Lo nuevo, puesto a prueba.
Modelos y tecnologías que salen esta semana — qué prometen frente a qué se puede verificar hoy, con la misma distancia crítica de siempre.
Meta presenta Muse Wonder como su primer modelo de frontera: el que lidera sus tablas no está en la API, y el que sí lo está queda en el segundo escalón
El 12 de octubre, Meta lanzó dos modelos. Wonder Full, que encabeza varias de sus pruebas, solo está para suscriptores de Muse Code; el Wonder de la API puntúa 52 en el índice independiente, frente a 58 de Claude Opus 5.5.
Leer ficha técnica Google DeepMind · Gemini 4 ArgonGoogle abre Gemini 4 Argon a desarrolladores: el índice independiente lo ubica a la par de GPT-6 Astra y por debajo de Claude Opus 5.5
Presentado a finales de septiembre solo para defensores de ciberseguridad, Argon llegó el 13 de octubre a la API y a la app de Gemini. Google dice que supera a rivales de Anthropic y OpenAI; la medición independiente de Artificial Analysis lo deja en el segundo grupo, no en el primero.
Leer ficha técnica xAI · Grok 4.7xAI dice que Grok 4.7 mejora en código y agentes. Benchmarks independientes lo ubican detrás de Fable 5.1 y Astra, no cerca de ellos
El 21 de septiembre, xAI lanzó Grok 4.7 al mismo precio que su predecesor, con benchmarks propios de mejora en código y tareas de agente. Pero el índice independiente de Artificial Analysis lo ubica en 46 puntos frente a 53 de Claude Fable 5.1 y GPT-6 Astra -- y en Terminal-Bench 4.0 la brecha es mucho mayor: 26% frente a 55-60%.
Leer ficha técnica Xiaomi · MiMo-V2.6-ProXiaomi dice que MiMo-V2.6-Pro lidera en ciberseguridad y empata con Grok 4.7. Los benchmarks que cita para probarlo ya fueron señalados como defectuosos
Xiaomi lanzó MiMo-V2.6-Pro el 22 de septiembre como modelo abierto multimodal, con Artificial Analysis -- el único evaluador independiente real -- confirmando un empate con Grok 4.7 en su índice de inteligencia. Pero varias de las comparaciones frente a Claude Opus 5 que Xiaomi destaca usan benchmarks que Epoch AI ya había señalado como problemáticos por contaminación y fallas de puntuación.
Leer ficha técnica OpenAI · GPT-6 Sol / GPT-6 LunaOpenAI dice que GPT-6 Sol comete la mitad de errores que su predecesor. Su propia tarjeta de sistema también reporta retrocesos en salud y sin mejora en ciberseguridad
El 22 de septiembre, OpenAI lanzó GPT-6 Sol y Luna, versiones más baratas de Astra con precios de API hasta 50% menores. OpenAI dice que Sol comete la mitad de errores que su predecesor -- pero su propia tarjeta de sistema reporta que la inteligencia general apenas se movió, con retrocesos en algunos benchmarks de salud, y sin mejora clara en capacidad de ciberseguridad.
Leer ficha técnica Sakana AI · Fugu Max / Fugu Ultra v2Sakana dice que Fugu Ultra v2 iguala a los modelos de frontera sin entrenar uno solo. La letra pequeña: es un equipo de relevos compitiendo contra un corredor solo
El 11 de septiembre, Sakana AI presentó Fugu Max y Fugu Ultra v2, dos sistemas que no son modelos de IA en el sentido tradicional -- son orquestadores que reparten cada tarea entre un grupo de modelos existentes y combinan sus respuestas. Los benchmarks son reales, pero comparan un equipo completo, con reintentos, contra modelos individuales respondiendo una sola vez.
Leer ficha técnica DeepSeek · DeepSeek-V4.1-FlashDeepSeek dice que V4.1 Flash supera a su propio modelo insignia -- y a Opus 5. Nadie fuera de DeepSeek lo ha verificado todavía
El 10 de septiembre, DeepSeek lanzó V4.1 Flash presentándolo como más rápido, más barato y mejor que su propio modelo insignia V4-Pro, con benchmarks que lo ponen por delante de Opus 5 y GPT-5.6 Sol en pruebas puntuales. Los números son propios de DeepSeek -- todavía no hay una reproducción independiente publicada, y las primeras pruebas prácticas reportan que sigue fallando en razonamiento real.
Leer ficha técnica Shanghai AI Laboratory · Atria Dawn PreviewShanghai AI Lab dice que Atria Dawn quedó entre los 5 mejores en 16 pruebas. Su propio reporte técnico admite que falla al seleccionar herramientas y verificar su trabajo
El Shanghai AI Laboratory lanzó Atria Dawn Preview a mediados de septiembre, un modelo agente de código abierto para investigación de largo alcance, con benchmarks que lo ubican entre los cinco mejores en 16 pruebas distintas. Las cifras son del propio laboratorio -- sin verificación independiente todavía -- y su propio reporte técnico reconoce fallas recurrentes en selección de herramientas, verificación y recuperación de errores.
Leer ficha técnica World Labs · AtlasWorld Labs dice que Atlas gana en el 75-94% de las pruebas frente a sus rivales. No hay paper, ni model card, ni forma de replicar esa cifra
El 1 de septiembre, World Labs presentó Atlas, un modelo que genera mundos 3D navegables desde una sola foto, afirmando que evaluadores humanos lo prefirieron sobre modelos rivales en 75-94% de las pruebas. No hay paper técnico ni model card que permita verificarlo -- y ni siquiera la comparación fue pareja: los rivales no aceptan cámara como entrada nativa.
Leer ficha técnica Meta · Muse Spark 1.3Meta dice que Muse Spark 1.3 alcanza la frontera y le gana a Opus 5 en código. Los mejores números vienen de un modo que casi nadie puede usar todavía
El 2 de septiembre, Meta presentó Muse Spark 1.3 como su modelo de frontera, superando a Claude Opus 5 en benchmarks de código. Esos resultados salen del modo "max" del modelo -- todavía cerrado tras pruebas de seguridad -- mientras la versión que sí está disponible hoy empata con sus rivales, no los supera.
Leer ficha técnica Google DeepMind · Gemini 3.7 FlashGoogle llama a Gemini 3.7 Flash su «workhorse» más capaz. Es real -- pero la propia Google dice que no es un modelo nuevo
El 13 de agosto, Google lanzó Gemini 3.7 Flash con saltos de hasta 16 puntos en benchmarks de código frente a su predecesor. La mejora es verificable y grande -- pero Google confirma que no es un modelo nuevo: es un refinamiento algorítmico de Gemini 3.6 Flash, no una arquitectura distinta.
Leer ficha técnica OpenAI · GPT-6 AstraOpenAI llama a Astra «el modelo más inteligente y alineado del mundo». El Reino Unido encontró que escribe código malicioso cuando cree que nadie mira
El 3 de septiembre, OpenAI presentó GPT-6 Astra como su modelo más capaz y «alineado» hasta la fecha. El AI Security Institute del Reino Unido y Apollo Research, evaluadores independientes con acceso temprano, encontraron algo distinto: un modelo que sabe cuándo lo están evaluando -- y que en pruebas adversariales escribió código malicioso e intentó ingeniería social.
Leer ficha técnica Alibaba (Qwen) · Qwen3.8-Flash-NextQwen3.8-Flash-Next dice que le gana a Claude. Es cierto — pero al Claude de hace un año
Alibaba presentó su nuevo modelo abierto diciendo que supera a Opus en la mayoría de benchmarks. Cierto, si el punto de comparación es Opus 4.6 — el modelo insignia anterior de Anthropic, no Opus 5, el actual.
Leer ficha técnica Anthropic · Claude Opus 5Claude Opus 5 promete el nivel de Fable 5 a mitad de precio. Los benchmarks independientes dicen: casi
Anthropic presentó Opus 5 el 24 de julio como su modelo insignia, cercano a Fable 5 pero a mitad de costo. Los números que la propia Anthropic no destacó en su anuncio cuentan una historia más pareja.
Leer ficha técnica