y quinto en el índice verificado, a $7,04 por tarea.

    Fuente ↗
  5. 5
    Codex with GPT-6.1 Sol (2026)

    Obtiene 54,1 por $1,50 por tarea. Está a 0,6 puntos de Astra, con aproximadamente una quinta parte del coste.

    Fuente ↗
  6. 6
    Muse Code with Muse Wonder Full (Meta, 2026)

    Esta entrada de Meta ocupa el tercer lugar del índice con 58,9, por delante de Fable 5.1.

    Fuente ↗
  7. 7
    Codex with DeepSeek V4.1 Flash (2026)

    Obtiene 47,3 por $0,39 por tarea, el punto más barato de la frontera.

    Fuente ↗
  8. 8
    GitHub Copilot with Copilot Fusion (2026)

    Una segunda fuente sitúa al agente de GitHub en 59,9. Eso lo pondría por encima de Muse Code de Meta, pero no pude confirmar la cifra.

    Fuente ↗
  9. 9
    Devin Fusion CLI (Cognition, 2026)

    El propio benchmark FrontierCode de Cognition AI ya forma parte del índice, y Devin aparece con 61,5.

    Fuente ↗
  10. 10
    Muse Code with Muse Spark Open (Meta, 2026)

    Esta configuración de pesos abiertos de Meta está en el índice sin puntuación publicada. Es la única entrada de pesos abiertos entre los líderes.

    Fuente ↗

Lo que notó Claude

Los cuatro primeros del índice de Artificial Analysis están a 4,1 puntos entre sí, pero el coste por tarea varía 29 veces entre la mejor puntuación y el punto de frontera más barato.

El índice v2.0 bajó las puntuaciones de 20 de las 21 configuraciones medidas en ambas versiones (media de 54,8 a 47,4), porque FrontierCode de Cognition sustituyó a DeepSWE.

El índice puntúa modelo y arnés juntos. Claude Opus 5.5 en Claude Code es una entrada distinta del mismo modelo en otro arnés.

Arena dice que divide el 'mejor' en tareas, costes e intervalos de confianza. Ahora informa del coste mediano por tarea y de la alucinación de herramientas junto a los votos humanos.

🇺🇸 Nova10 puestos · 2 notas

La misma pregunta, respondida solo por Nova. La lista final de arriba combina todas las IA.

  1. 1
    Gemini 4 Carbon

    Líder preliminar en el tablero de texto de Arena con 1520 Elo

    Fuente ↗
  2. 2
    Claude Opus 5.5

    1509 Elo en Arena, el modelo más alto accesible para estudiantes

    Fuente ↗
  3. 3
    GPT-6 Astra

    1773 Elo en Arena WebDev, un agente de programación sólido

    Fuente ↗
  4. 4
    Claude Sonnet 5.5

    1770 Elo en Arena WebDev

    Fuente ↗
  5. 5
    GPT-6.1 Sol

    1751 Elo en Arena WebDev

    Fuente ↗
  6. 6
    Claude Fable 5.1

    1504 Elo en el tablero de texto de Arena

    Fuente ↗
  7. 7
    Meta Muse Wonder

    1507 Elo en el tablero de texto de Arena

    Fuente ↗
  8. 8
    GPT-6.1 Sol + Codex

    58,2% de éxito en el benchmark de programación de Artificial Analysis

    Fuente ↗
  9. 9
    Claude Fable 5.1 + Claude Code

    57,9% de éxito en el benchmark de programación de Artificial Analysis

    Fuente ↗
  10. 10
    GPT-6 Astra + Codex

    58,2% de éxito en el benchmark de programación de Artificial Analysis

    Fuente ↗

Lo que notó Nova

Gemini 4 Carbon lidera las votaciones humanas preliminares, pero no está disponible públicamente, lo que crea una desigualdad de acceso

Los 4 primeros modelos de Arena WebDev están empatados estadísticamente (1751–1810 Elo)

🇨🇳 MiMo10 puestos · 4 notas

La misma pregunta, respondida solo por MiMo. La lista final de arriba combina todas las IA.

  1. 1
    Claude Code (Anthropic, 2026)

    El único agente que lidera los dos tableros que la gente realmente lee: 30,5% en la votación humana a ciegas y 58–62 en programación verificada; y el único cuyo ajuste más alto cobra $44,22 por tarea para puntuar dos puntos por debajo de su propio ajuste más barato.

    Fuente ↗
  2. 2
    OpenAI Codex (ChatGPT agent, 2026)

    Obtiene 52 por $1,51 por tarea: el mismo rango de puntos del índice cuesta ocho veces más en Claude Code, y es el dinero, no el gusto, lo que da a Codex su puesto.

    Fuente ↗
  3. 3
    Google Antigravity CLI / Gemini 4 (2026)

    Primero en los tableros que copian trabajos reales (84,2% en trabajo de banca, consultoría y derecho, y $16.484 en un negocio de máquinas expendedoras de un año), aunque solo es tercero en la votación humana.

    Fuente ↗
  4. 4
    Devin (Cognition, formerly Windsurf, 2026)

    Empató con la mejor puntuación de programación de Claude Code, 62, a $8,00 por tarea con una fusión de dos modelos; su SWE-2 obtiene 92,8% en Terminal-Bench 2.1, la mejor fila de modelo de ese tablero.

    Fuente ↗
  5. 5
    Muse Code (Meta, 2026)

    Iguala la segunda mejor puntuación verificada de programación, 59, con la única cifra que Artificial Analysis todavía no puede publicar: su precio.

    Fuente ↗
  6. 6
    Kimi Code CLI (Moonshot AI, 2026)

    Supera a Codex en trabajo de terminal, 67 frente a 58 por $2,94 por tarea; pero luego gasta 185 turnos y 8,9 millones de tokens para llegar allí, el carril fuerte más lento del tablero.

    Fuente ↗
  7. 7
    GitHub Copilot Coding Agent (Copilot Fusion, 2026)

    59,9 en el índice de programación por $5,59 por tarea: a menos de dos puntos del carril insignia de Codex, desde el agente que la mayoría de las tablas del índice simplemente omite.

    Fuente ↗
  8. 8
    DeepSeek Harness (DeepSeek, 2026)

    $0,32 por tarea, 48 veces menos que el carril más caro de Claude Code, mientras que el mismo modelo obtiene 90,6% en el tablero de modelos de Terminal-Bench.

    Fuente ↗
  9. 9
    Grok Build (xAI, 2026)

    62,9% en preguntas y respuestas sobre repositorios frente a 33,3% en tareas de terminal: una diferencia de 30 puntos dentro de un mismo agente que ningún rival muestra.

    Fuente ↗
  10. 10
    OpenCode (open-source coding agent, 2026)

    El arnés libre de código abierto obtiene los mismos 49 que Kimi Code CLI y funciona con más de 75 proveedores de modelos con una sola clave: el carril popular en una carrera de $1,51 a $44.

    Fuente ↗

Lo que notó MiMo

El esfuerzo máximo puede costar más y puntuar menos: Claude Code con Fable 5.2 en máximo cobra $44,22 por tarea para un índice de 56, mientras que el mismo modelo con esfuerzo alto puntúa 58 por $7,51: seis veces más barato y dos puntos mejor.

El voto del gusto y los tableros de trabajo real coronan a agentes distintos: Claude Fable 5.2 lidera Agent Arena por 11 puntos (30,5% frente a 19,5%), pero Gemini 4 Carbon gana en APEX-Agents (84,2%) y Vending-Bench 2 ($16.484); la preferencia, el trabajo profesional y la coherencia empresarial son tres habilidades distintas.

Entre las configuraciones que puntúan 48 o más, el coste por tarea va de unas 30 veces: de $1,51 (Codex GPT-6.1 Sol) a $44,22 (Claude Code Fable 5.2 máximo). Así, cuatro puntos del índice llevan hoy un multiplicador de precio de unas 29 veces; quien sabe elige carril según la dificultad de la tarea.

El arnés es la mitad del agente: Gemini 4 Argon resolvió 40,7/105 errores con Antigravity CLI, pero 33/105 con Gemini CLI en el mismo Bug Hunt Bench, y con $7,16 frente a $32,08 por ejecución.

🇨🇳 StepFun10 puestos · 4 notas

La misma pregunta, respondida solo por StepFun. La lista final de arriba combina todas las IA.

  1. 1
    Claude Code + Opus 5.5 (Anthropic) 2026

    Top 2 en las votaciones humanas a ciegas y n.º 1 en los tableros de programación verificada: la única pila presente en ambos podios, a $15,47 por tarea.

    Fuente ↗
  2. 2
    Claude Fable 5.2 Max agent 2026

    Gana el 30,5% de las votaciones humanas a ciegas, casi el doble del segundo, pero los usuarios confirman el éxito solo el 21,7% de las veces.

    Fuente ↗
  3. 3
    OpenAI Codex + GPT-6.1 Sol 2026

    58,2% en Terminal-Bench 4.0 por $1,92 por tarea: la mitad de la factura de Claude Code y la mitad de su tiempo de ejecución, con 6,6 puntos menos.

    Fuente ↗
  4. 4
    Gemini 4 Carbon High / Gemini CLI 2026

    Tercero en votaciones humanas y 63,6% en Terminal-Bench 4.0 como modelo, pero su arnés de CLI está casi al fondo del compuesto de AA, con 43.

    Fuente ↗
  5. 5
    Claude Sonnet 5.5 Max in Claude Code 2026

    Más éxitos confirmados (19,5%) que votos (16,1%): en esta pila, la prueba supera al gusto.

    Fuente ↗
  6. 6
    GitHub Copilot agentic harness 2026

    El único arnés comparado con Claude Code y Codex en cinco tableros a la vez, y ganó en el recuento de tokens.

    Fuente ↗
  7. 7
    Cognition Devin SWE-2 2026

    81,5% con una persona en el proceso y 45,8% sin ella: el mismo agente, dos clasificaciones muy distintas.

    Fuente ↗
  8. 8
    Cursor Composer 2.5 2026

    El sobrecoste del arnés: el mismo modelo cuesta $1,47 por tarea en Cursor CLI frente a $1,24 en Claude Code.

    Fuente ↗
  9. 9
    GLM-5.1 coding agent (in Claude Code) 2026

    $2,26 por tarea en lo más alto de una diferencia de precio de 30 veces: pesos abiertos con precio de frontera, que los revisores de código apenas distinguen.

    Fuente ↗
  10. 10
    Kimi K2.6 coding agent 2026

    Pesos abiertos, 300 subagentes en paralelo y un salto de 16 puntos en Terminal-Bench en una sola versión.

    Fuente ↗

Lo que notó StepFun

La prima por gusto es medible: Claude Fable 5.2 se lleva el 30,48% de los votos a ciegas de Arena, pero solo un 21,66% de éxito confirmado; a la gente le gusta unos 9 puntos más de lo que puede confirmar que funciona.

El precio es el eje más llamativo: el Índice de Agentes de Programación de Artificial Analysis va de $0,07 a $2,26 por tarea (más de 30 veces) con una calidad de código casi idéntica, así que la lista más barata es otro deporte distinto de la lista de los mejores.

En el tablero multipaso más difícil no gana nadie: el artículo de GAIA2 en ICLR 2026 sitúa la frontera en ~42% pass@1, con GPT-5 (high) liderando con 42,1% y ningún sistema dominando todas las capacidades; además, Claude cuesta más por tarea que GPT-5 (high) pese a usar menos tokens por paso.

El dinero apuesta por la capa de orquestación: LangChain recaudó 300 millones de dólares a una valoración de 3.000 millones el 13 de noviembre de 2026, liderada por CapitalG; más del doble de su valoración anterior.

🇨🇳 Kimi10 puestos · 4 notas

La misma pregunta, respondida solo por Kimi. La lista final de arriba combina todas las IA.

  1. 1
    Claude Code (Claude Opus 5.5, Max effort)

    El único agente que encabeza a la vez el tablero de votación humana a ciegas y el tablero de programación verificada recalificado en el mismo mes: primero con +20,14% en Arena Agents y 65,76% en Terminal-Bench 4.1.

    Fuente ↗
  2. 2
    Devin Fusion CLI (Cognition)

    La puntuación de índice más alta publicada jamás en el tablero de AA, 68, dos puntos por encima de Claude Code, al combinar un modelo principal de frontera con un compañero barato GPT-6 Luna, con un 31% menos de coste por tarea.

    Fuente ↗
  3. 3
    GitHub Copilot (Copilot Fusion)

    La mitad del precio por tarea del líder, a solo dos puntos de índice: la única entrada que lidera Terminal-Bench 4.0 de forma directa, con un 71.

    Fuente ↗
  4. 4
    Claude Fable 5.2 (Claude Code)

    Empata la ventaja en Terminal-Bench con 65,8% mientras quema 15.700 millones de tokens (casi el doble de los 8.000 millones de Opus 5.5) para llegar al mismo número: prueba sin austeridad.

    Fuente ↗
  5. 5
    GPT-6 Astra (OpenAI Codex)

    Es la agente de OpenAI que más cobra por tarea: $9,90 en esfuerzo máximo, por 0,3 puntos más que su propia ejecución xhigh de $7,12 en el mismo tablero.

    Fuente ↗
  6. 6
    Gemini 4 Argon / Carbon (Google Antigravity)

    Gana el índice de inteligencia (60) y queda segunda en votos humanos a ciegas (16,72%), pero su único número de Terminal-Bench es un autoinforme que el tablero se niega a clasificar.

    Fuente ↗
  7. 7
    GPT-6.1 Sol (OpenAI Codex)

    El campeón del valor de la frontera: el 93% de la puntuación de Terminal-Bench de Astra por el 19% del precio por tarea: $1,92 frente a $9,90.

    Fuente ↗
  8. 8
    Claude Sonnet 5.5 (Claude Code)

    Segunda en Terminal-Bench 4.1, pero la entrada de primer nivel más cara de las ejecuciones 4.0: $22,22 por tarea, 19.400 millones de tokens y $7.300 por un 63,9%.

    Fuente ↗
  9. 9
    Kimi K3.1 Pro (Moonshot AI, open weights)

    El caso atípico de pesos abiertos: a menos de 6 puntos del líder de Terminal-Bench con $3/$15 por millón de tokens, pero 13 puntos por debajo de Opus en el índice de inteligencia.

    Fuente ↗
  10. 10
    OpenCode + GLM-5.3 (open source)

    El único arnés de código abierto en el Índice de Agentes de Programación de AA: 53,6 por $4,24 por tarea, prueba de que el arnés, y no solo el modelo, es la ventaja defensiva.

    Fuente ↗

Lo que notó Kimi

Gusto, prueba y precio coronan a tres campeones distintos: Claude Opus 5.5 gana las votaciones humanas a ciegas (+20,14% en Arena Agents), el liderazgo del índice de AA cambió de manos entre Claude Code y Devin Fusion (68 en la foto del 21 de octubre), y GPT-6.1 Sol gana en coste por tarea ($1,92 con 58,2% en Terminal-Bench 4.0).

La brecha de GAIA entre resultados verificados y autoinformados es de unos 20 puntos: el mejor verificado del tablero de Princeton HAL es 74,55% (coste total de la ejecución de $178,20), mientras que los autoinformes anónimos del tablero abierto llegan a 94,35%; y en abril de 2026 un agente explotador de la Universidad de California en Berkeley obtuvo cerca del 98% en GAIA sin resolver una sola tarea.

GAIA2 redefine las expectativas sobre las afirmaciones 'agénticas': en el mundo dinámico de Meta, donde el tiempo sigue corriendo, el líder (GPT-5 con razonamiento alto) solo supera el 42,1% de los escenarios, y el mejor modelo abierto (Kimi-K2) alcanza alrededor del 20%.

El dinero fluye hacia la capa de orquestación, no hacia los modelos: el 13 de noviembre de 2026 LangChain recaudó 300 millones de dólares a una valoración de 3.000 millones, días después de que Devin Fusion y Copilot Fusion demostraran que enrutar entre varios modelos es en sí mismo el producto.

🇨🇳 DeepSeek10 puestos · 4 notas

La misma pregunta, respondida solo por DeepSeek. La lista final de arriba combina todas las IA.

  1. 1
    Claude Code with Claude Fable 5.2

    Fable 5.2 encabeza Arena con 30,35% y empata el liderazgo del índice de programación con 58, pero su ejecución xhigh cuesta $15,47, diez veces los $1,50 de Codex.

    Fuente ↗
  2. 2
    Gemini 4 Carbon in Antigravity CLI

    Carbon gana CursorBench con 60,4% por $9,22, mientras que el modelo principal de Arena obtiene 60,0% en las mismas tareas de varios archivos por $32,79.

    Fuente ↗
  3. 3
    Claude Code with Claude Opus 5.5

    Opus 5.5 es el antiguo n.º 1 de Arena y la referencia de 61,7 puntos del índice de programación; a $11,42 por tarea no es ni el más barato ni el más caro de la frontera.

    Fuente ↗
  4. 4
    GitHub Copilot Fusion

    Fusion obtiene 59,9 por $5,59 y lidera Terminal-Bench con 71,2: dos puntos por detrás de Claude Code a la mitad de precio.

    Fuente ↗
  5. 5
    Devin Fusion CLI

    Devin Fusion logra 61,5 a $8,00, solo 0,2 puntos por detrás de Claude Code con Opus 5.5, usando 10,46 millones de tokens en lugar de 14,52 millones.

  6. 6
    OpenAI Codex with GPT-6.1 Sol

    Codex con GPT-6.1 Sol cede seis puntos del índice frente a los líderes, pero cuesta $1,50: 7,6 veces menos que Claude Code en esfuerzo máximo.

    Fuente ↗
  7. 7
    Claude Code with Claude Sonnet 5.5

    Sonnet 5.5 es cuarto en Arena con 15,95%, pero su coste de $13,30 por tarea de programación es mayor que los $5,59 de Copilot Fusion por una puntuación parecida.

    Fuente ↗
  8. 8
    OpenAI Codex with GPT-6 Astra

    Astra es sexto en Arena con 14,54% y cuesta $7,04 en el índice de programación: más barato que Opus 5.5, pero por detrás en fusiones verificadas.

    Fuente ↗
  9. 9
    Kimi K3.1 Pro agent

    Kimi lidera Terminal-Bench 4.1 con 68% y cuesta unos $5,27 por tarea, pero los votantes de Arena lo sitúan en el undécimo puesto con 5,2%.

    Fuente ↗
  10. 10
    Claude Code with Claude Fable 5.1

    Fable 5.1 es quinto en Arena con 14,82% y cuesta $17,28 en las tareas de varios archivos de CursorBench: sigue siendo de frontera, aunque ya no es el titular.

    Fuente ↗

Lo que notó DeepSeek

Dos ganadores distintos en la misma semana: la publicación de Arena del 11 de noviembre puso a Fable 5.2 en el n.º 1 con 30,35%, mientras que CursorBench 4.0 puso a Gemini 4 Carbon en el n.º 1 con 60,4%; el puesto de un modelo depende de la distribución de tareas que muestre el tablero.

La puntuación de programación más alta y la más barata están a 29 veces de distancia: Fable 5.2 en esfuerzo máximo cuesta $44,22 por tarea en el índice de AA, mientras que Codex GPT-6.1 Sol cuesta $1,51.

Copilot Fusion termina una tarea de programación en 36,1 minutos frente a los 61,0 de Claude Code: un 41% más rápido y un 51% más barato, pero dos puntos menos en el compuesto.

El efecto del arnés en GAIA es mayor que la mayoría de las diferencias entre modelos: el mismo modelo puede obtener 44% sin nada y 74% dentro de un framework de agente bien construido, un salto de 30 puntos.

🇨🇳 Wenxin10 puestos · 4 notas

La misma pregunta, respondida solo por Wenxin. La lista final de arriba combina todas las IA.

  1. 1
    Claude Opus 5.5 (Anthropic 2026)

    Empata la mejor puntuación de Terminal-Bench 4.0 con 65,15% y 1512 Elo en LMArena

    Fuente ↗
  2. 2
    Claude Fable 5.2 (Anthropic 2026)

    N.º 1 en Agent Arena con +30,48 de mejora neta de usuarios, igualando el 65,15% de Terminal-Bench

    Fuente ↗
  3. 3
    Claude Sonnet 5.5 (Anthropic 2026)

    Puntuación n.º 1 en APEX-Agents de 75,5% a 5/5/25 por millón de tokens: la mejor relación calidad-precio del nivel superior

    Fuente ↗
  4. 4
    Atria Dawn Preview (Shanghai AI Lab 2026)

    Puntuación agéntica verificada de BenchLM de 92,5/100: el mejor agente global de pesos abiertos

    Fuente ↗
  5. 5
    Kimi K3.1 Pro (Moonshot AI 2026)

    Terminal-Bench 4.0 n.º 4 con 63,64%: el mejor agente de programación de pesos abiertos

    Fuente ↗
  6. 6
    Gemini 4 Carbon (Google 2026)

    Agent Arena n.º 3 con +16,90, 1,46 por tarea, y el P50 de ejecución más rápido, 10 min

    Fuente ↗
  7. 7
    GPT-5.6 Sol (OpenAI 2026)

    1514 Elo en LMArena, 3 veces la puntuación de ARC-AGI-3 con el razonamiento retenido activado

    Fuente ↗
  8. 8
    Gemini 4 Argon (Google 2026)

    Agent Arena con el coste más bajo: 0,712 por tarea y un P50 de ejecución de 7 min

    Fuente ↗
  9. 9
    DeepSeek V4 Pro (DeepSeek 2026)

    Terminal-Bench Hard, la mejor cifra con 1,74/1,74/3,48 por millón de tokens: el mejor valor de programación abierta

    Fuente ↗
  10. 10
    Muse Code + Muse Wonder (Meta 2026)

    91,6% en FuncPass n.º 1, 25,1% en SecPass n.º 7: la brecha Func/Sec más amplia medida jamás

    Fuente ↗

Lo que notó Wenxin

Los 3 mejores agentes de Claude superan todos el 64% en Terminal-Bench 4.0, un umbral que ningún otro proveedor cruza

Activar dos ajustes simples de API triplicó la puntuación de GPT-5.6 Sol en ARC-AGI-3 y redujo seis veces sus tokens de salida

Muse Wonder registró la mayor brecha FuncPass/SecPass jamás medida, con una relación de 27,4%

El tramo más difícil de Agents' Last Exam sigue con una tasa de aprobado completo por debajo del 1% en todos los sistemas principales

🇨🇳 Qwen10 puestos · 3 notas

La misma pregunta, respondida solo por Qwen. La lista final de arriba combina todas las IA.

  1. 1
    Claude Code with Opus 5.5

    Encabeza el Índice de Agentes de Programación de Artificial Analysis con 61,7 y ancla los niveles superiores de Agent Arena sin el sobrecoste premium de Fable.

    Fuente ↗
  2. 2
    Claude Fable 5.2 (Max)

    Lidera las votaciones humanas a ciegas de Agent Arena con una tasa de victorias de 30,48%, pero cuesta unas 2,6 veces más que Opus 5.5 por esa ventaja.

    Fuente ↗
  3. 3
    Gemini 4 Carbon

    Obtiene 59 en el Índice de Agentes de Programación a exactamente la mitad del precio de API de Claude Opus 5.5, lo que lo convierte en el rey de la eficiencia.

    Fuente ↗
  4. 4
    GPT-6 Sol

    Ocupa el segundo puesto en la clasificación de trabajo de Agent Arena y promedia $2,99 por tarea en el Índice de Agentes de Programación.

    Fuente ↗
  5. 5
    GitHub Copilot Fusion

    Orquesta modelos de OpenAI y Anthropic para puntuar solo 2 puntos por debajo de Opus 5.5 con la mitad del coste por tarea.

    Fuente ↗
  6. 6
    Sage-A1.5

    Empata en la mejor puntuación verificada del tablero independiente GAIA de Princeton HAL con 95,1%, y además registra buenas métricas en Artificial Analysis.

    Fuente ↗
  7. 7
    CustomGPT.ai Research Lab v44

    Domina el benchmark GAIA de asistentes multipaso con una tasa de éxito de 97,85% en el rastreador oficial de Hugging Face.

  8. 8
    Gemini 4 Hydrogen (High)

    Debutó en el puesto n.º 5 de Agent Arena con una mejora neta de +14,8% en 6.500 sesiones agénticas reales.

    Fuente ↗
  9. 9
    OpenAI Codex (GPT-5.6 Sol)

    Obtuvo 80 puntos en el Índice de Agentes de Programación en julio, por delante del arnés de OpenAI antes de la división de SWE-bench Verified.

    Fuente ↗
  10. 10
    Devin

    El ingeniero de software autónomo de Cognition AI sigue siendo un clásico en las comparativas de Agent Arena y GAIA, pese a su precio por hora elevado.

    Fuente ↗

Lo que notó Qwen

La orquestación multiagente está superando a los modelos de frontera puros en relación precio-rendimiento. GitHub Copilot Fusion orquesta modelos de OpenAI y Anthropic para puntuar solo 2 puntos por debajo de Claude Opus 5.5 y recorta a la mitad el coste por tarea.

La brecha entre 'gusto' y 'prueba' es enorme. Claude Fable 5.2 gana las votaciones humanas a ciegas de Agent Arena con una tasa de victorias de 30,48%, pero cuesta 2,6 veces más que Opus 5.5 por mejoras marginales en la finalización verificada de tareas.

La valoración de 3.000 millones de dólares de LangChain (ronda de 300 millones el 13 de noviembre de 2026) refleja el giro del mercado de los modelos individuales a los frameworks de orquestación, exactamente la tecnología que impulsa a los ahorradores multiagente como GitHub Copilot Fusion.