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-sonnet-5.5-xhigh | Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1475,79Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1466,97 – 1484,62Posición en la fuente: 32 | xhigh4838 comparacionesIdentidad y recursosclaude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-5.6-luna-xhigh | Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1452,45Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1448,13 – 1456,77Posición en la fuente: 74 | xhigh40.917 comparacionesIdentidad y recursosgpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-sonnet-5.5-xhigh | Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios | 1531,81Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1514,61 – 1549,01Posición en la fuente: 18 | xhigh1176 comparacionesIdentidad y recursosclaude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-5.6-luna-xhigh | Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios | 1500,99Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1494,32 – 1507,67Posición en la fuente: 75 | xhigh11.083 comparacionesIdentidad y recursosgpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-sonnet-5.5-xhigh | Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios | 1463,03Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1444,13 – 1481,92Posición en la fuente: 24 | xhigh1079 comparacionesIdentidad y recursosclaude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-5.6-luna-xhigh | Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios | 1409,56Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1401,95 – 1417,17Posición en la fuente: 91 | xhigh8576 comparacionesIdentidad y recursosgpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-sonnet-5.5-xhigh | Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios | 1506,84Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1495,91 – 1517,76Posición en la fuente: 19 | xhigh3023 comparacionesIdentidad y recursosclaude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-5.6-luna-xhigh | Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios | 1474,2Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1469,15 – 1479,25Posición en la fuente: 78 | xhigh26.900 comparacionesIdentidad y recursosgpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-sonnet-5.5-xhigh | Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios | 1512,43Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1476,46 – 1548,39Posición en la fuente: 8 | xhigh252 comparacionesIdentidad y recursosclaude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-5.6-luna-xhigh | Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios | 1477,18Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1463,53 – 1490,83Posición en la fuente: 44 | xhigh1933 comparacionesIdentidad y recursosgpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-sonnet-5.5-xhigh | Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1268,34Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1253,15 – 1283,52Posición en la fuente: 35 | xhigh1608 comparacionesIdentidad y recursosclaude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-5.6-luna-xhigh | Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1259,81Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1252,19 – 1267,43Posición en la fuente: 44 | xhigh10.446 comparacionesIdentidad y recursosgpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| Claude Sonnet 5.5 (Max) | Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios | 0,1195IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,0864 – 0,1527Posición en la fuente: 4 | max712.588 observaciones6780 sesionesIdentidad y recursosClaude Sonnet 5.5 (Max) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| GPT 5.6 Luna (xHigh) | Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios | -0,0148IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: -0,0217 – -0,0079Posición en la fuente: 36 | xhigh4.165.053 observaciones43.264 sesionesIdentidad y recursosGPT 5.6 Luna (xHigh) 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-sonnet-5-5 | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 61,82 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 58,88 % – 64,76 % | claude-code 2.1.284 · razonamiento max330 intentos66 tareas × 5 intentos por tarea204 intentos correctos7333,64 US$ · coste registrado del lote completo35,95 US$ por intento correcto · lote / aciertosclaude-code 2.1.284Versión: 4.0Identidad y recursosanthropic/claude-sonnet-5-5 Tokens del lote: 19.413.047.384 Duración media por intento: 7431,6 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-5.6-luna | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 17,27 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 14,42 % – 20,12 % | codex 0.149.1 · razonamiento max330 intentos66 tareas × 5 intentos por tarea57 intentos correctos346,67 US$ · coste registrado del lote completo6,08 US$ por intento correcto · lote / aciertoscodex 0.149.1Versión: 4.0Identidad y recursosopenai/gpt-5.6-luna Tokens del lote: 11.557.463.640 Duración media por intento: 4088,3 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.
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 Sonnet 5.5
- Uso a valorar: Programación
- Uso a valorar: Agentes
- Uso a valorar: Trabajo diario
GPT-5.6 Luna
- Uso a valorar: Alto volumen
- Uso a valorar: Clasificación
- Uso a valorar: Automatizaciones con coste sensible
Datos de cada modelo
Fuentes y fecha de revisión.
Claude Sonnet 5.5
Ficha revisada: 9 oct 2026.
GPT-5.6 Luna
Ficha revisada: 31 ago 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.