Parámetros 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, para qué tarea y cómo configurarlo? Esta guía responde a esas preguntas, analizando once modelos sometidos a las mismas pruebas en MakoBench 4.1. En la lista completa aparecen más modelos; estos once son los que comparamos en profundidad este mes. Obtendrá las puntuaciones, la recomendación para tareas de programación y de chat, una guía de configuración en cinco pasos para crear un entorno que incluya a un supervisor y a un programador, además del costo de ejecutar una sola tarea o un proyecto completo.

En una sola pantalla

• Mejor en general: hay un empate a cinco entre los primeros puestos. Kimi K3.1 Pro, Claude Fable 5.2, Grok 4.7, GPT-6 Astra y GPT-6.1 Sol obtienen puntuaciones entre 23,9 y 25,2. Aunque Claude Fable 5.2 aparece primero en la lista, los cinco modelos están estadísticamente empatados.
• Mejor para programación autónoma: Claude Fable 5.2, cuando el presupuesto no es un problema: cuenta con la puntuación más alta en la categoría de trabajo (12,5), un paquete de funciones para IA perfecto y un 100 % de éxito en los casos estándar de programación autónoma. Si el presupuesto es limitado, GPT-6 Astra o GPT-6.1 Sol son buenas opciones: ambos tienen un paquete de funciones para IA perfecto, aunque solo logran un 66,7 % de éxito en los casos estándar.
• Mejor opción económica para programación: DeepSeek V4.1-Flash-1017. Obtiene una puntuación de 10,0 en programación estándar y cuesta $0,14 por ejecución.
• Mejor para chat o atención al cliente: GPT-6.1 Terra mediante API (puntuación de chat de 9,2; costo de $0,63 por ejecución), o Swish 31B Final si desea utilizarlo en su propio hardware. La mejor puntuación en chat la tiene Claude Fable 5.2, con 12,7 puntos, aunque cuesta $14,87 por ejecución.
• Mejor para usar en su propio hardware: Swish 31B Final, con una puntuación general de 16,3; no genera costos de API y es ideal para chat o cualquier otra tarea que deba ejecutarse localmente.
• Stack recomendado: Claude Fable 5.2 se encarga de la planificación y revisión, mientras que DeepSeek V4.1-Flash-1017 escribe el código. Los costos estimados son $4,82 para un proyecto del tamaño de ChatForge y $57,86 para uno del tamaño de DisPatch.
• Corrección: Las puntuaciones de Claude Fable 5.2 en tres pruebas de programación autónoma inicialmente fueron 0, debido a que nuestra cuenta de API se quedó sin créditos durante la ejecución. Tras volver a ejecutarlas, el modelo superó todas las pruebas; su puntuación subió de 24,2 a 25,2.

Elija un modelo respondiendo dos preguntas

Comience indicando el tipo de tarea y luego haga una pregunta. Para trabajos relacionados con código, pregunte por el presupuesto: un presupuesto elevado implica usar Claude Fable 5.2, mientras que un presupuesto limitado requiere DeepSeek V4.1-Flash-1017, cuyo costo es de $0,14 por ejecución. Para tareas de chat, pregunte si el procesamiento debe realizarse en su propio hardware: si utiliza una API, la opción es GPT-6.1 Terra, con un costo de $0,63 por ejecución; si cuenta con su propio hardware, la elección adecuada es Swish 31B Final. Estas selecciones coinciden con las recomendaciones que se detallan con cifras en el resto de esta guía.

¿Cuál es la tarea?

↓

Código

¿Presupuesto?

presupuesto elevado

↓

Claude Fable 5.2la opción más cara

presupuesto limitado

↓

DeepSeekV4.1-Flash-1017

Chat

¿Se ejecutará en mi propio hardware?

no

↓

GPT-6.1 Terraopción económica para chat

sí

↓

Swish 31B Finalsin costos por uso de API

La tabla de evaluación de noviembre de 2026

Corrección: una versión anterior de esta guía asignó a Claude Fable 5.2 un puntaje de 24.2, calificándolo como provisional. En realidad, los tres tests de capacidad de agente obtuvieron puntuación 0 porque nuestra cuenta de API se quedó sin créditos durante la ejecución; no fue por un fallo del modelo. Volvimos a ejecutarlos mediante la propia API de Anthropic, utilizando caché de prompts, por un costo de $10.81. El modelo superó todas las pruebas, lo que elevó su puntuación en “Trabajo” de 11.5 a 12.5 y su puntuación total de 24.2 a 25.2.

La puntuación “Total” es la suma de “Trabajo” y “Chat”. “Trabajo” corresponde a la columna de pruebas de código. Esta cifra incluye los paquetes especiales que el modelo desbloqueó, por lo que no se trata de una puntuación sobre 20. En las pruebas estándar, “Trabajo” y “Chat” tienen un límite de 10 cada uno; por eso el total estándar no supera los 20, mientras que el Total publicado puede llegar hasta 28. La columna “Contenido para adultos” corresponde a una prueba independiente y no forma parte del Total. Un valor más alto aquí indica que el modelo logró mayor éxito en la generación de contenido para adultos, pero no significa que sea un modelo mejor en general. “Banco de código / Pruebas de agentes” refleja las puntuaciones obtenidas en dichas pruebas, no la calificación global del programa. El “Costo por ejecución” corresponde a una ejecución estándar de pruebas de código y Chat, según los precios del proveedor, sin incluir paquetes especiales, la prueba para adultos ni reintentos. “Uso local” significa que se utilizó nuestro propio hardware, por lo que no hay costo en la API. Los “Paquetes maximizados” son aquellos que alcanzaron una puntuación perfecta de 1.000; ningún paquete desbloqueado queda pendiente de calificación. Las filas donde hubo errores o ejecuciones fallidas siguen contando como fracasos; por eso DeepSeek V4-Pro-0813 tiene 11, DeepSeek V4.1-Flash-1017 tiene 5, MiniMax M3.1 Flash tiene 7 más uno que se detuvo por falta de presupuesto, Kimi K3.1 Pro tiene 2, Claude Fable 5.2 tiene 1, y Grok 4.7 presentó un error en una fila.

Paquetes de bonificaciónse añaden a Work y Chat

↓

Workla columna de código

Chatlas pruebas de chat

↓

TotalWork más Chat

No forma parte del Total

Prueba para contenido adultouna puntuación aparte

La parte superior de la tabla muestra un empate, no un ranking. Claude Fable 5.2, Kimi K3.1 Pro, Grok 4.7, GPT-6 Astra y GPT-6.1 Sol obtienen puntuaciones entre 23,9 y 25,2. La tabla los ordena del 1 al 5, siendo Claude Fable 5.2 el primero; sin embargo, dichas diferencias se encuentran dentro de sus márgenes de tolerancia estadística, y sus propias reglas consideran empate a modelos con resultados tan cercanos. El orden en la tabla no determina un ganador. El siguiente grupo, formado por GPT-6.1 Terra, DeepSeek V4.1-Flash-1017 y DeepSeek V4-Pro-0813, obtiene puntuaciones entre 18,4 y 19,4. Swish 31B Final, el mejor modelo local, alcanza 16,3. En cuanto a la programación en las pruebas estándar, los modelos líderes ya han alcanzado su límite: Kimi K3.1 Pro, Claude Fable 5.2, Grok 4.7 y DeepSeek V4.1-Flash-1017 todos se encuentran en el tope de 10,0; por eso el grupo de 24 a 25 puntos corresponde a los paquetes de bonificación y al chat, no a una puntuación superior en programación. Lo que separa ese grupo de DeepSeek V4.1-Flash-1017 es el chat: 12,4 a 12,7 frente a 7,6.

Destacan tres aspectos. El costo varía dos órdenes de magnitud para tareas similares: una ejecución estándar cuesta $14,87 para Claude Fable 5.2, $5,70 para GPT-6 Astra, $3,91 para Grok 4.7 y apenas $0,14 para DeepSeek V4.1-Flash-1017. La prueba para contenido adulto muestra una tendencia opuesta: Claude Fable 5.2 (12,0), Swish 31B Final (11,8), Grok Build 0.1 (11,7), Grok 4.7 (11,5) y DeepSeek V4.1-Flash-1017 (10,0) no rechazaron ninguno de los nueve casos de contenido adulto. En cambio, los tres modelos de OpenAI se detienen en el nivel de ficción para adultos, con puntuaciones entre 1,3 y 1,6. Kimi K3.1 Pro rechaza cuatro de los nueve casos y obtiene 0 en la categoría de escritura para adultos. Se trata de modelos que declinan el contenido, no de filtros impuestos por los proveedores: ninguna respuesta en este conjunto fue bloqueada por filtros de contenido. Por último, los casos de tipo “agente” revelan la brecha en capacidades de programación; además, existe una gran variación en velocidad entre modelos. Los tres modelos de OpenAI obtienen un 66,7 % en dichos casos, mientras que Kimi K3.1 Pro, Claude Fable 5.2, Grok 4.7 y DeepSeek V4.1-Flash-1017 alcanzan el 100 %. GPT-6.1 Terra es el modelo más rápido del conjunto; Grok Build 0.1 genera 8,4 tokens por segundo, una velocidad inferior a la de Swish 31B Final, que alcanza 41,3 tokens por segundo en la misma tabla.

Casos de uso: ¿qué modelo para qué tarea?

Programación autónoma de nuevo software

• Cuando el presupuesto no es un problema: Claude Fable 5.2. Ventajas: obtiene la mejor puntuación en chat del conjunto (12,7), la máxima puntuación en tareas de trabajo (12,5); además, lidera en la clasificación general. Es un modelo perfecto para tareas autónomas, alcanza el 100% en los porcentajes estándar de programación y no rechaza ninguna solicitud. Desventajas: cuesta $14,87 por ejecución; es el modelo más caro del grupo.
• Una opción económica y eficaz: GPT-6 Astra o GPT-6.1 Sol. Ventajas: al igual que Claude Fable 5.2, ambos ofrecen un rendimiento óptimo en tareas autónomas; el costo por ejecución es de $5,70 y $1,17 respectivamente. Desventajas: ambos obtienen una puntuación del 66,7% en las pruebas estándar para agentes, y se detienen al procesar contenido de ficción para adultos.
• Una opción intermedia: Grok 4.7. Ventajas: puntuación de 11,7 en tareas de trabajo; ocupa el tercer lugar después de Claude Fable 5.2 (12,5) y Kimi K3.1 Pro (12,0). Su puntuación en chat es de 12,4; el costo por ejecución es de $3,91, aproximadamente una cuarta parte del precio de Claude Fable 5.2. Desventajas: se cobra $2 por millón de tokens de entrada y $6 por millón de tokens de salida; en la muestra de prueba procesó 696.485 tokens, por lo que las tareas prolongadas resultan costosas.
• La opción más económica: DeepSeek V4.1-Flash-1017. Ventajas: alcanza el 10,0% en programación estándar (la máxima puntuación posible) y una puntuación de 11,6 en tareas de trabajo; el costo por ejecución es de $0,14. Desventajas: su puntuación en chat es de 7,6; por lo tanto, para cualquier aplicación orientada al usuario se necesita otro modelo. El precio de $0,14 corresponde a la tarifa antigua; las nuevas tareas a la tarifa actual son más caras.

Chatbots o líneas de servicio al cliente

Para una línea de ayuda no es necesario un alto puntaje en contenido para adultos. Elija según las capacidades de chat, el precio y si la línea debe operar en su propio hardware.

• GPT-6.1 Terra. Ventajas: puntuación de 9,2 en chat; el costo por ejecución es de $0,63, además se cobra $1 por millón de tokens de entrada y $5 por millón de tokens de salida. Es la opción más económica para chat, además de ser el modelo más rápido del grupo. Desventajas: puntuación del 66,7% en las pruebas para agentes. Sus capacidades de programación son óptimas (100%), pero su velocidad varía mucho entre muestras: desde 72 hasta 1.044 tokens por segundo.
• Grok 4.7. Ventajas: puntuación de 12,4 en chat; se ubica entre los mejores del grupo. El costo por ejecución es de $3,91. Las puntuaciones de sus paquetes de rol son 0,945 y 0,951. Desventajas: el paquete de conversación obtiene 0,814 y el de personajes, 0,483; por eso, mantener una personalidad coherente resulta difícil. Se cobra $2 y $6 por millón de tokens respectivamente. Existe un plan de suscripción a precio reducido; el costo de $3,91 corresponde a la tarifa estándar.
• Claude Fable 5.2. Ventajas: es el mejor modelo en chat del grupo (12,7); su paquete de chat individual alcanza 0,964. No rechaza ninguna solicitud y no se cobran tokens de razonamiento. Desventajas: el costo por millón de tokens es de $10 y $50 respectivamente; es el modelo con las tarifas más altas del grupo, empatado con GPT-6 Astra.
• Si la línea debe operar en su propio hardware: Swish 31B Final. Ventajas: puntuación general de 16,3; no rechaza solicitudes y no genera costos por API. Desventajas: su desempeño en pruebas para agentes es del 33,3%; la puntuación en tareas de trabajo es de 8,4, y su velocidad es de 41,3 tokens por segundo.

Configuración: harness, agente principal, codificador

Para trabajos reales, se debe utilizar un harness, un modelo potente que planifique y revise, y un modelo económico que escriba el código. DeepSeek Harness (dsh) es el harness. Claude Fable 5.2 actúa como planificador y revisor. DeepSeek V4.1-Flash-1017 es el codificador: su capacidad de programación ya ha alcanzado su límite, y el costo por ejecución es de $0.14. MiniMax M3.1 Flash, dentro de su plan de uso, puede procesar grandes volúmenes de datos; posteriormente, Claude Fable 5.2 revisa los resultados. Su puntuación en la categoría “Chat” es de 5.6, la más baja del grupo; además, su puntuación en “Work” es de 8.0 frente a 11.6, lo que implica la necesidad de más iteraciones de revisión. Grok 4.7 es la alternativa cuando se desea utilizar un único modelo para todo. El proceso consta de cinco pasos.

dshejecuta el bucle

↓

Agente principal: Claude Fable 5.2planifica y revisa

↓

CodificadorDeepSeek V4.1-Flash-1017escribe el código

Opciones

MiniMax M3.1 Flashprocesa grandes volúmenes dentro de su límite permitido

Grok 4.7un único modelo para todo

Paso 1: Revise el tablero y seleccione los IDs

/makobench/Revise el tablero

↓

Cuatro IDsen la parte superior del script

↓

LEAD_MODEL

CODER_MODEL

BULK_MODEL

ONE_MODEL

Los IDs de los modelos se encuentran en la parte superior del script. Modifique solo esos, no una segunda copia que aparece más abajo. Antes de hacerlo, consulte el tablero en /makobench/.

Paso 2: Configurar las claves API

ANTHROPIC_API_KEYobligatorio

DEEPSEEK_API_KEYobligatorio

MINIMAX_API_KEYobligatorio

XAI_API_KEYopcional

El script necesita ANTHROPIC_API_KEY, DEEPSEEK_API_KEY y MINIMAX_API_KEY. XAI_API_KEY es opcional y solo se utiliza en la opción de un único modelo. Configúrelas en su shell antes de ejecutar el script. El script se detendrá si falta alguna clave obligatoria.

Paso 3: Ejecute el script

setup.shmás la ruta de su proyecto

↓

models.ymlse escribe en un directorio temporal

↓

No se inicia ninguna ejecuciónsolo escribe los IDs

El script escribe los IDs en un archivo models.yml dentro de un directorio temporal. No inicia ninguna ejecución. Debe pasarle la ruta de su proyecto.

#!/usr/bin/env bash
# Do-it-all coding setup: harness, lead agent, sub-agents.
# Check /makobench/ for the current leaders before changing any id below.
set -euo pipefail

# Board labels. dsh may show a different provider string for the same model.
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
BULK_MODEL="MiniMax-M3.1-Flash"      # MiniMax M3.1 Flash, window-limited bulk
ONE_MODEL="grok-4.7"                 # Grok 4.7, optional, one model for all

: "${ANTHROPIC_API_KEY:?set ANTHROPIC_API_KEY}"
: "${DEEPSEEK_API_KEY:?set DEEPSEEK_API_KEY}"
: "${MINIMAX_API_KEY:?set MINIMAX_API_KEY}"
: "${XAI_API_KEY:=}"                  # optional, only for ONE_MODEL

# Set this to 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}
bulk: ${BULK_MODEL}
one_model: ${ONE_MODEL}
YAML

echo "Lead: ${LEAD_MODEL}"
echo "Coder: ${CODER_MODEL} via ${DSH_PROVIDER}"
echo "Bulk, inside the plan window: ${BULK_MODEL}"
echo "One-model alternative: ${ONE_MODEL}"
echo "Id file: ${JOB}/models.yml"
echo "Project: ${PROJECT}"
# Point dsh at CODER_MODEL. Do not hardcode a second model id here.

Paso 4: Apunte dsh al identificador del codificador

dshsu herramienta dsh

↓

DSH_PROVIDERel valor que aparece en la lista de DeepSeek

↓

deepseek-flashel identificador del codificador

Apunte dsh al identificador del codificador. La cadena de proveedor para dsh es el valor que aparece en la lista de DeepSeek. El identificador del codificador según la API de la plataforma es deepseek-flash.

Paso 5: Programar fuera de los horarios pico

Horarios pico de DeepSeek, UTC

00:0012:0024:00

De lunes a viernes

De 01:00 a 04:00

De 06:00 a 10:00

Horarios fuera de picoprecio reducido

El servicio DeepSeek tiene un precio reducido fuera de los horarios pico. Los horarios pico son de lunes a viernes, de 01:00 a 04:00 y de 06:00 a 10:00 UTC. Programe las tareas intensivas fuera de estos intervalos.

Plan MiniMax5 horas o por semana

↓

402el límite de uso se ha alcanzado

↓

Cambie al modelo principalDeepSeek V4.1-Flash-1017

El plan MiniMax tiene un costo fijo. El costo marginal por uso de la IA es de $0 hasta que se agote el límite de 5 horas o el límite semanal. El código 402 significa que se ha alcanzado dicho límite, no que el plan haya terminado. Para el resto del proceso de desarrollo, cambie al modelo principal DeepSeek V4.1-Flash-1017. Un proyecto de 60.000 líneas de código consumirá todo el límite de 5 horas, por lo que este plan funciona como un mecanismo de limitación, no como un acceso gratuito.

Cuánto cuesta un proyecto

Estas son estimaciones basadas en los precios de la tabla, no medidas obtenidas de un proyecto real. No se dispuso de ningún registro de tokens para un proyecto de este tamaño. Las suposiciones son: el código fuente cuesta 15 tokens por línea; por lo tanto, un proyecto del tamaño de ChatForge, con 5.000 líneas, requiere 75.000 tokens, mientras que un proyecto del tamaño de DisPatch, con 60.000 líneas, necesita 900.000 tokens. Un agente relee su propio código fuente; por eso en la banda media se cuentan 12 veces los tokens de entrada y 3 veces los de salida. Un programador que realiza razonamientos intensivos utiliza la banda alta, donde los valores son 20 y 5 respectivamente. Un proyecto nuevo implica una falta de coincidencia en la caché. DeepSeek se cotiza según la tarifa vigente fuera de horas pico. Estos valores corresponden a una sola compilación, no al mantenimiento, y no incluyen el uso del juez ni la generación de imágenes.

Líneas de código5.000 o 60.000

↓

Tokens de código fuente15 tokens por línea

↓

El agente relee el código fuentebanda media: 12 entradas, 3 salidasbanda alta: 20 entradas, 5 salidas

↓

Precio por millónprecios de la tabla

↓

Costo del proyectouna sola compilación, estimación aproximada

Claude Fable 5.2 no utilizó tokens de razonamiento en este caso, por lo que la banda media es el valor correcto para él. Si el agente realizara todo el razonamiento necesario, los costos en la banda alta serían $33.75 y $405. Para DeepSeek V4.1-Flash-1017, los valores en la banda alta son $0.45 y $5.40. En horas pico, las tarifas se duplican respecto a las fuera de horas pico; por eso la banda media en esos momentos asciende a $0.54 y $6.48. Eso no equivale a la banda alta. En la configuración mixta, Claude Fable 5.2 gestiona el 20% de las entradas y el 25% de las salidas; DeepSeek V4.1-Flash-1017 se encarga del resto, lo que resulta en un costo de $4.82 y $57.86 fuera de horas pico. Si en su lugar se utiliza MiniMax M3.1 Flash como programador, el costo de codificación queda reducido a $0 dentro del periodo establecido por el plan; sin embargo, su nivel de rendimiento de 8.0 frente a los 11.6 requeridos implica más iteraciones de revisión, las cuales no se reflejan en los valores de $4.61 y $55.35.

Recomendación

Para proyectos como DisPatch o ChatForge, se recomienda utilizar una combinación de modelos. Claude Fable 5.2 se encarga de la planificación y revisión del proyecto. DeepSeek V4.1-Flash-1017 escribe el código, mientras que DeepSeek Harness ejecuta los ciclos de desarrollo. GPT-6.1 Terra responde a las consultas de los usuarios. La estimación promedio para desarrollar un proyecto del tamaño de ChatForge es de $4.82; para uno del tamaño de DisPatch, $57.86. En comparación, Claude Fable 5.2 por sí solo costaría $20.25 y $243 respectivamente. Si DeepSeek V4.1-Flash-1017 realiza todo el trabajo, los costos serían de $0.27 y $3.24. No hay un ganador claro entre los modelos; por lo tanto, elija el modelo más económico que cumpla con sus necesidades, y reserve el modelo más costoso para tareas de planificación y revisión. Los valores mencionados ($4.82) corresponden al costo total del desarrollo, no al costo por interacción de chat. Por su parte, Terra, utilizado en solitario, tendría un costo de $2.03 para proyectos del tamaño de ChatForge y $24.30 para proyectos del tamaño de DisPatch. Estas son opciones completas basadas únicamente en Terra; usted debe elegir una u otra, nunca ambas. Utilice el plan MiniMax Token para trabajos masivos dentro de su ventana de uso permitido; considerelo como un mecanismo de limitación de uso. No elija DeepSeek V4-Pro-0813 en lugar de DeepSeek V4.1-Flash-1017: obtiene una puntuación menor (18.4 frente a 19.2) y es más costoso. Si prefiere utilizar un único modelo en lugar de una combinación, Grok 4.7 es la mejor opción: su puntuación total es 24.1; el costo estimado para desarrollar proyectos del tamaño de ChatForge y DisPatch es $3.15 y $37.80 respectivamente. El costo por ejecución en este caso es de $3.91, lo cual representa aproximadamente una cuarta parte del costo de Claude Fable 5.2 ($14.87).

Paquetes con puntuación máxima y qué viene después

Cuatro modelos de este conjunto obtuvieron una puntuación perfecta de 1,000 en el paquete correspondiente:

• Claude Fable 5.2: trabajo/razonamiento #1, trabajo/agentic #1 y escritura para adultos #2.
• Grok 4.7: trabajo/razonamiento #1 y escritura para adultos #2.
• GPT-6 Astra: trabajo/agentic #1.
• GPT-6.1 Sol: trabajo/agentic #1.

Ningún modelo obtuvo 1,000 en el paquete de código; el mejor fue GPT-6 Astra con 0,917. Tampoco hubo ningún modelo que alcanzara 1,000 en el paquete de chat; el mejor fue el componente chat/deep_rp #1 de Claude Fable 5.2, con 0,964. La marca “MAX” en la tabla indica simplemente que una parte del paquete alcanzó el nivel más alto posible, no que todo el paquete fuera perfecto. Por eso GPT-6 Astra lleva la marca MAX en el paquete de código, a pesar de que su puntuación global en ese paquete es 0,917. El hecho de obtener la máxima puntuación no significa que un paquete quede fuera de pruebas. Actualmente se está ejecutando MakoBench 4.5, el cual incluye paquetes más difíciles para pruebas completas; por lo tanto, estos resultados de la versión 4.1 representan el máximo actual, pero no el final de todo esto.

Todas las puntuaciones, la lista de pruebas y el costo de ejecución de cada modelo se encuentran en el tablero de MakoBench.