Han pasado poco más de tres meses desde que comparamos GPT-5.6 y Claude Fable 5, y el tablero ha cambiado por completo. El 22 de septiembre, Anthropic lanzó Claude Opus 5.5 y OpenAI lanzó GPT-6 Sol y Luna el mismo día. Google anunció Gemini 4 Argon el 30 de septiembre, y el 26 de octubre OpenAI llevó GPT-6.1 Terra a ChatGPT y Codex.
Este artículo compara los modelos principales de los tres laboratorios a fecha de 27 de octubre de 2026 con cuatro criterios: benchmarks publicados por los fabricantes, mediciones independientes de terceros, pruebas prácticas de desarrolladores y medios, y precio. Al final, lo que conviene vigilar.
Aviso: este sitio y la mayoría de sus juegos están hechos con Claude Code. Lo uso a diario, lo que me da experiencia directa pero también puede inclinarme hacia Claude. Todas las cifras llevan su fuente.
La versión corta
- En benchmarks agregados y votos de usuarios, lidera Gemini 4 Argon. Es primero en solitario en 12 de los 18 benchmarks que publicó Google, y primero en la clasificación de texto de LMArena (1532, provisional).
- En programación real —sobre todo trabajo agéntico largo en terminal— lidera Claude Opus 5.5. Los modelos de Claude ocupan el primer y segundo puesto en Terminal-Bench 4.0 medido de forma independiente (Opus 5.5 y Sonnet 5.5).
- OpenAI compite con “resultado funcional a la primera” y con el precio. GPT-6 Astra fue el que con más fiabilidad produjo una app completa y ejecutable con una sola petición, y Sol y 6.1 Terra son baratos.
- “Gemini va detrás” ya no es cierto. En las tablas de benchmarks, Gemini va ahora delante. Pero en manos de desarrolladores, como agente de programación, Claude sigue recibiendo mejores valoraciones.
Las gamas actuales
| Laboratorio | Modelo | Lanzamiento | Precio API (entrada/salida por 1M de tokens) |
|---|---|---|---|
| Anthropic | Claude Opus 5.5 | 22 sep | $4 / $20 |
| Anthropic | Claude Fable 5.1 (anterior gama alta) | Septiembre (semanas antes de Opus 5.5) | $10 / $50 |
| Anthropic | Claude Sonnet 5.5 · Haiku 5.5 | 28 sep · 7 oct | Haiku $0,10 / $0,50 (hasta 100K de contexto) |
| OpenAI | GPT-6 Astra (gama alta) | Principios de septiembre | $10 / $50 |
| OpenAI | GPT-6 Sol → 6.1 Sol | 22 sep → 29 sep (DevDay) | $2 / $10 |
| OpenAI | GPT-6.1 Terra (gama media) | 26 oct | 50% más barato que GPT-5.6 Terra |
| Gemini 4 Argon | Anunciado 30 sep, disponible 13 oct | $2 / $10 (hasta 30 nov) → $4 / $20 |
Algunas cosas destacan.
- Anthropic abarató su nuevo modelo tope. Opus 5.5 cuesta un 60% menos por token que Fable 5.1, el anterior buque insignia, y Anthropic afirma que además usa menos tokens por tarea, lo que reduce el coste típico en torno a un 40%.
- OpenAI tiene ahora cuatro niveles. De más barato a más caro: Luna, Terra, Sol y Astra. The Wall Street Journal informó de que GPT-6.1 Astra, previsto para octubre, se canceló tras pruebas internas de seguridad; no hay fecha para el siguiente modelo de gama alta.
- Google entró por precio. La tarifa introductoria de Argon es la mitad que la de Opus 5.5, pero se duplica el 1 de diciembre hasta igualarla.
1. Benchmarks de los fabricantes: parece una victoria aplastante de Gemini
Google lanzó Argon con una tabla comparativa de 18 benchmarks. Según el recuento de VentureBeat, Argon es primero en solitario en 12 y empata en uno; GPT-6 Astra es primero en solitario en tres y Opus 5.5 en dos.
| Benchmark (qué mide) | Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|
| DeepSWE v1.1 (arreglos de software reales) | 77,9% | 74,1% | 74,2% |
| GraphWalks (razonamiento en contexto muy largo) | 84,2% | 71,8% | 66,8% |
| LVBench (comprensión de vídeo largo) | 91,7% | 87,5% | 83,7% |
| AutomationBench (automatización empresarial) | 51,3% | 41,4% | 42,5% |
| Vals Finance Agent v2 (finanzas) | 65,4% | 53,5% | 58,6% |
| FrontierSWE v2 (programación difícil) | 55,0% | 65,5% | 62,3% |
| Terminal-Bench 4.0 (agentes en terminal) | 57,4% | 58,2% | 66,4% |
| PostTrainBench | 45,3% | — | 49,3% |
Fuente: tabla publicada por Google (vía VentureBeat y DataCamp). Las cifras de Opus 5.5 en FrontierSWE v2 y de Astra en Terminal-Bench 4.0 proceden de análisis secundarios (DataCamp, shattered.io).
El patrón es claro. Gemini es el más fuerte cuando hay que leer mucho y juzgar: documentos largos, vídeo largo, trabajo legal y financiero. Claude lidera la programación larga en terminal y GPT los problemas difíciles de programación de un solo intento.
Pero la tabla la hizo Google, y Google eligió las condiciones. En el benchmark de vídeo, por ejemplo, Argon recibió el vídeo completo a un fotograma por segundo, mientras que Astra recibió 800 fotogramas y Opus 5.5 solo 600 por límites de la API.
2. Mediciones independientes: las distancias se acortan y el orden cambia
Las cifras de los fabricantes son el mejor escenario de cada uno. ¿Qué pasa cuando un tercero mide a todos igual?
Terminal-Bench 4.0 — Vals.ai (a 26 de octubre)
| Puesto | Modelo | Puntuación |
|---|---|---|
| 1 | Claude Opus 5.5 | 65,15% |
| 2 | Claude Sonnet 5.5 | 64,14% |
| 3 | Kimi K3.1 Pro (Moonshot, pesos abiertos) | 63,64% |
| 4 | GPT-6 Astra | 59,60% |
| 5 | Claude Fable 5.1 | 58,08% |
| 7 | Gemini 4 Argon | 57,58% |
| 8 | GPT-6.1 Sol | 55,05% |
| 10 | GPT-6.1 Terra | 49,49% |
Todos los modelos se ejecutaron con el mismo entorno de agente (Mini-SWE-agent). El 66,4% que declaró Anthropic para Opus 5.5 y el 65,15% independiente son casi idénticos, así que la cifra del fabricante no estaba inflada. La medición propia de Artificial Analysis dio un 59,6%, más bajo; diferencias de ese tamaño son normales entre entornos distintos.
El dato a vigilar es el n.º 3, Kimi K3.1 Pro: un modelo de pesos abiertos que cualquiera puede descargar ya supera a GPT-6 Astra y a Gemini 4 Argon.
Votos de usuarios — clasificación de texto de LMArena (20 de octubre)
| Puesto | Modelo | Puntuación |
|---|---|---|
| 1 | Gemini 4 Argon (High) | 1532 (provisional) |
| 2 | Claude Opus 5.5 (High) | 1516 |
| 3 | Claude Fable 5.1 (Max) | 1512 |
| 4 | Claude Opus 5 (Max) | 1509 |
La gente compara dos respuestas y vota la mejor. Argon es primero, pero con solo unos 4.900 votos sigue siendo provisional. Claude ocupa del segundo al quinto puesto. Ningún modelo GPT-6 está entre los cinco primeros.
Inteligencia agregada — Artificial Analysis
Las cifras del Artificial Analysis Intelligence Index varían ligeramente según la fuente, pero a grandes rasgos Opus 5.5 lidera con 56–58, con Argon y GPT-6 Astra muy juntos en torno a 52–53. GPT-6.1 Terra, añadido el 26 de octubre, alcanza 48 con el máximo esfuerzo, una cifra alta para un modelo de gama media. Artificial Analysis ha anunciado el Index v5 para finales de octubre, así que el orden podría volver a moverse.
3. Pruebas prácticas: el ganador depende del trabajo
Después de los benchmarks, la pregunta es cómo se comportan en el uso real. YouTube y las comunidades de desarrolladores están llenos de comparativas con la misma instrucción; elegí las que publicaron resultados concretos.
① Juego de karts 3D y superdeportivo (desarrollador Anass Kartit, 14 de octubre) Cada modelo se ejecutó en la herramienta de programación de su propio laboratorio (Opus 5.5 en Claude Code, Astra en Codex, Argon en opencode).
| Tarea | Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|
| Juego de karts 3D a la primera | 220 s · $0,31 · 9,5/10 | 323 s · $0,70 · 10/10 | 308 s · $0,64 · cortado por límite de salida |
| Superdeportivo en autopista de neón | ~24 min · 2.540 líneas · $2,45 | 9 min · 193 líneas · ~$3,30 | 14 min 39 s · 1.166 líneas · ~$14,14 |
| 82 preguntas de respuesta corta | 82/82 | 82/82 | 81/82 (un fallo de formato) |
El veredicto del autor: Argon dio el resultado más vistoso, Astra fue el que con más fiabilidad entregó una app completa en una sola respuesta, y Opus 5.5 funcionó en Claude Code sin cambiar ninguna configuración, mientras que Argon necesitó ajustar dos parámetros de la herramienta.
② Brazo robótico esquivando obstáculos (DataCamp, 14 de octubre) La prueba medía si el modelo mantiene una restricción estricta —no tocar nunca un obstáculo— durante toda la ejecución. Opus 5.5 no tocó ninguno y obtuvo 4,7; Argon atravesó obstáculos y obtuvo 3,7. Argon fue más barato ($0,72 frente a $1,09), pero con esfuerzo alto agotó todo su presupuesto de salida sin llegar a escribir el archivo.
③ Tetris con gravedad invertida (DataCamp, 23 de septiembre) Una variante de Tetris en un solo archivo en la que la gravedad se invierte. GPT-6 Sol obtuvo 5,0 frente a 4,3 de Opus 5.5, con un coste de aproximadamente un tercio ($0,26 frente a $0,87).
④ Escenas 3D por código (publicado por el medio coreano AI Times, 23 de septiembre) Escenas de un solo intento como un banco de peces, un remolino o un barco en una tormenta. Opus 5.5 corrigió sus propios errores y ganó en detalle, pero costó $4,37 en total, unas 13 veces más que los $0,34 de GPT-6 Sol. La conclusión: GPT para estructuras rápidas y código base barato, Opus 5.5 para el acabado de calidad de producción.
En conjunto, aparece un patrón:
- Claude: más caro y más lento, pero el mejor manteniendo restricciones y corrigiendo su propio trabajo hasta el final; el que dejarías trabajando solo.
- GPT: resultados rápidos, baratos y que funcionan a la primera; el “primer borrador que corre” más fiable.
- Gemini: muy bueno en lo visual y en entradas largas, barato durante el periodo de lanzamiento, pero su encaje con las herramientas de programación aún es tosco.
La mayoría de estas pruebas se hicieron una sola vez, así que conviene leerlas como tendencias, no como veredictos.
4. Entonces, ¿cuál usar?
| Si tu trabajo es… | Elige |
|---|---|
| Programación agéntica larga sobre un código grande | Claude Opus 5.5 (Claude Code) |
| Prototipos a la primera, gran volumen a bajo coste | GPT-6 Sol / 6.1 Terra |
| Cientos de páginas, vídeo largo, análisis legal o financiero | Gemini 4 Argon |
| Trabajo repetitivo sencillo donde el coste es lo primero | Claude Haiku 5.5, GPT-6.1 Terra, pesos abiertos (Kimi, etc.) |
Gemini cuesta la mitad hasta el 30 de noviembre, así que ahora es buen momento para probarlo. A partir del 1 de diciembre costará lo mismo que Opus 5.5.
Perspectivas: cinco cosas a vigilar
1) De “quién es el número uno” a “el número uno en qué”. Hace tres meses, un solo modelo solía arrasar en casi todas las tablas. Ahora los tres laboratorios se han repartido el terreno: Claude para agentes de programación de larga duración, GPT para resultados a la primera y precio, Gemini para entradas largas y trabajo multimodal. Es de esperar que cada vez más gente cambie de modelo según la tarea en lugar de casarse con uno; herramientas como Claude Code, Codex y GitHub Copilot ya avanzan hacia permitir elegir modelos de varios laboratorios.
2) La guerra de precios ya ha empezado. Opus 5.5 salió un 60% más barato que el anterior buque insignia, GPT-6.1 Terra es un 50% más barato que su predecesor y Argon llegó a la mitad del precio de Opus. El coste de un mismo nivel de capacidad se reduce a la mitad cada pocos meses. La primera prueba es el 1 de diciembre: ¿se duplicará de verdad el precio de Argon, o la tarifa introductoria se volverá permanente sin hacer ruido?
3) Los modelos tope llegan por fases, no de golpe. Argon se ofreció primero a equipos de ciberdefensa. Claude Mythos 5.1 solo está disponible para usuarios aprobados. Según se informó, GPT-6.1 Astra se canceló tras las pruebas de seguridad. Los modelos más potentes se publican cada vez más tarde y de forma más restringida tras la revisión de seguridad, lo que abre una brecha entre el “último modelo” que usa la mayoría y la frontera real.
4) Los pesos abiertos están muy cerca. Kimi K3.1 Pro quedó tercero en Terminal-Bench 4.0 medido de forma independiente, por delante de GPT-6 Astra y Gemini 4 Argon, y la publicación completa de sus pesos está prevista para el 4 de noviembre. DeepSeek, MiniMax y Muse Spark Open de Meta también salieron en octubre. Cuanto más se estrecha la distancia entre los modelos tope caros y los gratuitos “suficientemente buenos”, más presión hay sobre los precios de los tres laboratorios.
5) Los propios benchmarks se tambalean. En el mismo Terminal-Bench 4.0, Opus 5.5 obtiene entre el 59,6% y el 66,4% según quién lo mida, porque cambian los entornos y los niveles de esfuerzo. SWE-bench Verified está prácticamente retirado y Artificial Analysis está a punto de pasar al Index v5. A partir de ahora, una cifra publicada solo significa algo si se sabe quién la midió y cómo. El benchmark más fiable sigue siendo probar tu propio trabajo con él.
Conclusión
El relato de “Gemini persigue a Claude y ChatGPT” terminó en octubre. Sobre el papel, Gemini va ahora delante. Pero para alguien que ejecuta agentes de programación todos los días, Claude Opus 5.5 sigue sintiéndose como el líder: es el modelo que termina el trabajo cuando lo dejas solo. Cuánto dure esa ventaja lo decidirán los precios de diciembre, la persecución de los pesos abiertos y el próximo modelo tope de OpenAI.
Este artículo resume información pública a 27 de octubre de 2026. Las cifras de benchmarks varían según quién las mida y cómo; las cifras declaradas por los fabricantes no están verificadas hasta que se reproducen de forma independiente.
Fuentes
- VentureBeat — Google unveils Gemini 4 Argon, retaking benchmark lead
- Google — Gemini 4 Argon: our next era of frontier intelligence
- VentureBeat — Anthropic releases Claude Opus 5.5
- Anthropic — Introducing Claude Haiku 5.5
- 9to5Mac — OpenAI upgrades ChatGPT and Codex with new GPT-6.1 Terra
- Vals.ai — Terminal-Bench 4.0 Leaderboard
- Artificial Analysis — Changelog
- VersusApps — LMArena Leaderboard October 2026
- DataCamp — Gemini 4 Argon vs Claude Opus 5.5
- DataCamp — GPT-6 Sol vs Claude Opus 5.5
- Anass Kartit — Gemini 4 Argon vs Opus 5.5 vs GPT-6 Astra: Same Prompt, Real Bills
- AI Times (en coreano) — Duelo de programación 3D: Claude Opus 5.5 vs GPT
- October 2026 AI Model Updates (registro de lanzamientos)