Comparación de capacidades de modelos de IA
Programación agéntica
Only models released within the past year are shown. Only benchmarks covering at least 3 of these models are shown. Unknown release dates are excluded; historical data is retained.
— means no published score for this candidate in this source, not zero.
| N.º | Modelo | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 4 Argon |
| 6 | Claude Sonnet 5.5 | — | — | — | — |
| 7 | Claude Opus 5 | — | — | — | — |
| 8 | GPT-6 Sol | — | — | — | — |
| 9 | GPT-6 Luna | — | — | — | — |
| 10 | Claude Haiku 5.5 | — | — | — | — |
| 11 | Claude Mythos Preview | — | — | — | — |
Google DeepMind (model card)
Fuente: Google DeepMind (model card) ↗
Tarjeta del modelo de Google: resultados del publicador y puntuaciones de terceros republicadas, con fecha de octubre de 2026. Consulta la metodología para conocer la configuración de evaluación; no todas son evaluaciones independientes. Metodología de evaluación ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
PandaNpc Actualizado 21 oct 2026, 06:01 UTC
Fuente: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Guía de columnas
- N.º
- Solo orden de visualización. El ordenamiento cambia este número; no es un ranking de capacidad publicado.
- Modelo
- El nombre del modelo evaluado y el icono de su proveedor. Un guion en una columna de puntuación significa que no hay una puntuación publicada disponible aquí, no un cero.
- DeepSWE v1.1Ingeniería de software DeepSWE v1.1
- Evalúa ingeniería de software de horizonte largo en tareas originales, con el éxito verificado frente a los requisitos de la tarea. Compara la misma versión del benchmark y la misma configuración del agente. Metodología de evaluación ↗
- FrontierSWE v2Ingeniería de software FrontierSWE v2
- Evalúa tareas difíciles de ingeniería e investigación técnica. Las puntuaciones reflejan la evaluación de tareas publicada, y la versión y la configuración del agente afectan la comparabilidad. Metodología de evaluación ↗
- Terminal-bench 4.0Benchmark de terminal 4.0
- Evalúa la realización de tareas prácticas en un entorno de terminal, como programación y operaciones del sistema. Las versiones usan conjuntos de tareas diferentes y deben compararse por separado. Metodología de evaluación ↗
- Vibe Code BenchBenchmark de codificación Vibe
- Evalúa la creación de aplicaciones web a partir de solicitudes en lenguaje natural, evaluando la aplicación resultante en lugar de respuestas de código aisladas. Metodología de evaluación ↗
Lea las puntuaciones dentro del mismo benchmark, fuente y versión. Los valores más altos indican un mejor rendimiento en la métrica reportada, pero diferentes columnas no comparten una escala común.