Gemini, Muse, GPT, Claude y Grok: qué dicen sus pruebas oficiales y cómo compararlos

El estado de la IA de frontera al 14 de octubre

Gemini 4 Argon y Muse Wonder amplían una competencia en la que también participan GPT-6 Astra, GPT-6.1 Sol, Claude Fable 5.1, Opus 5.5 y Grok 4.7. Google pone el énfasis en documentos y trabajo profesional; Meta, en agentes con memoria y tareas de varios pasos. Sus tablas de rendimiento muestran fortalezas distintas según la prueba.

Gemini 4 Argon: documentos y trabajo profesional

Google orienta Argon a investigaciones prolongadas, documentos multimodales y tareas profesionales. Su ficha contempla hasta un millón de tokens combinados de entrada y salida, pero reconoce alucinaciones y posibles demoras. El anuncio del 13 de octubre ofrece API de pago y acceso en Gemini y AI Mode para Pro y Ultra; Antigravity requiere Ultra.

Benchmarks de Google: ventaja en una prueba, desventaja en otra

En DeepSWE v1.1, sobre ingeniería de software, la tabla de Google registra Argon 77,9%; Astra 74,1%; Fable 5.1 67,4%; Opus 5.5 74,2%. En FrontierSWE v2 el orden cambia: Argon 55,0%; Astra 65,5%; Fable 5.1 56,3%; Opus 5.5 62,3%. Google calculó su resultado DeepSWE con mini-swe-agent y obtuvo los rivales de clasificaciones y fichas; FrontierSWE procede de Proximal. Las condiciones de evaluación varían entre los resultados reunidos por Google.

Muse Wonder: agentes y continuidad del trabajo

Meta presenta Wonder y Wonder Full para agentes personales y profesionales, con memoria y tareas de varios pasos. Wonder llega a API y Muse Code; Full se ofrece mediante suscripción a Muse Code. La documentación de la API aún identifica Wonder como preview. El anuncio del 12 de octubre deja para después su incorporación al asistente Muse. La ficha reconoce errores en procesos largos y recomienda supervisión para acciones irreversibles.

Benchmarks de Meta: leer puntos y porcentajes correctamente

En ProgramBench, la tabla de Meta informa Wonder Full 59,0%; Wonder 50,0%; Fable 5.1 55,5%; Astra 52,5%; Opus 5.5 70,5%. Todos usan mini-swe-agent; la métrica cuenta ejecuciones que superan al menos el 95% de las pruebas ocultas. En Artificial Analysis Intelligence Index v4.3 aparecen, en ese mismo orden, 56, 52, 53, 53 y 58 puntos: son puntos de índice, no porcentajes. Meta atribuye ese índice a Artificial Analysis. Full no lidera todas las filas de su propia ficha.

OpenAI: capacidad máxima y una opción de trabajo más económica

OpenAI posiciona Astra, presentado el 3 de septiembre, como su opción de mayor capacidad. GPT-6.1 Sol, anunciado el 29 de septiembre, busca aproximarse a él con menor costo en Work, Codex y API. En la tabla original de Astra, Terminal-Bench 4.0 da 57,9% para Astra y 37,3% para GPT-5.6 Sol, que es el modelo anterior de comparación, no Sol 6.1. En recuperación de contexto MRCR v2, ocho agujas y 512K–1M tokens, registra 96,3% frente a 73,8%. OpenAI selecciona el máximo resultado por nivel de esfuerzo en investigación o API; esas cifras no garantizan igual desempeño en todos los productos.

Anthropic: Opus 5.5 y Fable cumplen papeles distintos

Anthropic presenta Opus 5.5 como una opción de trabajo complejo cercana a Fable 5.1 con menor precio. Fable tiene acceso general; Mythos comparte su base, pero requiere programas verificados. En la tabla de Opus 5.5, Terminal-Bench 4.0 arroja Opus 5.5 66,4%; Fable 5.1 55,8%; Opus 5 52,3%. En OSWorld 2.1, con crédito parcial, registra 81,8%, 80,7% y 74,0%, respectivamente. El crédito parcial no significa completar ese porcentaje de tareas de principio a fin. Anthropic utiliza pensamiento adaptativo máximo salvo excepciones; Terminal-Bench usa xhigh y las salvaguardas pueden activar modelos anteriores.

Grok 4.7: programación y tareas prolongadas

El anuncio del 21 de septiembre sitúa Grok 4.7 en Cursor, Grok Build, API y plataformas de terceros. Su tabla compara Grok 4.7 con esfuerzo xHigh frente a Grok 4.6 con High: CursorBench 4.0 obtiene 46,3% frente a 40,4%; Terminal-Bench 4.0, 37,6% frente a 20,3%. Es una mejora reportada por el proveedor con esfuerzos diferentes, no una comparación a igual cómputo ni una garantía para cualquier proyecto.

Pruebas que miden cosas distintas

Las tablas de Google y Meta no comparan directamente Argon con Wonder y usan versiones diferentes de OSWorld (2.0 frente a 2.1), Harvey LAB y AutomationBench. También varían el crédito parcial en Agent’s Last Exam y las configuraciones de Astra en Terminal-Bench, por lo que los resultados no son directamente intercambiables.

Qué debería mirar el usuario

Para elegir, conviene probar los candidatos con el mismo documento o tarea, las mismas herramientas y un presupuesto comparable. Revisar precisión, necesidad de correcciones, tiempo total y costo por tarea terminada resulta más útil que escoger el mayor porcentaje aislado. Los benchmarks de los fabricantes ayudan a orientar esa elección, pero no sustituyen una prueba con las tareas de cada usuario.

Fuentes

1. Google DeepMind: Gemini 4 Argon — Model Card · 2026-10-13
2. Google DeepMind: Gemini 4 Argon: Model evaluation
3. Google: Introducing Gemini 4 Argon · 2026-10-13
4. Meta: Muse Wonder Model Card · 2026-10-12
5. Meta: Introducing Muse Wonder and Muse Wonder Full: Frontier Models for Agents · 2026-10-12
6. OpenAI: GPT-6 Astra: A new generation of intelligence · 2026-09-03
7. OpenAI: Introducing GPT-6.1 Sol · 2026-09-29
8. Anthropic: Introducing Claude Opus 5.5 · 2026-09-22
9. Anthropic: Introducing Claude Fable 5.1 and Claude Mythos 5.1 · 2026-09-01
10. xAI: Introducing Grok 4.7 · 2026-09-21