El futuro de los Large Language Models

Vea el futuro de los large language models profundizando en enfoques prometedores, como el autoentrenamiento, la verificación de hechos y la experiencia dispersa, que podrían abordar las limitaciones de los LLM.

Comparación de la tasa de éxito de los LLM

Claude Sonnet 4.6 lideró el benchmark con una puntuación general de 0.748, con las variantes base y thinking empatadas hasta el tercer decimal. Claude Opus 4.8 (0.702), Opus 4.6 base (0.706) y Opus 4.6 thinking (0.729) le siguieron, otorgando a Anthropic las cinco primeras posiciones. El primer model no-Anthropic fue Gemini 3.5 Flash, thinking con 0.625. Las variantes de GPT se agruparon entre 0.57 y 0.60, con puntuaciones de backend más sólidas compensadas por la inestabilidad del frontend. Vea más en nuestro artículo de benchmark.

LLM Metodología del benchmark

Hicimos benchmark de los principales large language models en 10 tareas de desarrollo de software mediante un arnés de CLI agéntico. Cada model se ejecutó 3 veces por tarea (30 muestras por model, 270 celdas de validación por iteración) para estabilizar las puntuaciones y medir la varianza por celda. Todos los models fueron accedidos a través de OpenRouter en condiciones idénticas: mismo arnés, mismas instrucciones de tarea, mismo entorno de hardware.

Models probados

El benchmark cubre los models disponibles a través de la API a fecha de junio de 2026. Todas las variantes enumeradas a continuación se probaron de forma independiente:

• Claude Sonnet 4.6 (base y thinking)
• Claude Opus 4.8
• Claude Opus 4.6 (base y thinking)
• Claude Opus 4.7
• Gemini 3.5 Flash (base y thinking)
• GPT 5.5 (thinking)
• GPT 5.4 Mini
• GPT 5.3 Codex
• MiniMax M3
• Grok 4.3
• Qwen 3.6 Plus (base y thinking)
• GLM 5.1 (base y thinking)
• Deepseek V4 Pro (base y thinking)

Entorno de prueba

Cada agente y tarea comienza en un entorno limpio. Las instrucciones de la tarea se proporcionan como un archivo TASK.md. Un watchdog de latido de 20 minutos supervisa cada ejecución. Registramos los códigos de salida, el tiempo de ejecución, la creación de archivos de backend y frontend, y el uso de tokens en tiempo real en las categorías de entrada, salida y caché.

Las tareas abarcan desde sistemas de reservas hasta paneles interactivos. Todas requieren gestión de proyectos de múltiples archivos y un entregable full-stack funcional.

Puntuación

Validación de backend: Los proyectos generados se despliegan en entornos aislados y se prueban con un contrato YAML canónico que cubre escenarios de camino feliz, manejo de errores (400/403/409) y consistencia de datos. Se utilizan dos modos:

• Modo adaptativo valida la funcionalidad incluso cuando los nombres de las rutas difieren de la especificación
• Modo estricto requiere el cumplimiento exacto del contrato (rutas, códigos de estado, campos de respuesta)

Puntuación de backend por celda: backend_overall = has_backend × (0.7 × adaptive_pass_rate + 0.3 × strict_pass_rate)

Validación de UI: La automatización del navegador simula flujos reales de usuario, incluyendo preflights, renderizado, envío de inicio de sesión y comportamiento posterior al inicio de sesión. Ocho pasos divididos en dos grupos:

• Pasos de infraestructura (preflight de backend, renderizado de frontend, formulario de inicio de sesión visible, envío de inicio de sesión, login 2xx, sin fallo en tiempo de ejecución)
• Pasos de comportamiento (señal de autenticación posterior al inicio de sesión, señal de comportamiento posterior al inicio de sesión)

Puntuación de UI por celda: ui_score = (behavior_passed / (behavior_passed + behavior_failed)) × (infra_passed / infra_total)

Los pasos de comportamiento bloqueados se excluyen del denominador de comportamiento para que una celda no sea penalizada dos veces cuando la aplicación no carga.

Puntuación final: Final Score = (0.7 × backend_overall) + (0.3 × ui_score)

El backend tiene mayor peso porque los fallos de lógica a nivel de la API suelen invalidar cualquier éxito del frontend.

Medición de costes

El coste por celda se calcula a partir del uso de tokens extraído de la respuesta de la LLM API. Los tokens de entrada en caché se restan de los tokens de entrada totales para obtener la entrada efectiva (solo los tokens recién procesados). Los tokens de salida nunca se almacenan en caché y permanecen sin cambios. Las tarifas por token se obtienen de LLM Pricing en el momento de la prueba.

Limitaciones

• Alcance de las tareas: Las 10 tareas son construcciones de aplicaciones web full-stack. El benchmark no cubre tareas de razonamiento puro, resolución de problemas científicos, resumen ni cargas de trabajo específicas de dominio (legal, médico, financiero). Las puntuaciones reflejan específicamente la capacidad de codificación agéntica.
• Acceso solo por API: Todos los models se probaron a través de la API. Los despliegues locales u on-premise de los mismos models pueden producir resultados diferentes según la cuantización, el hardware y la configuración de inference.
• Instantánea en el tiempo: Las versiones de los models cambian. Los resultados reflejan la versión de la API activa en el momento de la prueba. Una actualización del model puede mover las puntuaciones en cualquier dirección sin previo aviso del proveedor.
• Estilo de llamadas a herramientas: Los models difieren en cómo estructuran las escrituras y ediciones de archivos (por ejemplo, el apply_patch de OpenAI agrupa un diff de archivo completo en una sola llamada; los models de Anthropic escriben y reeditan a través de múltiples llamadas). El recuento de llamadas a herramientas no es un proxy directo de la calidad.
• Arnés único: Todas las pruebas utilizaron Opencode como arnés del agente. Un arnés diferente puede producir clasificaciones relativas diferentes, especialmente para los models cuyo comportamiento predeterminado está ajustado para patrones específicos de uso de herramientas.

Tendencias futuras de los large language models

1- Verificación de hechos en tiempo real con datos en vivo

LLMs acceden a fuentes externas durante las conversaciones en lugar de depender solo de los datos de entrenamiento. El model consulta bases de datos externas, recupera información actual y proporciona citas.

Limitación: Sigue cometiendo errores. Las citas no garantizan la exactitud; los models a veces citan fuentes de forma incorrecta o malinterpretan el contenido citado.

Microsoft Copilot: Integra GPT-5.4 Thinking con datos de internet en vivo, introduciendo los modos “Quick Response” y “Think Deeper” para un razonamiento adaptado a distintos tipos de tareas.¹ El agente Researcher combina GPT para la investigación inicial con Anthropic’s Claude revisando los resultados para comprobar la exactitud y la calidad de las citas antes de ofrecer una mejora del 13,8 % en el benchmark de investigación profunda DRACO frente a los sistemas independientes.²

• ChatGPT: Busca en la web cuando se le pregunta por eventos recientes. Cita fuentes en las respuestas.
• Perplexity: Está diseñado específicamente para búsquedas con citas. Cada respuesta incluye enlaces a fuentes.

2- Datos de entrenamiento sintéticos

Los models generan sus propios datasets de entrenamiento en lugar de requerir datos etiquetados por humanos.

Google’s self-improving model (investigación de 2023):

• El model crea preguntas
• Cura respuestas
• Realiza fine-tuning sobre los datos generados

Rendimiento mejorado: de 74,2 % a 82,1 % en problemas matemáticos GSM8K, de 78,2 % a 83,0 % en comprensión lectora DROP.

OpenAI, Anthropic y Google están utilizando datos sintéticos para complementar los datasets etiquetados por humanos. Esto reduce los costes de etiquetado de datos, pero introduce nuevos riesgos de sesgo; los models pueden amplificar sus propios errores.

Fuente: «Large Language Models Can Self-Improve»

Una encuesta de marzo de 2026 encontró que el 76 % de los investigadores de IA cree que las ganancias derivadas de escalar la computación y los datos se han estancado, y los principales laboratorios informan de rendimientos decrecientes a pesar de las enormes inversiones. El hallazgo sugiere que el próximo salto en la capacidad de los LLM probablemente provenga de la innovación arquitectónica, como una mayor eficiencia en el entrenamiento, arquitecturas dispersas o mejoras en el razonamiento, más que de seguir escalando los enfoques existentes.³

3- Sparse Expert Models (Mixture of Experts)

En lugar de activar toda la red neuronal para cada entrada, solo se activa un subconjunto relevante de parámetros, según la tarea. El model enruta la entrada a “expertos” especializados dentro de la red. Solo los expertos activados procesan la consulta.

Ejemplos reales:

• Llama 4 Scout: 109B parámetros totales, 17B activos por token. La arquitectura Mixture of Experts (MoE) ofrece una ventana de contexto de 10M tokens en una sola H100 GPU.
• Mistral Devstral 2: Diseñado específicamente para tareas de ingeniería de software. 123B parámetros, ventana de contexto de 256K tokens. Logra un 72,2 % en SWE-bench Verified, lo que lo establece como el model de código de peso abierto líder. Una variante más pequeña, Devstral Small 2 (24B parámetros), se ejecuta localmente en hardware de consumo bajo la licencia Apache 2.0.⁴
• En nuestro A-CODE-LLM Bench, tanto las variantes base como thinking de DeepSeek V4 Pro obtuvieron una puntuación inferior a 0.45 en general, con tiempos de finalización superiores a 1.700 segundos por tarea. La capacidad de codificación agéntica del model está por detrás de su sólido rendimiento en benchmarks de consulta única, lo que probablemente refleja una menor madurez en el uso de herramientas en comparación con los models de vanguardia de Anthropic y Google en esta etapa.

4- Integración empresarial de flujos de trabajo

LLMs están integrados directamente en los procesos empresariales en lugar de usarse como herramientas independientes.

Ejemplos reales:

• Salesforce Agentforce (anteriormente Einstein Copilot): Integra LLMs en las operaciones de CRM. Responde consultas de clientes, genera contenido y ejecuta acciones en Salesforce, basándose en los datos y metadatos de CRM de la organización a través de la Einstein Trust Layer.⁵
• Microsoft 365 Copilot: Integrado en Word, Excel, PowerPoint y Outlook. Redacta documentos, analiza hojas de cálculo, genera presentaciones y resume hilos de correo electrónico, basándose en los datos de la empresa a través de Microsoft Graph para fundamentar las respuestas en el contexto organizativo.⁶ El agente Researcher utiliza una arquitectura multi-model en la que GPT se encarga de la investigación inicial y Claude revisa los resultados antes de la entrega, la primera implementación comercial confirmada de proveedores de IA competidores dentro de un solo producto empresarial.
• Anthropic Claude para Enterprise: La separación de memoria basada en proyectos mantiene los contextos de trabajo diferenciados entre equipos. Claude Opus 4.6 introdujo equipos de agentes, lo que permite que múltiples agentes de Claude dividan tareas más grandes en flujos de trabajo paralelos, cada uno dueño de un segmento y coordinándose con los demás simultáneamente. La misma versión integró Claude directamente en PowerPoint como un panel lateral nativo (vista previa de investigación), lo que permite crear y editar presentaciones dentro de la aplicación sin transferencias de archivos.⁷

5- Híbridos LLMs con capacidades multimodales

Los grandes models multimodales integran múltiples formas de datos, como texto, imágenes y audio, lo que les permite comprender y generar contenido en diferentes tipos de medios.

• En nuestro A-CODE-LLM Bench, GPT 5.5 thinking obtuvo 0.597 con un tiempo medio de finalización de 276 segundos, el model más rápido por encima de 0.50 en tiempo. El coste por celda de la API fue de $0,41–$0,45 para las variantes mini, aproximadamente un tercio del coste de Claude Sonnet 4.6 en rangos de puntuación similares.
• Gemini 2.5 Pro: Maneja de forma nativa texto, audio, imágenes, video y repositorios de código completos dentro de una ventana de contexto de 1M tokens. Disponible en Google IA Studio, Vertex AI y NotebookLM. El precio comienza en $1,25 por millón de tokens de entrada y $10 por millón de tokens de salida a través de la API.⁸
• Llama 4 Scout y Maverick: Los models de peso abierto de Meta utilizan tokens multimodales de texto y visión con early-fusion, entrenados juntos desde el principio en lugar de añadirse como módulos separados. Los models fueron preentrenados en 200 idiomas y se proporcionó soporte específico de fine-tuning para 12 idiomas, incluidos árabe, español, alemán e hindi.⁹

La capacidad multimodal es estándar en todos los models de vanguardia. El reto pendiente es la consistencia: los models funcionan bien en combinaciones comunes de imagen y texto, pero se degradan en contextos visuales poco frecuentes, entradas de baja resolución y razonamiento intermodal que requiere conectar evidencia visual y textual.

6- Modelos de razonamiento

Los models que piensan los problemas paso a paso en lugar de generar respuestas inmediatas.
Este cambio de la predicción al razonamiento es fundamental para permitir:

• Comportamiento agéntico, donde los models planifican, ejecutan y adaptan tareas de forma autónoma.
• IA interpretable, donde las salidas son paso a paso y lógicamente sólidas, no solo aparentemente plausibles.
• Claude Sonnet 4.6: El líder de producción actual de Anthropic en benchmarks de codificación agéntica, con una puntuación de 0.748 en el A-CODE-LLM Bench de AIMultiple, por encima de todas las variantes de Opus. Utiliza pensamiento adaptativo, donde el model determina dinámicamente la profundidad del razonamiento en función de la complejidad de la tarea sin necesidad de cambiar manualmente de modo. El precio es de $3/$15 por millón de tokens. En SWE-bench Verified, Sonnet 4.6 alcanza un 79,6 %, a un punto de Opus 4.7’s 80,8 %, a una quinta parte del coste.
• Claude Opus 4.7: El buque insignia de Anthropic en razonamiento complejo de múltiples pasos y visión (98,5 % en el benchmark de agudeza visual de XBOW, frente al 54,5 % de la generación anterior). Con un precio de $5/$25 por millón de tokens. En el benchmark de AIMultiple, Opus 4.7 obtuvo 0.61, por debajo de Sonnet 4.6 (0.748) y Opus 4.8 (0.702), principalmente debido a una mayor latencia (1.562 segundos de media por tarea) que degrada las puntuaciones de UI. La diferencia con Sonnet se amplía en tareas de razonamiento abstracto como ARC-AGI-2.
• Claude Opus 4.8: Lanzado después de Opus 4.7, recuperándose de la regresión de 4.7 en codificación agéntica. Obtuvo 0.702 en el A-CODE-LLM Bench, quinto en general. Completó la tarea de referencia en 34 segundos, el model más rápido del benchmark en esa tarea usando solo 6 llamadas a herramientas. Precio: $2,92 por celda en condiciones de benchmark ($15/$75 por millón de tokens).

7- Modelos específicos de dominio con fine-tuning

Los models entrenados con datos especializados para sectores específicos en lugar de un entrenamiento de propósito general.
Google, Microsoft y Meta han lanzado importantes models propietarios específicos de dominio y fine-tuned dirigidos a casos de uso empresariales específicos además de sus ofertas de propósito general.
Estos LLMs especializados pueden dar lugar a menos alucinaciones y a una mayor precisión al aprovechar el pre-entrenamiento específico del dominio, la alineación del model y el fine-tuning supervisado.

Codificación

GitHub Copilot: Fine-tuned en repositorios de código. En julio de 2025, 20 millones de desarrolladores usan GitHub Copilot, un aumento interanual del 400 %, y el 90 % de las empresas Fortune 100 lo utiliza. Autocompleta código, genera funciones y sugiere correcciones de errores.¹⁰

Finanzas

BloombergGPT: 50 mil millones de parámetros, LLM entrenado con un dataset de 363 mil millones de tokens de documentos financieros de Bloomberg, que supera a models de tamaño comparable en benchmarks financieros de NLP, incluidos el análisis de sentimiento, el reconocimiento de entidades nombradas y la respuesta a preguntas.¹¹

Salud

Google’s Med-PaLM 2: Fine-tuned en datasets médicos, alcanzó una precisión de más del 85 % en preguntas tipo examen de licencia médica de EE. UU. (USMLE), el primer LLM en alcanzar un rendimiento de nivel experto en este benchmark. Impulsa MedLM, la familia de models fundacionales de salud de Google Cloud.¹²

Derecho

ChatLAW: Un model lingüístico de código abierto entrenado específicamente en datasets del ámbito jurídico chino.¹³

8- IA ética y mitigación de sesgos

Las empresas se centran cada vez más en la IA ética y la mitigación de sesgos en el desarrollo y la implementación de los large language models.

• Anthropic y OpenAI realizaron una evaluación de alineamiento mutua a mediados de 2025, probando los models públicos de cada uno en busca de adulación, tendencias a denunciar irregularidades y comportamientos de autoconservación. El ejercicio encontró adulación en todos los models probados, incluidos casos en los que los models validaron decisiones perjudiciales de usuarios simulados que mostraban creencias delirantes. Posteriormente, Anthropic desarrolló el framework de pruebas Bloom específicamente para hacer benchmark de este comportamiento en nuevos models.
• Anthropic también lanzó Claude Mythos Preview (Project Glasswing), un model solo por invitación puesto a disposición de un pequeño grupo de organizaciones específicamente para encontrar y corregir vulnerabilidades de ciberseguridad en los principales sistemas operativos y navegadores web. Anthropic ha declarado que no tiene previsto hacer que este model esté disponible de forma general. El enfoque de acceso controlado representa un nuevo framework para implementar models especializados altamente capaces cuando el perfil de riesgo requiere un despliegue restringido.¹⁴
• Google DeepMind: Publicó “The Ethics of Advanced IA Assistants”, ofreciendo el primer tratamiento sistemático de las cuestiones éticas y sociales que plantean los agentes de IA, cubriendo la alineación de valores, los riesgos de manipulación, el antropomorfismo, la privacidad y la equidad. La evaluación de IA Responsable de la empresa incluyó más de 350 ejercicios adversarios de red team e introdujo un nuevo Nivel de Capacidad Crítica específicamente para la manipulación perjudicial, tratándolo como un riesgo de nivel frontera junto a los ciberataques y las amenazas CBRN.

Limitaciones de los large language models (LLMs)

1- Alucinaciones

Los models generan información aparentemente plausible pero incorrecta.

El leaderboard de alucinaciones de Vectara es el benchmark de resumen fundamentado más referenciado de la industria. En el dataset original de Vectara, los Google’s Gemini models ocupan sistemáticamente las primeras posiciones, y las variantes Gemini Flash logran tasas de alucinación inferiores al 1 %. La familia GPT de OpenAI se agrupa entre el 0,8 % y el 2,0 %.

Vectara lanzó un benchmark significativamente más difícil a finales de 2025: 7.700 artículos (frente a 1.000), documentos más largos de hasta 32K tokens y contenido que abarca derecho, medicina, finanzas y tecnología. Los hallazgos en el nuevo dataset revelan un patrón contraintuitivo: los models de razonamiento y thinking que destacan en tareas complejas alucinan con frecuencia más en resúmenes fundamentados que models más pequeños y rápidos. La mayoría de los models de clase thinking muestran tasas de alucinación superiores al 10 % en el dataset más difícil, mientras que models más ligeros como las variantes Gemini Flash mantienen tasas más bajas.¹⁵

Nota: Ningún benchmark por sí solo ofrece una “tasa de alucinación” definitiva para ningún model. Una evaluación responsable contrasta al menos dos benchmarks que miden cosas diferentes: una tarea fundamentada (Vectara), una tarea de conocimiento abierta, y especifica la versión exacta del model y las condiciones de llamada.

Todos los models alucinan. La frecuencia se ha reducido sustancialmente, de aproximadamente 21 % en 2021 a menos del 5 % para los mejores en benchmarks estándar, pero no se ha eliminado. Las aplicaciones críticas siguen requiriendo verificación humana.

2- Sesgo

Los models absorben y amplifican los sesgos sociales de los datos de entrenamiento.

Fuente: Puntuaciones generales de sesgo por models y tamaño.¹⁶

Tipos de sesgo observados:

• Sesgo de género en las sugerencias de ocupación
• Sesgo racial en las simulaciones de selección de currículums
• Sesgo de edad en las recomendaciones de salud
• Sesgo socioeconómico en el contenido educativo

3- Toxicidad

Los models pueden generar contenido perjudicial, ofensivo o tóxico a pesar de las medidas de seguridad.

Fuente: mapa de toxicidad de los LLMs de investigadores de UCLA y UC Berkeley¹⁷

*GPT-4-turbo-2024-04-09*, Llama-3-70b* y Gemini-1.5-pro* se utilizan como moderador; los resultados podrían estar sesgados en estos 3 models.

Las medidas de seguridad estrictas reducen la toxicidad pero aumentan los falsos positivos (rechazar solicitudes inofensivas). Las medidas laxas dejan pasar la toxicidad.

4- Ventana de contexto Limitaciones

Cada model tiene una capacidad de memoria fija: la cantidad de tokens que puede procesar en una sola sesión. Si se supera ese límite, el model trunca el contenido anterior o rechaza la solicitud. La diferencia práctica entre models es lo bastante grande como para importar en cargas de trabajo reales.

Ventanas de contexto más recientes:

• Llama 4 Scout (Meta): 10M tokens (~7.5M palabras), la mayor ventana de contexto verificada en producción entre los models líderes.¹⁸ En la práctica, esto significa cargar bases de código completas, archivos legales o historiales de conversación de varios días sin dividir en fragmentos.
• Gemini 2.5 Pro: 1.048.576 tokens (~780.000 palabras), con entrada multimodal nativa en texto, audio, imágenes y video dentro de la misma ventana. La recuperación se mantiene al 100 % hasta 530.000 tokens y al 99,7 % en el límite completo de 1 millón de tokens.
• Claude Sonnet 4.6: 1M tokens (~750.000 palabras) con precio estándar, disponible sin cabeceras beta ni configuración especial.¹⁹
• GPT-5.5: Ventana de contexto de 1M tokens a nivel de API.²⁰

Una ventana de contexto grande no significa automáticamente un mejor rendimiento en toda ella. La recuperación se degrada hacia la mitad de contextos muy largos en la mayoría de los models, y los costes aumentan con la longitud de la entrada: procesar 1M tokens cuesta significativamente más que procesar 10K tokens en el mismo model. Para la mayoría de las cargas de trabajo en producción, la pregunta práctica no es qué model tiene la ventana más grande, sino qué model recupera de forma fiable en las longitudes de contexto que su caso de uso realmente requiere.

5- Corte de conocimiento estático

Los models dependen del conocimiento preentrenado con una fecha de corte específica. No tienen acceso a información posterior al entrenamiento a menos que estén conectados a fuentes externas.

Problemas:

• Información desactualizada sobre eventos actuales
• Incapacidad para manejar acontecimientos recientes
• Menor relevancia en dominios dinámicos (tecnología, finanzas, medicina)

Solución: Integración de búsqueda web. ChatGPT, Claude y Perplexity ofrecen búsqueda en tiempo real. Pero la búsqueda no elimina las alucinaciones; los models a veces malinterpretan los resultados de búsqueda.

Principales plataformas de LLM

GPT-5.5

OpenAI’s current flagship se lanzó el 23 de abril de 2026. Construido en torno a un esfuerzo de razonamiento configurable, los desarrolladores establecen la profundidad de pensamiento por solicitud (de none a xhigh), para que las consultas simples no consuman cómputo reservado para problemas difíciles. El model destaca en codificación agéntica, uso del ordenador y tareas de largo alcance en las que necesita mantener el contexto en sistemas grandes y comprobar su propio trabajo a mitad de ejecución.²⁰

Quién lo usa: Desarrolladores, empresas y creadores de contenido. La mayor base de usuarios entre los LLMs.

Limitaciones: $5/$30 por millón de tokens, el precio base más alto de esta lista. Sigue alucinando. Requiere integración de búsqueda web para cualquier cosa posterior a su fecha de corte de entrenamiento.

Claude Opus 4.8 / Sonnet 4.6

Claude Sonnet 4.6 lidera el A-CODE-LLM Bench de AIMultiple con una puntuación global de 0.748 a $1,26–$1,33 por celda, por encima de todas las variantes de Opus probadas. Claude Opus 4.8 le sigue con 0.702, recuperándose de Opus 4.7’s regression (0.61) a $2,92 por celda. Opus 4.7 sigue siendo el mejor en tareas complejas de razonamiento de múltiples pasos y visión (98,5 % en el benchmark de agudeza visual de XBOW), pero su tiempo medio de finalización de 1.562 segundos en flujos de trabajo agénticos eleva el coste total a $3,08 por celda, el model más caro del benchmark.

Tanto Sonnet 4.6 como las variantes de Opus utilizan pensamiento adaptativo: el model determina la profundidad de razonamiento según la complejidad de la tarea sin necesidad de cambiar manualmente de modo. Sonnet 4.6 realizó la menor cantidad de llamadas a herramientas por tarea entre los models de Anthropic (51 en base, 48 en thinking), alcanzando la puntuación más alta del benchmark con menos iteraciones que las variantes de Opus (56–70 llamadas a herramientas). Los equipos de agentes, disponibles en la línea de producción de Anthropic, permiten que múltiples instancias de Claude dividan una tarea en flujos de trabajo paralelos coordinados en tiempo real.

Quién lo usa: Desarrolladores y empresas que ejecutan codificación agéntica, flujos de trabajo de investigación o pipelines multiagente. Los equipos que priorizan la eficiencia de costes usan Sonnet 4.6; los equipos con cargas de trabajo intensivas en visión o razonamiento complejo usan Opus 4.7.

Limitaciones: El pensamiento extendido es más lento y más caro por token. La diferencia de rendimiento frente a Sonnet se amplía en tareas de razonamiento abstracto (ARC-AGI-2). Opus 4.8 tiene un precio de $15/$75 por millón de tokens.

Gemini 3.5 Flash

Gemini 3.5 Flash thinking obtuvo 0.625, el mejor resultado no-Anthropic con $1,30 por celda y 390 segundos de finalización media. La variante base obtuvo menos que thinking con un coste mayor ($0,56 por celda de referencia), debido a la sobrescritura (131 líneas para una tarea cuya solución de referencia es de ~50 líneas).

Llama 4 Scout

Meta’s model MoE de peso abierto. 109B parámetros totales, 17B activos por token, se ejecuta en una sola NVIDIA H100 GPU con cuantización int4. La implicación práctica es que se puede acceder a una ventana de contexto de 10M tokens sin un contrato de centro de datos.¹⁸ La multimodalidad early-fusion significa que el texto y la visión se procesan conjuntamente desde la primera capa en lugar de combinarse en la etapa de salida. Disponible bajo Meta’s Llama 4 Community License.

Quién lo usa: Investigadores, organizaciones que necesitan despliegue local, desarrolladores que evitan la dependencia de un proveedor y equipos donde el coste a escala hace inviable el precio de la API.

Limitaciones: El rendimiento depende en gran medida de la configuración de alojamiento y de las decisiones de cuantización. Requiere inversión en infraestructura y capacidad de ML ops. Menos pulido de producción que los models comerciales.

DeepSeek V4

DeepSeek’s fourth-generation model está disponible como vista previa. Utiliza una arquitectura MoE de 1 billón de parámetros, aproximadamente un 50 % más grande que V3, con capacidades multimodales en texto, imagen y video. Thinking in Tool-Use permite que el model razone internamente antes de llamar a herramientas externas y verifique los resultados de las herramientas con su propia lógica, lo que es el diferenciador principal para los flujos de trabajo agénticos. El precio de entrada de la API comienza en $0,27 por millón de tokens (fallo de caché), aproximadamente 18x más barato que GPT-5.5.²¹

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Preguntas frecuentes

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Sezer, Sena},
  title  = {{El futuro de los Large Language Models}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/future-of-large-language-models}},
  note   = {AIMultiple. Recuperado el 17 de septiembre de 2026}
}

Registro de cambios

12 actualizaciones

Todas12General11Metodología1

202620252024

1. 25 de jun

   Eliminado el gráfico de referencia de alucinaciones para LLMs populares.

2. 25 de jun

   Se añadió una sección de metodología de referencia que detalla los modelos evaluados y la puntuación.

3. 2 de may

   Reemplazados GPT-5.2, Gemini 3.1 Pro y DeepSeek V3.2 por GPT-5.5, Gemini 2.5 Pro, DeepSeek V4 y Claude Opus 4.7.

4. 25 de feb

   Actualizados los datos de 'Ejemplos de la vida real' en la sección 'Domain-Specific Fine-Tuned Models'.

5. 26 de ene

   Actualizada la sección "Tendencias futuras de los grandes modelos de lenguaje" con nuevos ejemplos de verificación de hechos en tiempo real.

Enlaces de referencia

1.

Available today: GPT-5.4 Thinking in Microsoft 365 Copilot | Microsoft Community Hub

2.

GPT drafts, Claude critiques: Microsoft blends rival AI models in new Copilot upgrade – GeekWire

GeekWire

3.

Vectara Hallucination Leaderboard: Claude, GPT, Gemini Compared

4.

Introducing: Devstral 2 and Mistral Vibe CLI. | Mistral AI

5.

Salesforce’s Einstein Copilot is Here: The Conversational AI Assistant for CRM that Delivers Trusted AI Responses Grounded with Your Company Data - Salesforce

Salesforce

6.

What is Microsoft Copilot? | Microsoft Learn

7.

Anthropic releases Opus 4.6 with new 'agent teams' | TechCrunch

TechCrunch

8.

Gemini Developer API | Gemma open models  |  Google AI for Developers

Google AI for Developers

9.

meta-llama/Llama-4-Scout-17B-16E-Instruct · Hugging Face

10.

GitHub Copilot crosses 20M all-time users | TechCrunch

TechCrunch

11.

[2303.17564] BloombergGPT: A Large Language Model for Finance

12.

Sharing Google’s Med-PaLM 2 medical large language model, or LLM | Google Cloud Blog

Google Cloud

13.

[2306.16092] Chatlaw: A Multi-Agent Legal Assistant based on a Role-Aligned Mixture-of-Experts Architecture

14.

Claude (AI) - Wikipedia

Contributors to Wikimedia projects

15.

Introducing the next generation of Vectara's Hallucination Leaderboard

16.

Benchmarking de sesgos cognitivos en Large Language Models como evaluadores

17.

OR-Bench: An Over-Refusal Benchmark for Large Language Models

18.

Welcome Llama 4 Maverick & Scout on Hugging Face

Hugging Face

19.

Claude Platform release notes - Claude Platform Docs

20.

Introducing GPT-5.5 | OpenAI

21.

DeepSeek AI: R1 Reasoning, API & Local Deployment 2026

DeepSeek AI

Cem Dilmegani

Analista Principal

Síguenos

Cem ha sido el analista principal en AIMultiple desde 2017.

El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]

A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.

Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.

Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.

Ver perfil completo

Investigado por

Sena Sezer

Analista de Industria

Síguenos

Sena es analista de industria en AIMultiple. Completó su licenciatura en Bogazici University.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario