Comparación de IA 2026: ¿Quién va adelante?

El 3 de septiembre de 2026, OpenAI lanzó GPT-6 Astra y su presidente Greg Brockman cerró la presentación con «Bienvenidos a la era de la AGI.» El mismo día, ARC Prize, la organización que administra la prueba ARC-AGI-3, midió el modelo en 99.9 % en su mejor configuración, frente al 30 % para la puntuación máxima anterior. En siete semanas, Google respondió con Gemini 4 Argon, Anthropic con Claude Fable 5.1 y Opus 5.5, Mistral con un modelo de 1 billón de parámetros y Qubic publicó una puntuación obtenida sin una sola tarjeta gráfica. Esta comparación clasifica siete sistemas en lo que puede verificarse: puntuaciones publicadas, precios, apertura, cómputo y gobernanza.

¿Cómo se construyó esta comparación?

Cinco criterios verificables, sin opiniones. El primero es la puntuación en ARC-AGI-3, una prueba donde el modelo debe aprender las reglas de juegos desconocidos jugando, diseñada por François Chollet y administrada por ARC Prize en un conjunto de tareas semi-privado. Usamos las puntuaciones «verificadas» publicadas en arcprize.org, y ARC-AGI-2 donde falta ARC-AGI-3. El segundo es el precio público de la API por millón de tokens. El tercero es la apertura: pesos descargables o no. El cuarto es el cómputo de entrenamiento declarado. El quinto es la gobernanza: quién decide, quién audita.

Este marco amplía el usado en nuestra comparación de criptos de IA, que ya rehusaba clasificar por capitalización de mercado. Aquí, rehusamos clasificar por comunicado de prensa.

GPT-6 Astra: el más fuerte, el más caro, el más vigilado

Los números primero. En ARC-AGI-3, Astra pasa del 62.7 % en el arnés estándar a 99.9 % cuando el arnés mantiene su estado de razonamiento, con un costo de evaluación de $18,817 en la mejor configuración y hasta $49,791 en la peor (ARC Prize, 3 de septiembre). Una vez comprendidas las reglas de un juego, el modelo usó menos acciones que la mediana humana en el 96 % de los niveles. ARC Prize añade dos frases que apenas captaron los comunicados: saturar la prueba «no representaría una prueba de haber alcanzado AGI,» y los entornos testeados siguen siendo mucho más simples que el mundo real.

El modelo fue entrenado con más de 100,000 GPUs en el sitio Stargate de OpenAI en Texas, la mayor ejecución de entrenamiento en la historia de la empresa, y es el primero que OpenAI califica en el nivel «crítico» para ciberseguridad, es decir, teóricamente capaz de encontrar y explotar vulnerabilidades desconocidas sin guía humana paso a paso (Axios, 3 de septiembre). De allí el acceso escalonado: un círculo restringido de organizaciones, luego suscriptores de pago y la API, con usuarios gratuitos en espera.

Greg Brockman, presidente de OpenAI, el 3 de septiembre: «Creo que puede tratarse de este modelo.» Luego: «Bienvenidos a la era de la AGI.» Tres días después, el jefe de Nvidia Jensen Huang declaró a su vez que «La AGI ha llegado.» El detalle legal importa: el contrato original entre OpenAI y Microsoft vinculaba una declaración de AGI a cambios en derechos de acceso y reparto de ingresos; una enmienda del 27 de abril de 2026 eliminó esa cláusula. Brockman puede ahora hablar de AGI como un «concepto de misión o concepto espiritual» sin consecuencia contractual.

Gemini 4 Argon y Claude: los retadores tocan diferente

Gemini 4 Argon, anunciado el 30 de septiembre, es el único otro modelo cercano a la saturación: 97.3 % en ARC-AGI-3 con adaptador proveedor, 91.3 % en ARC-AGI-2, verificado el 13 de octubre, con una advertencia de ARC Prize sobre ejecuciones incompletas en el arnés estándar por problemas con la API (Tarjeta ARC Prize). Su arma es el precio: $2 por millón de tokens de entrada y $10 por salida durante el lanzamiento, cinco veces menos que GPT-6 Astra, luego $4 y $20 (9to5Google, 30 de septiembre).

Google lo está desplegando primero para defensores cibernéticos a través de su programa Fairwind, con una versión sin salvaguardas cibernéticas reservada para defensores confiables.

Anthropic optó por no publicar una puntuación ARC-AGI-3 para Claude Fable 5.1, lanzado el 15 de septiembre, ni para Claude Opus 5.5, lanzado el 22 de septiembre. En ARC-AGI-2, los dos modelos están verificados en 90.0 % y 93.3 %, detrás del 95 % de GPT-6 (Tarjeta ARC Prize).

Anthropic promociona otras medidas, trabajo agentivo largo y tareas científicas en el terminal, y fija el precio de Fable 5.1 al mismo nivel que Astra, $10 y $50 (Anuncio Anthropic). Una particularidad: Claude Mythos 5.1 es el mismo modelo con salvaguardas más ligeras en ciberseguridad y biología, disponible solo para organizaciones binarias verificadas en EE.UU. Tres desarrolladores, tres formas de abordar el mismo problema, un modelo demasiado capaz para abrirse a todos.

Grok, DeepSeek, Mistral: la carrera hacia la apertura

Detrás de los tres primeros, la brecha es clara. Grok 4.7, verificado el 21 de septiembre, alcanza 10.1 % en ARC-AGI-3 y 61.4 % en ARC-AGI-2; Grok 5 ha sido anunciado desde hace meses sin fecha verificable. DeepSeek V4.1 Flash, verificado el 10 de septiembre, puntuó 3.3 % y 72.9 %, pero pertenece a una familia liberada como pesos abiertos, lo que lo convierte en el mejor modelo descargable en la tabla en ARC-AGI-2.

Mistral Large 4 es un caso diferente: aún sin puntuación, pero con una promesa. Anunciado el 6 de octubre con el apodo «Le Chonk,» el modelo tiene 1 billón de parámetros, fue entrenado con alrededor de 4,000 GPUs Nvidia, «dos a tres veces menos que nuestros competidores chinos» según Pierre Stock, VP de ciencia de Mistral, y se espera que sus pesos se liberen dentro de tres semanas tras pruebas de seguridad (TechCrunch, 6 de octubre). Emmanuel Macron lo ve como «un tercer camino en la IA.» La verificación vendrá el día que ARC Prize publique su tarjeta.

El otro camino: inteligencia sin centro de datos 

Un objeto de naturaleza diferente, para comparar con cuidado. Neuraxon no es un modelo grande de lenguaje. Es una red de unidades simples que coordinan y se especializan, inspirada en la «sociedad de la mente» de Marvin Minsky, que el framework evolutivo Aigarth mejora a partir de las redes generadas por los mineros de la red Qubic. El cómputo no viene de un centro de datos sino de prueba de trabajo útil, que redirige la potencia de los mineros hacia el entrenamiento, un mecanismo que detallamos en Qubic: convirtiendo cada ciclo CPU en valor real.

El 22 de septiembre, Qubic publicó una puntuación de 0.38 en ARC-AGI-3, desde 0.13 al inicio, tras 141 ciclos de mejora evolutiva y 450,000 intentos, en procesadores comunes, sin GPU ni modelo de lenguaje embebido (Resumen Qubic). En su análisis del 26 de septiembre, el equipo científico del proyecto es el primero en fijar los límites: la evaluación se ejecuta en «unas pocas CPUs,» y una red distribuida sigue siendo «mucho menos capaz en tareas de lenguaje» que un modelo entrenado con 100,000 GPUs (Qubic, Academia de Inteligencia Neuraxon vol. 13).

Tres precauciones al leer.

El 0.38 no es una puntuación verificada por ARC Prize y su protocolo no es el del conjunto semi-privado: no puede compararse con el 99.9 % de Astra. No hay API Neuraxon comparable a ChatGPT o Claude. Y la tesis de Qubic no es «estamos adelante,» sino «la AGI es una organización emergente, distribuida y verificable, no un modelo que cruza un umbral.» Eso es una posición tanto en gobernanza como en técnica, y es en ese criterio donde el proyecto se distingue de la tabla: código de referencia abierto, cómputo suministrado por miles de máquinas, resultados presentados en conferencias en lugar de keynotes.

Lo que el ranking no dice

Una prueba saturada deja de medir. ARC-AGI-3 fue diseñada para resistir a los modelos de 2025; ahora dos sistemas la superan con más del 97 %, y ARC Prize advierte que eso no prueba AGI. Comparar diferentes arneses es como comparar corredores con y sin viento a favor: el mismo Astra obtiene 62.7 % o 99.9 % dependiendo de si se mantiene su estado de razonamiento.

El costo casi nunca aparece en comunicados de prensa. Evaluar Astra costó hasta $50,000 en llamadas API, mientras que los 500 humanos en el grupo de referencia fueron pagados alrededor de $12.78 por juego intentado. Y OpenAI mismo reconoce que Astra es más difícil de monitorear en pruebas de evasión de control, un retroceso que la empresa considera serio. Amelia Glaese, VP de investigación de OpenAI: «Cuando los modelos pueden hacer más cosas autónomamente, debemos poder confiar más en ellos.«

Las próximas fechas están definidas. Mistral debe liberar los pesos de Large 4 a fin de octubre; Google está ampliando Gemini 4 Argon a desarrolladores; Anthropic no ha anunciado una ejecución ARC-AGI-3 para Fable 5.1; Qubic presentará el estado de su prueba de trabajo útil en una keynote en la Conferencia Blockchain TUM en Múnich el 29 de octubre. La tabla se actualizará con cada tarjeta verificada por ARC Prize.

Ering N.

Independent author, specialized in decentralized artificial intelligence and crypto ecosystems. I analyze projects by what they actually do, not by the noise around them. Openly a supporter of the Qubic project: my articles about Qubic and its direct competitors carry a disclosure.