IAIAVersusElegir una IA

Protocolo de pruebas · Programación

IA para programación: dificultad y criterios.

Esta ficha define qué se medirá antes de ejecutar modelos. Una prueba reproducible vale más que una respuesta llamativa aislada.

Muestra de tareas

Qué debe resolver un modelo.

Los casos se preparan con datos permitidos, una instrucción estable y un criterio de aceptación que pueda comprobar otra persona.

  • Depuración y explicación de errores
  • Pruebas, documentación y refactorización
  • Tareas de repositorio con pasos definidos

Lote inicial · agosto 2026

Modelos que conviene incluir en la primera pasada.

Son candidatos por adecuación declarada, canal de acceso y tarifa, no posiciones de un ranking. Ejecuta el mismo lote sobre todos los que estén disponibles en tu entorno y conserva el resultado completo.

Evaluación pendiente

Modelo Sonnet de Anthropic para programación, uso de herramientas y trabajo agéntico, con precio introductorio vigente hasta el 31 de agosto de 2026.

ProgramaciónAgentesTrabajo profesional diario
1M contexto$2.00 / 1M coste APIVer ficha
Evaluación pendiente

Variante equilibrada de GPT-5.6 para combinar razonamiento, herramientas y coste en flujos profesionales cotidianos.

Trabajo diarioAgentesAnálisis con presupuesto
1,05M contexto$2.00 / 1M coste APIVer ficha
89

Modelo generalista de alta capacidad, orientado a trabajos complejos, herramientas y flujos de razonamiento.

ProgramaciónAgentesAnálisis
1,05M contexto78/100 valorVer ficha

Dificultad

Tres niveles para no mezclar trabajos distintos.

01 · NIVEL

Básica

Una tarea concreta, datos completos y una salida con formato verificable.

02 · NIVEL

Intermedia

Varias restricciones, contexto de trabajo y comprobación de consistencia.

03 · NIVEL

Avanzada

Varios pasos, información incompleta controlada, coste y éxito medibles.

Matriz de evaluación

Cómo se decide si una respuesta sirve.

  1. Resultados en benchmarks de código comparables
  2. Ventana de contexto y salida estructurada
  3. Coste por tarea y latencia en el flujo real

Además del criterio principal, cada ejecución conserva el modelo y versión exactos, configuración, tokens, coste, latencia, error y revisión necesaria.

Publicación

Cuándo aparecerá un resultado.

Solo se publicará una puntuación cuando la muestra, el prompt, la configuración, la fecha y el criterio de éxito estén disponibles. Hasta entonces esta página es un protocolo, no un ranking encubierto.

Límites del sector

Qué no automatizar sin control.

  • No ejecutes código generado sin revisarlo
  • No expongas secretos ni repositorios sensibles
  • Mide con tareas representativas de tu stack
Volver a la guía sectorial →