// Capítulo 02 · Capacidad

¿A qué distancia están los modelos abiertos de los cerrados?

La distancia depende de la tarea. Pero en las pruebas que usamos en este informe, los modelos propietarios o cerrados siguen por delante: unos dos puntos en ciencia de posgrado y en tareas agénticas largas, y de 17 a 32 puntos en matemáticas avanzadas, imágenes científicas y conocimiento factual.

Fuentes: Epoch AI (CC BY 4.0); Vals AI; Artificial Analysis.

2–32puntos

de diferencia entre el mejor modelo de pesos abiertos y el mejor modelo cerrado en cuatro pruebas: 2,2 en ciencia de posgrado, 16,8 en matemáticas avanzadas, 31,8 en conocimiento factual y 1,5 puntos en tareas agénticas largas, en las pruebas de Epoch AI y de Vals AI.

Epoch AI (CC BY 4.0); Vals AI.

Ilustración: paisaje en capas con un sol pálido
Capacidad

En ciencia de posgrado, el mejor modelo de pesos abiertos que podemos comparar, Kimi K3.1 Pro, quedó a 2,2 puntos del mejor cerrado, Gemini 4 Argon. En tareas agénticas largas quedó a 1,5. puntos. En matemáticas avanzadas y conocimiento factual la distancia fue de 16,8 y 31,8 puntos. La distancia cambia de una tarea a otra. Pero también los benchmarks están empezando a saturarse y se ha cambiado la manera en la que medimos.

01 Cuatro pruebas, cuatro distancias

La distancia depende de la tarea

En ciencia de posgrado, Kimi K3.1 Pro es el mejor modelo de pesos abiertos, a 2,2 puntos de Gemini 4 Argon. En conocimiento factual, Claude Fable 5.2 le saca 31,8 puntos a Kimi K3.1 Pro.

El mejor modelo de pesos abiertos y el mejor modelo cerrado en cuatro pruebas

Mejor modelo de pesos abiertos Mejor modelo cerrado

0%25%50%75%100%Ciencia de posgradoKimi K3.1 Pro 94,2%Gemini 4 Argon 96,4%2,2 ptsTrabajo agéntico *Kimi K3.1 Pro 63,6%Claude Fable 5.2 y Claude Opus 5.5 65,2%1,5 ptsMatemáticas avanzadasKimi K3.1 Pro 78,2%Claude Fable 5.2 95,1%16,8 ptsConocimiento factualKimi K3.1 Pro 62,2%Claude Fable 5.2 94,0%31,8 pts
  • Ciencia de posgrado

    Kimi K3.1 Pro 94,2%

    Gemini 4 Argon 96,4%

    2,2 pts

  • Trabajo agéntico *

    Kimi K3.1 Pro 63,6%

    Claude Fable 5.2 y Claude Opus 5.5 65,2%

    1,5 pts

  • Matemáticas avanzadas

    Kimi K3.1 Pro 78,2%

    Claude Fable 5.2 95,1%

    16,8 pts

  • Conocimiento factual

    Kimi K3.1 Pro 62,2%

    Claude Fable 5.2 94,0%

    31,8 pts

Proporción de cada prueba resuelta o respondida correctamente, modelos lanzados hasta el 10 de noviembre de 2026, cada uno con su mejor nivel de razonamiento: ejecuciones propias de Epoch AI en tres pruebas. *Trabajo agéntico: Terminal-Bench 4.0, de Vals AI, todos los modelos con el mismo agente, media de tres ejecuciones. Fuentes: Epoch AI (CC BY 4.0); Vals AI.
5 pruebas más de Epoch AI
0%25%50%75%100%Matemáticas de competición (los dos al 100%)Kimi K3.1 Pro 100,0%Claude Fable 5.1 y 10 más 100,0%0,0 ptsIngeniería de software (última ejecución en junio de 2026)GLM-5.2 78,7%Claude Opus 4.7 83,5%4,8 ptsProblemas de ajedrezDeepSeek V4.1 Flash 48,0%Claude Fable 5.2 79,0%31,0 ptsMatemáticas de investigaciónKimi K3.1 Pro 65,8%Claude Fable 5.2 y GPT-6.1 Sol 100,0%34,2 ptsJuegos de misterioDeepSeek V4.1 Flash 49,0%Claude Fable 5.2 90,0%41,0 pts
  • Matemáticas de competición (los dos al 100%)

    Kimi K3.1 Pro 100,0%

    Claude Fable 5.1 y 10 más 100,0%

    0,0 pts

  • Ingeniería de software (última ejecución en junio de 2026)

    GLM-5.2 78,7%

    Claude Opus 4.7 83,5%

    4,8 pts

  • Problemas de ajedrez

    DeepSeek V4.1 Flash 48,0%

    Claude Fable 5.2 79,0%

    31,0 pts

  • Matemáticas de investigación

    Kimi K3.1 Pro 65,8%

    Claude Fable 5.2 y GPT-6.1 Sol 100,0%

    34,2 pts

  • Juegos de misterio

    DeepSeek V4.1 Flash 49,0%

    Claude Fable 5.2 90,0%

    41,0 pts

Se leen igual que el gráfico: modelos lanzados hasta el 10 de noviembre de 2026, cada uno con su mejor configuración, en las ejecuciones propias de Epoch AI; son todas las demás pruebas del archivo de Epoch AI con un resultado de pesos abiertos y uno cerrado. Epoch AI no ejecuta SWE-bench Verified desde junio de 2026, así que le faltan los modelos más recientes. Fuente: Epoch AI (CC BY 4.0).

Dos de las cuatro distancias son pequeñas: 2,2 puntos en ciencia y 1,5 puntos en trabajo agéntico largo, las dos de Kimi K3.1 Pro. Dos son grandes: 16,8 en matemáticas avanzadas y 31,8 al responder preguntas factuales de memoria, donde Claude Fable 5.2 está muy por delante de todos los demás modelos.

02 Cuál es la distancia en tiempo

Cuánto tardan los modelos abiertos en llegar a la puntuación de los cerrados

Toma la puntuación que tiene hoy el mejor modelo de pesos abiertos en cada prueba y mira hacia atrás: ¿cuándo la alcanzó por primera vez un modelo cerrado? En ciencia de posgrado, Gemini 3.1 Pro Preview lo hizo en febrero de 2026, 9 meses antes. En las cuatro pruebas, la respuesta va de 2 a 11 meses.

Cuántos meses antes un modelo cerrado alcanzó la puntuación que hoy tiene el mejor modelo de pesos abiertos

  1. 1

    Conocimiento factual Gemini 3 Flash Preview, diciembre de 2025

    11 meses

  2. 2

    Ciencia de posgrado Gemini 3.1 Pro Preview, febrero de 2026

    9 meses

  3. 3

    Matemáticas avanzadas GPT-5.4 Pro, marzo de 2026

    8 meses

  4. 4

    Trabajo agéntico Claude Opus 5.5, septiembre de 2026

    2 meses

Para cada prueba: la puntuación del mejor modelo de pesos abiertos a 10 de noviembre de 2026; el primer mes en que un modelo cerrado la había alcanzado, y cuál. Modelos lanzados hasta el final de cada mes. Fuentes: Epoch AI (CC BY 4.0); Vals AI.
La misma lectura en tres pruebas más de Epoch AI
  1. 1

    Problemas de ajedrez GPT-5 Pro, octubre de 2025

    13 meses

  2. 2

    Ingeniería de software Claude Opus 4.6, febrero de 2026

    9 meses

  3. 3

    Matemáticas de investigación GPT-5.5 Pro, abril de 2026

    7 meses

  4. 4

    Juegos de misterio GPT-5.5, abril de 2026

    7 meses

  5. 5

    Matemáticas de competición Claude Fable 5, junio de 2026

    5 meses

Para cada prueba, el primer mes en que un modelo cerrado había alcanzado la puntuación que hoy tiene el mejor modelo de pesos abiertos. Fuente: Epoch AI (CC BY 4.0).

Mejor puntuación de un modelo de pesos abiertos y de uno cerrado, por mes, de enero de 2024 a noviembre de 2026

Mejor modelo de pesos abiertos Mejor modelo cerrado Mejor puntuación de pesos abiertos hoy Primer mes en que un cerrado la alcanzó

GPQA Diamond · 9 meses

0%25%50%75%100%202420252026febrero de 2026un modelo cerrado ya sacaba un 94,2%
La línea discontinua es la mejor puntuación de pesos abiertos hoy; el punto, el primer mes en que un modelo cerrado la alcanzó. Trabajo agéntico: Vals AI solo pasó Terminal-Bench 4.0 a modelos lanzados en 2026 por eso sus líneas empiezan tarde. Fuentes: Epoch AI (CC BY 4.0); Vals AI.

El tiempo hasta llegar a los modelos cerrados es menor donde los modelos abiertos están más cerca: 2 meses en trabajo agéntico y 9 en ciencia. Es mayor en conocimiento factual, 11 meses, donde también es mayor la distancia en puntos.

03 Saturación

En ciencia de posgrado, los modelos punteros están cerca del techo de la prueba

En ciencia de posgrado, 30 de las 38 versiones de modelos lanzadas desde julio de 2026 superan el 90%. Cuando casi todos los modelos punteros están cerca del máximo, una diferencia de 2,2 puntos no basta para tomar decisiones.

En GPQA Diamond, las doce mejores versiones caben en 2,5 puntos y sus errores estándar se solapan

Puntuación de cada versión lanzada desde julio de 2026, con su error estándar (±1) tal como lo publica Epoch AI. El eje empieza en el 85%: es un gráfico de puntos, no de barras.

De pesos abiertos Cerrados

85%90%95%100%Mejor versión de cada otro lab de pesos abiertos, con su puesto entre las 38Gemini 4 ArgonGemini 4 Argon: 96,4% ± 1,296,4%GPT-6 AstraGPT-6 Astra: 95,8% ± 1,495,8%Claude Sonnet 5.5Claude Sonnet 5.5: 95,6% ± 1,495,6%Gemini 3.8 FlashGemini 3.8 Flash: 95,4% ± 1,495,4%GPT-6.1 SolGPT-6.1 Sol: 95,4% ± 1,495,4%Gemini 3.7 FlashGemini 3.7 Flash: 94,8% ± 1,394,8%GPT-6.1 TerraGPT-6.1 Terra: 94,3% ± 1,594,3%GPT-6 SolGPT-6 Sol: 94,3% ± 1,594,3%Kimi K3.1 ProKimi K3.1 Pro: 94,2% ± 1,494,2%Gemini 3.6 FlashGemini 3.6 Flash: 94,1% ± 1,494,1%Grok 4.6Grok 4.6: 94,0% ± 1,494,0%Claude Opus 5Claude Opus 5: 93,9% ± 1,593,9%17. DeepSeek V4.1 Flash17. DeepSeek V4.1 Flash: 93,2% ± 1,693,2%26. GLM-5.326. GLM-5.3: 90,9% ± 1,690,9%30. Mistral Large 4 (open release)30. Mistral Large 4 (open release): 90,2% ± 1,890,2%34. Inkling Small34. Inkling Small: 88,5% ± 1,988,5%
85%90%95%100%Mejor versión de cada otro lab de pesos abiertos, con su puesto entre las 38Gemini 4 ArgonGemini 4 Argon: 96,4% ± 1,296,4%GPT-6 AstraGPT-6 Astra: 95,8% ± 1,495,8%Claude Sonnet 5.5Claude Sonnet 5.5: 95,6% ± 1,495,6%Gemini 3.8 FlashGemini 3.8 Flash: 95,4% ± 1,495,4%GPT-6.1 SolGPT-6.1 Sol: 95,4% ± 1,495,4%Gemini 3.7 FlashGemini 3.7 Flash: 94,8% ± 1,394,8%GPT-6.1 TerraGPT-6.1 Terra: 94,3% ± 1,594,3%GPT-6 SolGPT-6 Sol: 94,3% ± 1,594,3%Kimi K3.1 ProKimi K3.1 Pro: 94,2% ± 1,494,2%Gemini 3.6 FlashGemini 3.6 Flash: 94,1% ± 1,494,1%Grok 4.6Grok 4.6: 94,0% ± 1,494,0%Claude Opus 5Claude Opus 5: 93,9% ± 1,593,9%17. DeepSeek V4.1 Flash17. DeepSeek V4.1 Flash: 93,2% ± 1,693,2%26. GLM-5.326. GLM-5.3: 90,9% ± 1,690,9%30. Mistral Large 4 (open release)30. Mistral Large 4 (open release): 90,2% ± 1,890,2%34. Inkling Small34. Inkling Small: 88,5% ± 1,988,5%
Cuando casi todos los modelos punteros puntúan por encima del 90% y sus márgenes se solapan, el orden entre ellos dice poco. Fuente: Epoch AI, Benchmarking Hub (CC BY 4.0).

Kimi K3.1 Pro, el mejor modelo de pesos abiertos, es el número 9 de estas versiones, en un grupo cuyo primero y duodécimo están a unos tres puntos. En esta prueba la clasificación dice poco; las pruebas que todavía separan a los líderes son las más difíciles: matemáticas avanzadas, conocimiento factual, imágenes científicas y tareas agénticas largas.

04 Imágenes científicas

Al leer imágenes de laboratorio, el mejor modelo de pesos abiertos va 22 puntos por detrás

VIALS pide a un modelo interpretar las imágenes con las que trabaja cada día un laboratorio de ciencias de la vida: geles, microscopía, citometría de flujo, mapas de plásmidos. Artificial Analysis pasa cada modelo tres veces por cada una de sus 161 tareas y solo cuenta una tarea cuando las tres respuestas son correctas. Claude Fable 5.2 lo logró en el 67,1% de las tareas; Kimi K3.1 Pro, el mejor modelo de pesos abiertos, en el 45,3%.

VIALS-AA: proporción de tareas con imágenes científicas respondidas bien en los tres intentos

Pesos abiertos Cerrado

  1. 1

    Claude Fable 5.2 Anthropic · n.º 1 de 17

    67,1% lanzado en nov. de 2026

  2. 2

    GPT-6 Astra OpenAI · n.º 2 de 17

    62,7% lanzado en sept. de 2026

  3. 3

    Claude Opus 5.5 Anthropic · n.º 3 de 17

    61,5% lanzado en sept. de 2026

  4. 4

    GPT-6.1 Terra OpenAI · n.º 4 de 17

    60,2% lanzado en oct. de 2026

  5. 5

    Claude Sonnet 5.5 Anthropic · n.º 5 de 17

    59,6% lanzado en sept. de 2026

  6. 6

    Kimi K3.1 Pro Moonshot AI · n.º 10 de 17

    45,3% lanzado en oct. de 2026

  7. 7

    DeepSeek V4.1 Flash 1017 DeepSeek · n.º 12 de 17

    40,4% lanzado en oct. de 2026

  8. 8

    GLM-5.3 Flash Z.ai · n.º 13 de 17

    39,8% lanzado en ago. de 2026

161 tareas sobre 174 imágenes de laboratorio (geles, microscopía, citometría de flujo, mapas de plásmidos, árboles, estructuras). Cada modelo responde cada tarea tres veces con un entorno de Python y un visor de imágenes; una tarea solo cuenta si las tres respuestas son correctas (pass^3). Primera pestaña: los cinco mejores modelos y los tres mejores de pesos abiertos; segunda: todos los modelos de pesos abiertos, con su puesto entre los 17. Modelos lanzados hasta el 10 de noviembre de 2026. Fuente: Artificial Analysis, VIALS-AA, tal como se mostraba el 11 de noviembre de 2026; benchmark de Handshake AI.

Es una prueba nueva, publicada el 6 de noviembre de 2026.. Muestra una distancia que el examen de ciencia esconde: en GPQA Diamond Kimi K3.1 Pro está a 2,2 puntos del mejor modelo cerrado; al leer las imágenes que usan los científicos, a 21,7. Acertar una vez es más fácil: en la media de los tres intentos los dos están a 11,8 puntos.

05 Trabajo agéntico

En tareas agénticas de horizonte largo, el mejor modelo de pesos abiertos va 1,5 puntos por detrás

Terminal-Bench 4.0 da a un agente horas para terminar trabajo real en un terminal: montar un servicio, arreglar un sistema, entrenar un modelo. En las ejecuciones de Vals AI, con el mismo agente para todos los modelos, Claude Fable 5.2 y Claude Opus 5.5 completaron 65,2% de las tareas y Kimi K3.1 Pro, el mejor modelo de pesos abiertos, el 63,6%.

Terminal-Bench 4.0: proporción de tareas completadas, los cinco mejores modelos, los tres mejores de pesos abiertos y el mejor de DeepSeek, el mismo agente para todos

Pesos abiertos Cerrado

  1. 1

    Claude Fable 5.2 Anthropic · n.º 1 de 47

    65,2% lanzado en nov. de 2026

  2. 2

    Claude Opus 5.5 Anthropic · n.º 2 de 47

    65,2% lanzado en sept. de 2026

  3. 3

    Claude Sonnet 5.5 Anthropic · n.º 3 de 47

    64,1% lanzado en sept. de 2026

  4. 4

    Kimi K3.1 Pro Moonshot AI · n.º 4 de 47

    63,6% lanzado en oct. de 2026

  5. 5

    GPT-6 Astra OpenAI · n.º 5 de 47

    59,6% lanzado en sept. de 2026

  6. 6

    GLM-5.3 Z.ai · n.º 16 de 47

    38,9% lanzado en ago. de 2026

  7. 7

    GLM-5.3 Flash Z.ai · n.º 18 de 47

    37,4% lanzado en ago. de 2026

  8. 8

    DeepSeek V4.1 Flash DeepSeek · n.º 21 de 47

    31,8% lanzado en oct. de 2026

Vals AI pasó 47 modelos lanzados hasta el 10 de noviembre de 2026 por el mismo agente (mini-SWE-agent) en las 66 tareas de Terminal-Bench 4.0, tres veces cada uno; la proporción es la media de las tres ejecuciones, sin crédito parcial. Una cuarta parte de las tareas son de ingeniería de software; el resto, de ciencia, aprendizaje automático, operaciones, hardware, seguridad y medios, con hasta ocho horas cada una. Los 18 mejores están en el Análisis a fondo. Vals AI no evaluó ningún modelo de Qwen de pesos abiertos; Qwen3.8 Max (n.º 20) es cerrado. Fuente: Vals AI, Terminal-Bench 4.0, clasificación del 9 de noviembre de 2026.

Kimi K3.1 Pro supera a GPT-6 Astra; el siguiente modelo de pesos abiertos, GLM-5.3, completó el 38,9%, 25 puntos menos. En las 18 tareas de software por separado la distancia es de 7,4 puntos, en demasiadas pocas tareas para leerla sola. Lo que costó cada ejecución y cuánto tardó está en el capítulo 04.

Capítulo 02 · Cierre

Cómo usar estos resultados

No existe una única distancia entre los modelos de pesos abiertos y los cerrados. Nos encanta pensar que todo se reduce a la puntuación de un benchmark, pero depende mucho de las tareas a las que lo destinemos. En algunas tareas, la diferencia medida es pequeña; en otras sigue siendo grande. Antes de elegir, hay que comprobar dos cosas: si el benchmark se parece al trabajo real y si los modelos se han evaluado de forma comparable. Después, probar los candidatos con tareas propias.

A qué se destina el modelo
No existe una única distancia entre los modelos de pesos abiertos y los cerrados. Nos encanta pensar que todo se reduce a la puntuación de un benchmark, pero depende mucho de las tareas a las que lo destinemos.
Distancia según la tarea
Kimi K3.1 Pro está a unos dos puntos de los mejores modelos cerrados en ciencia y en trabajo agéntico largo; en matemáticas, imágenes científicas y conocimiento factual la distancia sigue siendo de 17 a 32 puntos.
Antes de elegir
Hay que comprobar dos cosas: si el benchmark se parece al trabajo real y si los modelos se han evaluado de forma comparable. Después, probar los candidatos con tareas propias.