Benchmarks de programación de modelos de IA

Todas las puntuaciones de benchmarks de programación que figuran en nuestras fichas de herramientas y en la comparativa de modelos, agrupadas por prueba. Cada puntuación incluye sus condiciones indicadas y un enlace a la página del proveedor.

Metodología: léase antes de comparar

Puntuaciones autocomunicadas: cada cifra se toma tal cual del anuncio del proveedor del modelo (entrada de blog, ficha del modelo o documentación, con un enlace «fuente» en cada fila). OrigoTech no las ha medido.
Harnesses distintos: cada proveedor elige su propio harness de agente, esfuerzo de razonamiento y condiciones de prueba (columna «Condiciones indicadas»). Por tanto, las comparaciones entre modelos deben hacerse con cautela: una diferencia de unos pocos puntos no basta para clasificar dos modelos.
Sin cifras añadidas: esta página solo muestra puntuaciones que ya figuran en nuestros datos, sin cálculos ni medias. Un modelo sin puntuación publicada no aparece.
El orden por defecto (de mayor a menor puntuación) no es una clasificación; haga clic en el encabezado de una columna para ordenar de otro modo.

Datos verificados 26 oct 2026

Puntuaciones mostradas: 15 · benchmarks: 2

DeepSWE v1.1 (11 puntuaciones)

DeepSWE v1.1 puntuaciones comunicadas por los proveedores. Los encabezados de columna son botones de ordenación.
				Fuentes
Gemini 4 Argon	Google	77,9 %	anunciado por Google	fuente — Gemini 4 Argon
DeepSeek V4.1-Flash-1017	DeepSeek	77 %	anunciado por DeepSeek, harness Mini-SWE-V2	fuente — DeepSeek V4.1-Flash-1017
MiniMax M3.1 Flash	MiniMax	73,7 %	anunciado por MiniMax	fuente — MiniMax M3.1 Flash
Grok 4.7	xAI	71 %	esfuerzo alto, anunciado por xAI	fuente — Grok 4.7
Kimi K3	Moonshot AI	67,3 %	harness de mini-SWE-agent (clasificación de DeepSWE), citado por Moonshot	fuente — Kimi K3
GLM-5.3	Z.ai	66,9 %	anunciado por Z.ai	fuente — GLM-5.3
GLM-5.3-Flash	Z.ai	63,4 %	anunciado por Z.ai	fuente — GLM-5.3-Flash
DeepSeek V4-Pro-0813	DeepSeek	62,7 %	DeepSeek Harness (modo mínimo), esfuerzo máximo, anunciado por DeepSeek	fuente — DeepSeek V4-Pro-0813
Muse Spark Open (816B-A42B)	Meta	60 %	anunciado por Meta, harness preferido, razonamiento xhigh	fuente — Muse Spark Open (816B-A42B)
Qwen3.8-Max	Alibaba (Qwen)	56,6 %	el mejor de Claude Code / mini-SWE-agent, anunciado por Qwen	fuente — Qwen3.8-Max
Qwen3.8-27B	Alibaba (Qwen)	42,2 %	harness de Claude Code, anunciado por Qwen	fuente — Qwen3.8-27B

Terminal-Bench 4.0 (4 puntuaciones)

Terminal-Bench 4.0 puntuaciones comunicadas por los proveedores. Los encabezados de columna son botones de ordenación.
				Fuentes
Kimi K3.1 Pro	Moonshot AI	65,7 %	harness de Claude Code, comunicado por Moonshot	fuente — Kimi K3.1 Pro
Gemini 4 Carbon	Google	65,2 %	harness de Artificial Analysis, comunicado por Google	fuente — Gemini 4 Carbon
GPT-6.1 Terra	OpenAI	50,3 %	esfuerzo de razonamiento máximo, comunicado por OpenAI	fuente — GPT-6.1 Terra
Nanbeige4.3-33B	Nanbeige (BOSS Zhipin)	23,8 %	harness de mini-swe-agent v2.4.6, comunicado por Nanbeige	fuente — Nanbeige4.3-33B

Comparador de modelos → Gráfico de precio y rendimiento → Calculadora de costes →

¿Qué es DeepSWE? · Metodología