Qué modelo abierto usar en lugar de Claude, GPT o Gemini

Hace un año elegir modelo era sencillo: cogías el mejor que podías pagar y empezabas a trabajar con él. Hoy los modelos abiertos se han acercado lo suficiente como para que esa decisión ya no sea automática. El problema es que las equivalencias suelen simplificarse demasiado. Decir que GLM es «el Claude abierto» o que DeepSeek sustituye a GPT sirve para orientarse, pero no para decidir qué poner en producción. Opus y Haiku hacen trabajos distintos; Astra, Sol y Luna también. Con los modelos abiertos pasa exactamente lo mismo. Así que aquí comparamos tipos de modelo y, sobre todo, cargas de trabajo.

Datos revisados el 13 de octubre de 2026. Para medir capacidad usamos principalmente Artificial Analysis Intelligence Index v4.3.2 y evaluaciones como GDPval-AA, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam y AA-LCR. Cuando decimos «modelo abierto» nos referimos a modelos open-weight: los pesos están disponibles, aunque la licencia, el código, los datos y el proceso de entrenamiento no siempre sean abiertos en el mismo grado.

La tabla de equivalencias

No es una tabla de sustituciones 1:1. Es una lista de modelos que pondríamos en la misma comparativa antes de tomar una decisión.

La fila que más nos importa es la primera. GLM-5.3 y MiMo V2.6 Pro son los modelos que pondríamos a competir con Opus y Astra. En los índices generales siguen apareciendo varios puntos de diferencia, pero la distancia cambia bastante cuando bajas a pruebas más concretas.

Frente a Opus 5.5 High, GLM queda prácticamente empatado en AutomationBench-AA (62% frente a 63%) y SciCode (59% frente a 60%), aunque Opus mantiene una ventaja clara en Terminal-Bench, HLE y capacidad general. Frente a Astra Max, GLM gana en GDPval-AA (1651 frente a 1574) y SciCode (59% frente a 56%), y queda prácticamente empatado en razonamiento con contexto largo (80% frente a 81%). Son modelos distintos, pero resuelven la misma clase de problemas y en varias pruebas obtienen resultados cercanos. Por eso los valoramos en el mismo segmento.

Fuentes: Opus 5.5 vs GLM-5.3 , Opus 5.5 High vs GLM-5.3 , GPT-6 Astra vs GLM-5.3 .

No hay un mejor modelo abierto

La foto actual es más interesante que una clasificación general. MiMo V2.6 Pro saca una ligera ventaja a GLM-5.3 en capacidad general (46 frente a 45) y destaca en razonamiento, ciencia y contexto largo. GLM obtiene mejores resultados en AutomationBench y Terminal-Bench. Kimi K3 queda algo por debajo en capacidad agregada, pero es el mejor de los tres en razonamiento con contexto largo y trabajo sobre documentos.

En la gama Flash pasa lo mismo. GLM-5.3 Flash tiene más capacidad general que DeepSeek V4.1 Flash, pero DeepSeek consigue un 69% frente a un 60% en AutomationBench y genera más de tres veces más tokens por segundo. En cuanto cambia el trabajo, cambia también el modelo que tiene más sentido. Por eso el resto de la guía está organizado por carga de trabajo.

Elige por carga de trabajo, no por proveedor

Razonamiento y trabajo del conocimiento: MiMo V2.6 Pro

Si tu modelo pasa el día analizando, investigando, razonando sobre información compleja o preparando trabajo profesional, MiMo V2.6 Pro sería nuestro primer candidato. Está ligeramente por encima de GLM en el índice general y obtiene mejores resultados en Humanity's Last Exam, SciCode y razonamiento con contexto largo. Además, admite texto, imagen, audio y vídeo.

También es el último de estos modelos en llegar. En un mercado que cambia tan rápido, es razonable esperar que los próximos lanzamientos de Z.ai o Moonshot vuelvan a mover el listón.

Eso no significa que sustituya a Opus o Astra en sus configuraciones más potentes. Cuando el objetivo es conseguir la mejor respuesta posible y el coste importa poco, los modelos cerrados de frontera siguen teniendo ventaja. MiMo empieza a ser especialmente interesante cuando estás pagando ese nivel de capacidad para tareas que no lo aprovechan: un resumen de reunión, el análisis de un informe de 30 páginas o una respuesta a un ticket de soporte técnico. También puede encajar en programación con agentes si tu trabajo diario consiste en crear y mantener software.

Programación y agentes complejos: GLM-5.3

GLM-5.3 es el modelo abierto que usaríamos como referencia frente a Opus, Astra o Argon para programación. Z.ai lo ha entrenado para programación compleja y tareas de largo horizonte. En evaluaciones independientes sigue por debajo de los mejores modelos cerrados cuando configuras el razonamiento al máximo, algo poco habitual en uso real porque consume la cuota muy rápido. En configuraciones más razonables, rinde muy bien en desarrollo con agentes, ciencia, automatización y contexto largo.

Lo probaríamos con agentes de programación sobre repositorios reales, tareas técnicas de muchos pasos, orquestación de agentes y, en general, cualquier carga de trabajo donde hoy estés pagando Opus o Astra por defecto.

GLM-5.3 admite 1M de contexto y entrada multimodal (texto, imagen, vídeo y audio), así que tampoco está limitado a la programación.

Fuente: Z.ai: GLM-5.3 .

Programación con agentes con mejor equilibrio: GLM-5.3 Flash

Si GLM-5.3 es el modelo de frontera, GLM-5.3 Flash es un punto de partida más razonable para buena parte del trabajo diario. Artificial Analysis lo sitúa en 42 puntos de su índice de inteligencia, frente a 41 de Gemini 3.8 Flash High. En AutomationBench empatan al 60%. GLM Flash sale por delante en GDPval-AA y Terminal-Bench, mientras Gemini mantiene ventaja en SciCode, HLE y trabajo con PDF.

Son dos modelos en una zona de capacidad parecida, pero con fortalezas distintas. Esa es precisamente la comparación que nos interesa.

GLM-5.3 Flash tiene 1M de contexto y acepta texto, imágenes y vídeo. En Helmcode es nuestra opción por defecto para sesiones de programación con agentes porque ofrece mucha capacidad sin tener que subir siempre al modelo principal.

Fuente: Gemini 3.8 Flash vs GLM-5.3 Flash .

Agentes y uso de herramientas: DeepSeek V4.1 Flash

Hay tareas donde el modelo pasa más tiempo actuando que pensando: consultar API, ejecutar herramientas, actualizar sistemas, leer una interfaz y decidir el siguiente paso. Para ese tipo de trabajo, DeepSeek V4.1 Flash es uno de los modelos que más nos interesa.

En Artificial Analysis tiene menos capacidad general que GLM-5.3 Flash (39 frente a 42), pero consigue un 69% en AutomationBench frente al 60% de GLM Flash. También es mucho más rápido en la infraestructura medida: unos 204 tokens/s frente a 61.

DeepSeek diseñó V4.1 Flash alrededor de esa eficiencia. Es un MoE de 552B parámetros con 8B activos en la entrada y 16B en la salida, una caché KV mucho más pequeña que la generación anterior y comprensión visual nativa. Si hoy utilizas Gemini Flash o Luna para agentes, sería uno de los primeros que probaríamos.

Fuentes: DeepSeek V4.1 Flash vs GLM-5.3 Flash , DeepSeek: V4.1 Flash .

GPT-6 Luna: aquí sí tiene sentido hablar de DeepSeek y GLM Flash

Luna no debería compararse con GLM-5.3 completo. OpenAI lo diseñó para tareas focalizadas y de gran volumen, así que sus comparables más directos son DeepSeek V4.1 Flash y GLM-5.3 Flash. La comparación se ve bien en el gráfico:

Luna sigue teniendo un precio muy agresivo en la API de OpenAI, y un modelo abierto no es automáticamente más barato. En este caso, para mejorar ese precio necesitas modelos abiertos alojados en infraestructura propia. Aun así, ya puedes comparar modelos de la misma categoría sin renunciar a capacidad general y elegir también por despliegue, control de infraestructura o localización de datos.

Fuentes: Luna vs DeepSeek V4.1 Flash , Luna vs GLM-5.3 Flash .

Volumen: Qwen3.8-Flash-Next y Qwen3.6

Con millones de peticiones cambia la forma de elegir modelo. Clasificación, extracción, enriquecimiento de datos, moderación, RAG sencillo o tareas en segundo plano rara vez necesitan tu modelo más potente. Aquí buscaríamos el modelo más pequeño que mantenga la calidad mínima que necesita el producto.

Qwen3.8-Flash-Next sería el primero que probaríamos cuando el volumen es alto pero la tarea todavía tiene cierta complejidad: es un comparable natural de Haiku 5.5 y Luna para procesamiento por lotes y extracción con algo de razonamiento. Qwen3.6 juega una categoría por debajo. Su capacidad general es bastante menor, así que no lo presentaríamos como «el Luna abierto». Pero cuando la tarea está tan acotada que pagar por más inteligencia no aporta nada (RAG de alto volumen, clasificación, autocompletado, extracción sencilla o pequeños trabajos internos), es difícil de batir en coste. Es un MoE de 35B con 3B parámetros activos y 256K de contexto.

Aquí la estrategia es la contraria a la del nivel de frontera: empieza abajo y sube solo si falla.

Contexto largo: Kimi K3

Kimi destaca en tareas de contexto y horizonte largo, como sesiones extensas de programación.

Obtiene un 89% en razonamiento con contexto largo frente al 86% de MiMo y el 80% de GLM-5.3. Lo probaríamos con repositorios enormes, colecciones de documentos, investigación y sesiones largas con agentes. GLM-5.3 sería la opción si ese contexto necesita además programación compleja; DeepSeek V4.1 Flash, si vive dentro de un agente que hace muchas llamadas y reutiliza mucha información, porque su caché KV más pequeña se nota especialmente ahí.

Visión y multimodalidad

«Multimodal» tampoco es una casilla que puedas marcar y dar por resuelta. Leer un pantallazo, entender una gráfica y trabajar con audio o vídeo son problemas distintos.

Para un agente visual y rápido probaríamos DeepSeek V4.1 Flash. Para una entrada multimodal amplia que además necesita mucho razonamiento, MiMo V2.6 Pro admite texto, imagen, voz y vídeo, y GLM-5.3 cubre texto, imágenes, vídeo y audio. La referencia cerrada sigue siendo Gemini 3.8 Flash, que acepta texto, imagen, vídeo, audio y PDF con 1M de contexto y herramientas integradas.

Fuente: Gemini 3.8 Flash .

Si quieres bajar al detalle, nuestra guía de modelos abiertos recorre más de 80 casos de uso concretos y el modelo que elegiríamos para cada uno.

RAG y extracción: no empieces por el modelo más grande

RAG, clasificación y extracción estructurada son las cargas de trabajo donde menos sentido tiene empezar con un modelo de frontera. Si ya has recuperado los documentos correctos, el modelo no necesita saberlo todo: necesita encontrar la evidencia, respetar el esquema y no inventar.

Para RAG y extracción probaríamos, según dificultad:

1. Qwen3.6 para tareas muy acotadas y de gran volumen.

2. Qwen3.8-Flash-Next o GLM-5.3 Flash cuando necesitas más razonamiento o contexto.

3. DeepSeek V4.1 Flash cuando la extracción forma parte de un flujo de trabajo con agentes o componente visual.

4. GLM-5.3 o MiMo V2.6 Pro solo cuando el problema lo exige.

Aquí el índice general de inteligencia no sirve para declarar un ganador. Mediríamos exactitud por campo, cumplimiento del esquema, fidelidad al contexto, tasa de alucinaciones, reintentos, latencia y coste por tarea resuelta correctamente. Esa prueba tiene que salir de tus propios datos, así que lo razonable es comparar lotes grandes contra varios modelos.

Cuándo seguiríamos usando un modelo cerrado

Bastantes veces. Si necesitas el máximo nivel de capacidad disponible y el coste importa poco, Opus o Astra siguen siendo mejores opciones para ciertos problemas. También tiene sentido quedarse con un proveedor si dependes mucho de sus herramientas, si el volumen es pequeño o si todavía no tienes una evaluación fiable para medir una migración.

Usar modelos abiertos no debería convertirse en un estándar por sí mismo. Si un modelo cerrado resuelve mejor el problema, úsalo. La ventaja real es poder decidirlo petición a petición.

Probablemente no necesitas un único modelo

La arquitectura que mejor nos funciona va de petición → modelo mínimo que puede resolverla bien, en lugar de aplicación → modelo.

Así, el modelo de frontera deja de ser el que usamos por defecto y pasa a ser aquel al que escalamos cuando hace falta. Es ahí donde empiezas a notar de verdad el cambio en la economía de una aplicación o de un agente.

Cómo comprobarlo con tu aplicación

Cogeríamos 100, 500 o 1.000 tareas reales y las ejecutaríamos con el modelo actual y dos o tres candidatos. Mediríamos calidad, tasa de éxito, llamadas a herramientas, reintentos, latencia y coste por tarea completada. Siempre que sea posible, haríamos la evaluación a ciegas.

Si tus evaluadores no distinguen de forma consistente el modelo cerrado del abierto, tienes una señal mejor que cualquier clasificación general. Si lo distinguen, también has aprendido algo: sabes exactamente dónde sigue estando la diferencia.

Prueba tu carga de trabajo, no el benchmark

En Helmcode servimos GLM-5.3, GLM-5.3 Flash, DeepSeek V4.1 Flash, Qwen3.6 y otros modelos abiertos detrás de nuestra API compatible con OpenAI, sobre infraestructura europea y sin retención de registros. Eso permite probar varios modelos contra la misma carga de trabajo y usar el que tenga sentido en cada parte del producto, en vez de elegir «el modelo de la empresa».

Dentro de seis meses algunos nombres de esta guía habrán cambiado. La recomendación, sin embargo, seguirá siendo la misma: prueba tu carga de trabajo, no el benchmark.

Ver modelos disponibles en Helmcode