Comparación métrica a métrica
Las diferencias que importan.
Todavía no existe una puntuación comparable publicada para esta tarea. Mostramos capacidades y fuentes, pero no convertimos valores vacíos en un ranking.
Ficha técnica comparada
Lo que sí se puede decidir antes del benchmark.
Estas diferencias son datos publicados del modelo y no sustituyen una ejecución controlada. «Pendiente de prueba» significa que aún no hay una puntuación IA Versus comparable.
Evidencia externa
Resultados publicados, con contexto.
La primera tabla reúne cortes compartidos de la misma fuente y tarea. Las pruebas de agentes necesitan también el mismo agente, versión, esfuerzo y dataset. Conservamos todas las configuraciones disponibles; no seleccionamos la puntuación máxima de cada modelo.
| Versión evaluada | Fuente y tarea | Resultado publicado | Configuración, muestra y recursos | Fecha y trazabilidad |
|---|---|---|---|---|
| claude-opus-5.5-high | Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1507,08Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1498,97 – 1515,18Posición en la fuente: 2 | high6272 comparacionesIdentidad y recursosclaude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6.1-sol-max | Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1483,72Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1474,56 – 1492,88Posición en la fuente: 21 | max4512 comparacionesIdentidad y recursosgpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-opus-5.5-high | Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios | 1549,52Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1533,78 – 1565,27Posición en la fuente: 5 | high1444 comparacionesIdentidad y recursosclaude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6.1-sol-max | Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios | 1545,26Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1525,45 – 1565,08Posición en la fuente: 8 | max911 comparacionesIdentidad y recursosgpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-opus-5.5-high | Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios | 1517,21Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1500,27 – 1534,16Posición en la fuente: 2 | high1480 comparacionesIdentidad y recursosclaude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6.1-sol-max | Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios | 1461,9Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1442,25 – 1481,55Posición en la fuente: 26 | max998 comparacionesIdentidad y recursosgpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-opus-5.5-high | Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios | 1533,22Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1523,14 – 1543,3Posición en la fuente: 2 | high3901 comparacionesIdentidad y recursosclaude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6.1-sol-max | Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios | 1506,76Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1494,81 – 1518,71Posición en la fuente: 20 | max2596 comparacionesIdentidad y recursosgpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-opus-5.5-high | Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios | 1499,24Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1467,87 – 1530,6Posición en la fuente: 16 | high324 comparacionesIdentidad y recursosclaude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6.1-sol-max | Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios | 1488,13Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1452,85 – 1523,4Posición en la fuente: 29 | max247 comparacionesIdentidad y recursosgpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-opus-5.5-max | Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios | 1813,03Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1797,69 – 1828,37Posición en la fuente: 1 | max2294 comparacionesIdentidad y recursosclaude-opus-5.5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6.1-sol-max | Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios | 1755,4Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1740,39 – 1770,4Posición en la fuente: 4 | max2102 comparacionesIdentidad y recursosgpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| Claude Opus 5.5 (High) | Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios | 0,1433IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,1215 – 0,1651Posición en la fuente: 1 | high940.970 observaciones6103 sesionesIdentidad y recursosClaude Opus 5.5 (High) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| GPT 6.1 Sol (Max) | Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios | 0,1172IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,0868 – 0,1477Posición en la fuente: 5 | max548.776 observaciones8201 sesionesIdentidad y recursosGPT 6.1 Sol (Max) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
Pruebas técnicas disponibles sin protocolo compartido · 2 resultados
Estos resultados aportan contexto a cada modelo, pero no permiten declarar un ganador entre todos los seleccionados. Diferencias de agente, versión o configuración pueden cambiar el resultado y el coste.
| Versión evaluada | Fuente y tarea | Resultado publicado | Configuración, muestra y recursos | Fecha y trazabilidad |
|---|---|---|---|---|
| anthropic/claude-opus-5-5 | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 64,85 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 61,74 % – 67,96 % | claude-code 2.1.284 · razonamiento max330 intentos66 tareas × 5 intentos por tarea214 intentos correctos4718,65 US$ · coste registrado del lote completo22,05 US$ por intento correcto · lote / aciertosclaude-code 2.1.284Versión: 4.0Identidad y recursosanthropic/claude-opus-5-5 Tokens del lote: 8.034.082.467 Duración media por intento: 4790,4 s Intentos descalificados: 0 Dataset: sha256:39d9f44b40420cde8fdcc087579c0d72a7e14fa3656d603c3f0d22fb35e27732 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: 2e29ca91d5f1cb6fb60924bf867acc755565c044 | Archivo fechado Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| openai/gpt-6.1-sol | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 58,18 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 55,07 % – 61,29 % | codex 0.159.0 · razonamiento max330 intentos66 tareas × 5 intentos por tarea192 intentos correctos634,24 US$ · coste registrado del lote completo3,30 US$ por intento correcto · lote / aciertoscodex 0.159.0Versión: 4.0Identidad y recursosopenai/gpt-6.1-sol Tokens del lote: 1.459.936.514 Duración media por intento: 3176,7 s Intentos descalificados: 0 Dataset: sha256:39d9f44b40420cde8fdcc087579c0d72a7e14fa3656d603c3f0d22fb35e27732 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: 2e29ca91d5f1cb6fb60924bf867acc755565c044 | Archivo fechado Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
Un modo «high» no equivale al mismo presupuesto en todos los proveedores. Los intervalos, la muestra y la configuración condicionan la lectura; esta tabla no se transforma en una nota global de IA Versus.
Coste API orientativo
Coste según la unidad del proveedor.
Estándar: 2 USD entrada · 10 USD salida por 1M; con más de 272K de entrada: 4/15 USD. Fast x2, Ultrafast x6.
Ver tarifa y condiciones →El coste por tarea dependerá del volumen, caché, razonamiento y tasa de éxito. Las tarifas son las publicadas en las fuentes de cada ficha; los planes de producto se contratan por separado.
Cuándo elegir cada uno
No hay un ganador universal.
Claude Opus 5.5
- Uso a valorar: Código
- Uso a valorar: Agentes
- Uso a valorar: Análisis largo
GPT-6.1 Sol
- Uso a valorar: Programación
- Uso a valorar: Agentes
- Uso a valorar: Trabajo profesional
Datos de cada modelo
Fuentes y fecha de revisión.
Claude Opus 5.5
Ficha revisada: 28 sep 2026.
Metodología
Criterios de esta comparación.
El índice equilibrado aplica 55% a calidad, 15% a programación, 20% a valor y 10% a velocidad cuando existe una evaluación común. Los votos de esta página representan preferencias de usuarios y se consultan aparte.
Revisar metodología y límites →Experiencia de la comunidad
¿Cuál elegirías tú?
Tu voto se muestra separado de benchmarks y especificaciones. Sé la primera persona en votar para esta tarea.