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-6-sol-max | Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1455,9Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1449,25 – 1462,56Posición en la fuente: 67 | max10.469 comparacionesIdentidad y recursosgpt-6-sol-max 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-6-sol-max | Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios | 1518,73Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1506,29 – 1531,16Posición en la fuente: 37 | max2441 comparacionesIdentidad y recursosgpt-6-sol-max 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-6-sol-max | Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios | 1436,09Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1422,44 – 1449,74Posición en la fuente: 63 | max2169 comparacionesIdentidad y recursosgpt-6-sol-max 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-6-sol-max | Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios | 1482,16Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1474,15 – 1490,16Posición en la fuente: 61 | max6502 comparacionesIdentidad y recursosgpt-6-sol-max 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-6-sol-max | Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios | 1446,44Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1422,26 – 1470,63Posición en la fuente: 84 | max591 comparacionesIdentidad y recursosgpt-6-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-sonnet-5.5-xhigh | Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios | 1774,29Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1759,33 – 1789,24Posición en la fuente: 3 | xhigh2323 comparacionesIdentidad y recursosclaude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-sonnet-5.5-high | Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios | 1714,88Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1703,92 – 1725,85Posición en la fuente: 6 | high3984 comparacionesIdentidad y recursosclaude-sonnet-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6-sol-max | Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios | 1688,18Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1676,49 – 1699,87Posición en la fuente: 8 | max3407 comparacionesIdentidad y recursosgpt-6-sol-max 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 6 Sol (Max) | Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios | 0,0992IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,0754 – 0,123Posición en la fuente: 6 | max995.954 observaciones6100 sesionesIdentidad y recursosGPT 6 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-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-6-sol | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 49,39 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 46,16 % – 52,62 % | codex 0.159.0 · razonamiento max330 intentos66 tareas × 5 intentos por tarea163 intentos correctos1451,32 US$ · coste registrado del lote completo8,90 US$ por intento correcto · lote / aciertoscodex 0.159.0Versión: 4.0Identidad y recursosopenai/gpt-6-sol Tokens del lote: 4.977.940.044 Duración media por intento: 2662,2 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.
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 Sonnet 5.5
- Uso a valorar: Programación
- Uso a valorar: Agentes
- Uso a valorar: Trabajo diario
GPT-6 Sol
- Uso a valorar: Programación
- Uso a valorar: Agentes
- Uso a valorar: Análisis
Datos de cada modelo
Fuentes y fecha de revisión.
Claude Sonnet 5.5
Ficha revisada: 9 oct 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.