Puntos de referencia de los modelos, casos de uso y configuración: noviembre de 2026

Ir a: CrucibleForge en GitHub

¿Qué modelo de lenguaje debería usar en noviembre de 2026 y cómo configurarlo? Sometimos once modelos a las mismas pruebas de MakoBench 4.1. Esta guía le indica cuál es el modelo más adecuado para cada tarea, muestra las puntuaciones en una sola tabla, detalla los cinco pasos necesarios para configurarlo y también indica cuánto costaría un proyecto.

La respuesta corta

Comience por el tipo de tarea que debe realizar. Cada tarjeta indica el modelo que recomendamos y cuál es el costo de una ejecución estándar en la plataforma.

Selección según la tarea

• Programación, mejores resultadosClaude Fable 5.2Puntuación máxima en las pruebas; superó todas las evaluaciones$14,87 por ejecución
• Programación con presupuesto limitadoDeepSeek V4.1-Flash-1017Obtuvo la máxima puntuación en las pruebas de programación estándar$0,14 por ejecución
• Chat o asistencia en tiempo realGPT-6.1 TerraExcelente para conversaciones; es el modelo más rápido del conjunto$0,63 por ejecución
• Debe ejecutarse en su propo hardwareSwish 31B FinalEl mejor modelo local disponibleSin costos por uso de API
• Un solo modelo para todoGrok 4.7Se encuentra entre los cinco mejores; buen rendimiento en conversaciones y cuesta una cuarta parte que Fable$3,91 por ejecución

Si solo va a recordar una cosa: los cinco mejores modelos tienen un rendimiento similar; por eso, pague por el modelo más caro únicamente cuando este realice tareas que los modelos más económicos no pueden hacer. En esta guía, esos casos son la planificación y la revisión de código.

La junta directiva de noviembre de 2026

El valor “Total” es la suma de las puntuaciones en “Trabajo” y “Chat”. Las pruebas estándar otorgan hasta 10 puntos por cada una; además, los paquetes de bonificación que desbloquea un modelo añaden más puntos, por lo que el Total puede superar los 20. Las “Pruebas de agente” indican el porcentaje de tareas de programación multietapa que el modelo completó con éxito. El “Costo por ejecución” corresponde al precio de una ejecución estándar según la tarifa del proveedor. En el caso de MiniMax, el símbolo “~” indica que el precio se calcula en base a la cantidad de tokens, ya que este modelo vende planes fijos.

Lo que revela la tabla:

• Los cinco primeros modelos están empatados. Sus puntuaciones oscilan entre 23.9 y 25.2, dentro de los márgenes de error mutuos. El orden no constituye un ranking real.
• El precio es lo que los diferencia. Una sola ejecución cuesta $1.17 para GPT-6.1 Sol y $14.87 para Claude Fable 5.2.
• Los modelos de OpenAI fallan en una de cada tres tareas de agente. Esto es relevante para la programación autónoma, pero no para el chat.
• DeepSeek V4.1-Flash-1017 programa como un modelo de élite, pero conversa como uno económico. Su puntuación en “Trabajo” es 11.6 y en “Chat” 7.6. Úsalo para programar, no para interactuar con personas.
• DeepSeek V4-Pro-0813 no merece la pena. Obtiene puntuaciones más bajas que el modelo Flash y cuesta cuatro veces más.

Corrección: Inicialmente, Claude Fable 5.2 mostró una puntuación de 24.2. Tres de sus pruebas de agente fallaron porque nuestra cuenta de API se quedó sin crédito. Las volvimos a ejecutar; el modelo las superó todas, por lo que su puntuación Total ahora es 25.2.

Existe una prueba separada de redacción para contenido adulto en otra pestaña del tablero; esta no forma parte del cálculo del Total ni de estas selecciones. Todas las puntuaciones y pruebas se detallan en el tablero MakoBench.

Configurar la pila de programación recomendada

Para un trabajo de programación real, divida las tareas. Un “harness” se encarga de ejecutar el bucle. Un modelo potente planifica y revisa el código; un modelo más económico lo escribe.

La pila de programación

1. HarnessDeepSeek Harness (dsh)Ejecuta el bucle y llama a los modelos
2. LíderClaude Fable 5.2Planifica el trabajo y revisa cada cambio
3. SubagentesDeepSeek V4.1-Flash-1017Escriben el código y lo devuelven para su revisión

¿Por qué esta división? Claude Fable 5.2 obtiene las mejores puntuaciones en pruebas de programación y supera todos los tests, pero es el modelo más caro. DeepSeek V4.1-Flash-1017 ya alcanza la máxima puntuación en dichas pruebas, a un costo aproximadamente cien veces menor. Deje que el modelo líder gaste sus recursos en la toma de decisiones, y que el modelo económico se encargue de escribir el código. Si prefiere utilizar un único modelo para todo, opte por Grok 4.7.

La configuración consta de cinco pasos.

Cinco pasos

1. Compruebe los modelos seleccionadosVerifique que sigan siendo los mejores antes de copiar sus identificadores./makobench/
2. Establezca dos claves API y el nombre del proveedorUna clave para el modelo líder, otra para el modelo económico; además, el nombre del proveedor DeepSeek que aparece en la lista de dsh. El script se detendrá si falta alguno de estos elementos.ANTHROPIC_API_KEY · DEEPSEEK_API_KEY · DSH_PROVIDER
3. Ejecute el scriptEl script escribe los identificadores de los modelos en un archivo, pero no inicia nada más.setup.sh ~/my-project
4. Indique a dsh cuál es el modelo económicoProporcione a dsh el nombre del proveedor y el identificador del modelo económico extraídos del archivo.deepseek-flash
5. Ejecute tareas grandes fuera de las horas picoEl precio de DeepSeek se reduce a la mitad fuera de sus horas pico, que son de lunes a viernes:01:00–04:00 · 06:00–10:00 UTC

A continuación, el script para los pasos 2 y 3. Los identificadores de los modelos se encuentran al principio; cámbielos allí y en ningún otro lugar.

#!/usr/bin/env bash
# Coding stack setup: harness, lead agent, coder.
# Check /makobench/ for the current leaders before changing an id.
set -euo pipefail
# Board ids. Your provider or dsh may spell the same model differently.

LEAD_MODEL="claude-fable-5-2"     # Claude Fable 5.2: plans and reviews
CODER_MODEL="deepseek-flash"      # DeepSeek V4.1-Flash-1017: writes the code

: "${ANTHROPIC_API_KEY:?set ANTHROPIC_API_KEY}"
: "${DEEPSEEK_API_KEY:?set DEEPSEEK_API_KEY}"
# The DeepSeek provider id your dsh lists. Do not guess it.
DSH_PROVIDER="${DSH_PROVIDER:?set DSH_PROVIDER}"

PROJECT="${1:?usage: setup.sh /path/to/project}"
JOB="$(mktemp -d)"

cat > "$JOB/models.yml" <<YAML
lead: ${LEAD_MODEL}
coder:
  provider: ${DSH_PROVIDER}
  model: ${CODER_MODEL}
YAML

echo "Lead:  ${LEAD_MODEL}"
echo "Coder: ${CODER_MODEL} via ${DSH_PROVIDER}"
echo "Ids written to ${JOB}/models.yml for ${PROJECT}"

Costos

Una ejecución de prueba estándar muestra a simple vista la diferencia de precios. Cada barra representa el costo de dicha ejecución; junto a ella se indica la puntuación total del modelo.

Una ejecución estándar

• Claude Fable 5.2$14.87Puntuación total: 25.2
• GPT-6 Astra$5.70Puntuación total: 24.0
• Kimi K3.1 Pro$4.07Puntuación total: 24.6
• Grok 4.7$3.91Puntuación total: 24.1
• GPT-6.1 Sol$1.17Puntuación total: 23.9
• GPT-6.1 Terra$0.63Puntuación total: 19.4
• DeepSeek V4.1-Flash-1017$0.14Puntuación total: 19.2

El costo de un proyecto completo es superior al de una simple ejecución de prueba, ya que el agente debe leer su propio código numerosas veces. Estas cifras son estimaciones basadas en los precios por tokens; no se trata de facturas reales derivadas de compilaciones efectivas. Un proyecto del tamaño de ChatForge consta de unas 5,000 líneas de código; uno del tamaño de DisPatch, de unas 60,000.

Metodología de cálculo: 15 tokens por cada línea de código; el agente lee el código 12 veces y lo escribe 3 veces, sin utilizar ningún tipo de caché. Los precios de DeepSeek corresponden a horas fuera de pico; en horario pico, su costo se duplica. En la configuración recomendada, Claude Fable 5.2 realiza una quinta parte de las lecturas y una cuarta parte de las escrituras.

La configuración recomendada cuesta aproximadamente una cuarta parte de lo que costaría usar únicamente Claude Fable 5.2, manteniendo a este último como responsable de la planificación y revisión del proyecto. DeepSeek por sí solo resulta aún más económico, pero no cuenta con mecanismos robustos para verificar su propio trabajo. Elija esta configuración para cualquier proyecto que vaya a publicar.