AI Models panel · 2026.08

📊 Benchmarks de Coding

Ranking de modelos de IA en los principales benchmarks de programación. Datos recopilados de fuentes públicas a agosto de 2026.

⚠️ Los benchmarks tienen limitaciones: pueden ser "harness-tuned", contaminados o no representar tu caso de uso específico. Úsalos como orientación, no como verdad absoluta. Verifica con evaluaciones independientes como LMSYS Chatbot Arena o Artificial Analysis.

🏆 Ranking SWE-bench Pro

El benchmark más relevante para evaluar capacidad de ingeniería de software real (resolución de issues en repos multi-archivo).

1
Claude Opus 4.8 Anthropic
79.4%
2
GLM-5 (en OpenCode) Zhipu
77.8%
3
GPT-5.5 OpenAI
75.2%
4
Gemini 3.1 Pro Google
71.8%
5
Kimi K2.6 Moonshot
71.6%
6
DeepSeek V4 Pro DeepSeek
68.5%

Tabla completa de datos

Modelo Empresa Contexto $/M entrada SWE-bench Pro HumanEval Open-weight
Claude Opus 4.8 Anthropic 200K $5 79.4%
GLM-5 Zhipu 200K $1 77.8%
GPT-5.5 OpenAI 400K $5 75.2% 96.2%
Gemini 3.1 Pro Google 2M $2 71.8% 94.6%
Kimi K2.6 Moonshot 262K $0.95 71.6%
DeepSeek V4 Pro DeepSeek 128K $0.435 68.5%
Claude Sonnet 4.6 Anthropic 1M $3
Claude Haiku 4.5 Anthropic 200K $1
GPT-5.5 Pro OpenAI 400K $30
GPT-5.4 OpenAI 400K $2.5
GPT-5.3-Codex OpenAI 400K $1.75
GPT-4.1 nano OpenAI 1M $0.1 0.9%
Gemini 3.5 Flash Google 1M $1.5
Gemini 3 Flash Google 1M $0.5
Gemini 3.1 Flash-Lite Google 1M $0.25
Phi-4 (familia) Microsoft 16K $0.125 0.9%
MAI-Code-1-Flash Microsoft 128K
Grok 3 xAI 131K $3 0.9%
Grok 3 Mini xAI 131K $0.3
Llama 4 Maverick Meta 1M $0.27 0.9%
Mistral Large 3 Mistral 256K $0.5
Mistral Small Mistral 128K $0.2 0.8%
DeepSeek V4 Flash DeepSeek 128K $0.14
DeepSeek V3 DeepSeek 128K $0.27 0.9%
Qwen 3.6 Plus Alibaba 1M $0.5
Qwen3.5 (open-weight) Alibaba 131K $0.3
MiniMax M2.5 MiniMax 1M $0.3
MiMo-V2-Pro Xiaomi 256K $0
ERNIE 5 Baidu 128K $0.4
Hunyuan Large Tencent 256K $0.4
Step 3.5 Flash StepFun 128K $0.1
GPT-5.6 Sol (xhigh) OpenAI 1M $5
Claude Opus 5 (max) Anthropic 1M $5
GPT-5.6 Sol (max) OpenAI 1M $5
GPT-5.6 Sol (high) OpenAI 1M $5
Claude Opus 5 (xhigh) Anthropic 1M $5
GPT-5.6 Terra (max) OpenAI 1M $2
Claude Opus 5 (high) Anthropic 1M $5
Claude Fable 5 (with fallback) Anthropic 1M $10
GPT-5.6 Sol (medium) OpenAI 1M $5
Kimi K3 (max) Moonshot 1.048576M $3
Claude Opus 5 (medium) Anthropic 1M $5
Grok 4.5 (high) SpaceXAI 500K $2
Kimi K3 (low) Moonshot 1.048576M $3
Claude Sonnet 5 (max) Anthropic 1M $2
GPT-5.6 Luna (max) OpenAI 1M $0.2
Muse Spark 1.1 (xhigh) Meta 1.048576M $1.25
GPT-5.6 Terra (xhigh) OpenAI 1M $2
GPT-5.6 Sol (low) OpenAI 1M $5
Gemini 3.6 Flash Google 1M $1.5
Gemini 3.1 Pro Preview Google 1M $2
GLM-5.2 (max) Zhipu 1M $1.4
GPT-5.6 Luna (xhigh) OpenAI 1M $0.2
GPT-5.6 Terra (high) OpenAI 1M $2
Claude Opus 5 (low) Anthropic 1M $5
Claude Sonnet 5 (Non-reasoning) Anthropic 1M $2
Qwen3.7 Max Alibaba 1M $2.5
GPT-5.6 Sol (Non-reasoning) OpenAI 1M $5
GPT-5.6 Terra (medium) OpenAI 1M $2
GPT-5.6 Luna (high) OpenAI 1M $0.2
Motif 3 (Beta) MotifTechnologies 262K $0
Kimi K2.7 Code Moonshot 256K $0.95
MiMo-V2.5-Pro Xiaomi 1M $0.435
KAT-Coder-Pro V2 KwaiKAT 256K $0.3
Nex-N2-Pro NexAGI 262K $0.5
Hy3 Tencent 256K $0.136
Agnes 2.5 Pro Alpha SapiensAI 1M $0.45
DeepSeek V4 Pro (high) DeepSeek 1M $0.435
Muse Spark Meta 262K $0
MiniMax-M3 MiniMax 1M $0.3
GPT-5.6 Terra (low) OpenAI 1M $2
MiMo-V2.5 Xiaomi 1M $0.14
Qwen3.7 Plus Alibaba 1M $0.4
Qwen3.6 Plus Alibaba 1M $0.5
Qwen3.6 27B Alibaba 262K $0.6
Inkling Small ThinkingMachines 1M $0.3
JT-4.1 Flash 236B A21B ChinaMobile 256K $0
GPT-5.6 Terra (Non-reasoning) OpenAI 1M $2
Claude Opus 4.8
Anthropic
200K
$5
79.4%
GLM-5
Zhipu
200K
$1
77.8%
GPT-5.5
OpenAI
400K
$5
75.2%
96.2%
Gemini 3.1 Pro
Google
2M
$2
71.8%
94.6%
Kimi K2.6
Moonshot
262K
$0.95
71.6%
DeepSeek V4 Pro
DeepSeek
128K
$0.435
68.5%
Claude Sonnet 4.6
Anthropic
1M
$3
Claude Haiku 4.5
Anthropic
200K
$1
GPT-5.5 Pro
OpenAI
400K
$30
GPT-5.4
OpenAI
400K
$2.5
GPT-5.3-Codex
OpenAI
400K
$1.75
GPT-4.1 nano
OpenAI
1M
$0.1
0.9%
Gemini 3.5 Flash
Google
1M
$1.5
Gemini 3 Flash
Google
1M
$0.5
Gemini 3.1 Flash-Lite
Google
1M
$0.25
Phi-4 (familia)
Microsoft
16K
$0.125
0.9%
MAI-Code-1-Flash
Microsoft
128K
Grok 3
xAI
131K
$3
0.9%
Grok 3 Mini
xAI
131K
$0.3
Llama 4 Maverick
Meta
1M
$0.27
0.9%
Mistral Large 3
Mistral
256K
$0.5
Mistral Small
Mistral
128K
$0.2
0.8%
DeepSeek V4 Flash
DeepSeek
128K
$0.14
DeepSeek V3
DeepSeek
128K
$0.27
0.9%
Qwen 3.6 Plus
Alibaba
1M
$0.5
Qwen3.5 (open-weight)
Alibaba
131K
$0.3
MiniMax M2.5
MiniMax
1M
$0.3
MiMo-V2-Pro
Xiaomi
256K
$0
ERNIE 5
Baidu
128K
$0.4
Hunyuan Large
Tencent
256K
$0.4
Step 3.5 Flash
StepFun
128K
$0.1
GPT-5.6 Sol (xhigh)
OpenAI
1M
$5
Claude Opus 5 (max)
Anthropic
1M
$5
GPT-5.6 Sol (max)
OpenAI
1M
$5
GPT-5.6 Sol (high)
OpenAI
1M
$5
Claude Opus 5 (xhigh)
Anthropic
1M
$5
GPT-5.6 Terra (max)
OpenAI
1M
$2
Claude Opus 5 (high)
Anthropic
1M
$5
Claude Fable 5 (with fallback)
Anthropic
1M
$10
GPT-5.6 Sol (medium)
OpenAI
1M
$5
Kimi K3 (max)
Moonshot
1.048576M
$3
Claude Opus 5 (medium)
Anthropic
1M
$5
Grok 4.5 (high)
SpaceXAI
500K
$2
Kimi K3 (low)
Moonshot
1.048576M
$3
Claude Sonnet 5 (max)
Anthropic
1M
$2
GPT-5.6 Luna (max)
OpenAI
1M
$0.2
Muse Spark 1.1 (xhigh)
Meta
1.048576M
$1.25
GPT-5.6 Terra (xhigh)
OpenAI
1M
$2
GPT-5.6 Sol (low)
OpenAI
1M
$5
Gemini 3.6 Flash
Google
1M
$1.5
Gemini 3.1 Pro Preview
Google
1M
$2
GLM-5.2 (max)
Zhipu
1M
$1.4
GPT-5.6 Luna (xhigh)
OpenAI
1M
$0.2
GPT-5.6 Terra (high)
OpenAI
1M
$2
Claude Opus 5 (low)
Anthropic
1M
$5
Claude Sonnet 5 (Non-reasoning)
Anthropic
1M
$2
Qwen3.7 Max
Alibaba
1M
$2.5
GPT-5.6 Sol (Non-reasoning)
OpenAI
1M
$5
GPT-5.6 Terra (medium)
OpenAI
1M
$2
GPT-5.6 Luna (high)
OpenAI
1M
$0.2
Motif 3 (Beta)
MotifTechnologies
262K
$0
Kimi K2.7 Code
Moonshot
256K
$0.95
MiMo-V2.5-Pro
Xiaomi
1M
$0.435
KAT-Coder-Pro V2
KwaiKAT
256K
$0.3
Nex-N2-Pro
NexAGI
262K
$0.5
Hy3
Tencent
256K
$0.136
Agnes 2.5 Pro Alpha
SapiensAI
1M
$0.45
DeepSeek V4 Pro (high)
DeepSeek
1M
$0.435
Muse Spark
Meta
262K
$0
MiniMax-M3
MiniMax
1M
$0.3
GPT-5.6 Terra (low)
OpenAI
1M
$2
MiMo-V2.5
Xiaomi
1M
$0.14
Qwen3.7 Plus
Alibaba
1M
$0.4
Qwen3.6 Plus
Alibaba
1M
$0.5
Qwen3.6 27B
Alibaba
262K
$0.6
Inkling Small
ThinkingMachines
1M
$0.3
JT-4.1 Flash 236B A21B
ChinaMobile
256K
$0
GPT-5.6 Terra (Non-reasoning)
OpenAI
1M
$2

¿Qué mide cada benchmark?

SWE-bench Pro

Benchmark de referencia para ingeniería de software: el modelo debe resolver issues reales de GitHub en repos multi-archivo. Mide capacidad agéntica completa: leer código, planificar, implementar y verificar.

Ver fuente →

HumanEval

Benchmark clásico de generación de código Python: 164 problemas de programación con tests unitarios. Mide la capacidad de escribir funciones correctas a partir de docstrings.

Ver fuente →

LiveCodeBench

Benchmark dinámico con problemas de competiciones de programación recientes (post-entrenamiento). Evita contaminación de datos.

Ver fuente →

💡 Cómo interpretar los benchmarks

🎯
Match modelo → tarea

Un modelo top en SWE-bench puede no ser el mejor para tu caso. Si haces mucho prototyping rápido, un modelo "flash" barato puede ser más productivo que el #1 del ranking.

⚠️
Cuidado con el benchmark gaming

Los vendors optimizan para benchmarks específicos. SWE-bench Pro y LiveCodeBench son más difíciles de gamear, pero no son inmunes. Valida siempre con tu propio código.

🔄
Actualiza trimestralmente

Los modelos se actualizan cada 2-3 meses. Un ranking de enero puede ser obsoleto en abril. Fuentes fiables: Artificial Analysis, LiveBench, SWE-bench.