Los mejores LLMs open source para reemplazar a Claude Opus 5.5 (2026)

Los mejores LLMs open source ya se miden de igual a igual con Claude Opus 5.5 en trabajo de codificación real, a una fracción del precio del buque insignia. Hace tres semanas publiqué esta tabla clasificatoria a fecha de 24 de septiembre. Desde entonces, el nivel propietario copió los precios del nivel abierto: Claude Sonnet 5.5, GPT-6.1 Sol y Gemini 4 Argon se sitúan en $2/$10 por millón de tokens, mientras Claude Haiku 5.5 y GPT-6 Luna corren a $0.10/$0.50. El campo abierto respondió con Step 5 Preview tomando el puesto #3 de pesos abiertos y Xiaomi lanzando checkpoints MOPD que corrigen un modo de fallo agéntico real.

Sigo ejecutando estos modelos contra la frontera de pago en trabajo de codificación real. La brecha es más estrecha de lo que sugieren los precios de los buques insignia, y el argumento para el open source ya no es “precio de etiqueta más barato”. Es el costo por ejecución de agente útil, pesos descargables, facturación en horario valle y ausencia de límites de tasa.

Si todavía necesitas elegir el agente antes que el modelo, empieza con nuestra comparación de mejores herramientas y agentes de codificación con IA y vuelve aquí para la lista corta de modelos. Para asistentes siempre activos que necesitan un modelo barato detrás, consulta nuestras alternativas open source a Grok Bot.

Qué cambió desde nuestra actualización de septiembre de 2026

Tres semanas es mucho tiempo en este mercado. Seis cosas se movieron:

Una corrección más: Fable 5.1 y GPT-6 Astra con 53 solían ser la puntuación publicada más alta del Artificial Analysis Intelligence Index. Ya no. Claude Opus 5.5 (max con fallback) se sitúa en 58.

¿Por qué considerar alternativas LLM open source?

La versión corta: el campo abierto alcanzó a los propietarios en codificación, y lo hizo manteniéndose barato de ejecutar.

Qué evaluar

• Codificación: Generar, depurar y refactorizar sobre un repo real
• Trabajo agéntico: Llamadas a herramientas, ejecuciones largas de múltiples pasos, no perder el hilo en el paso 200
• Longitud de contexto: Cuánto de un codebase cabe en una sola pasada
• Costo por resultado útil: No solo el precio de lista por millón de tokens
• Disponibilidad de pesos: “Abierto” ahora va desde MIT, hasta la cláusula MaaS de $10B de ingresos de GLM, hasta los términos de ingresos de StepFun Model License 1.0. Lee antes de desplegar.

El listón propietario: Claude Opus 5.5, Sonnet 5.5, GPT-6.1, Gemini 4

Esto es lo que persiguen los modelos abiertos, a 16 de octubre de 2026.

Tres notas de operador sobre esa tabla.

El dolor de migración a Opus 5.5 es real. El pensamiento adaptativo está siempre activo (la profundidad se controla con el parámetro effort), el uso forzado de herramientas desapareció, y thinking: disabled ahora devuelve un error 400. Si tu stack de agentes se construyó sobre Opus 5, lee las notas de migración antes de cambiar.

Sonnet 5.5 es el modelo que compite con el campo abierto en valor. AA 56 a $2/$10 está 3 puntos por encima de GPT-6 Astra costando una quinta parte de su tarifa de salida. Si solo quieres “barato e inteligente” y no te importan los pesos, esta es la respuesta propietaria.

El nivel económico solo es media victoria para los propietarios. Haiku 5.5 a $0.10/$0.50 con AA 43 es más barato en entrada que GLM-5.3-Flash ($0.15) y puntúa más alto (43 vs 42). Pero GPT-6 Luna con AA 38 queda por debajo de GLM-5.3-Flash (42), DeepSeek V4.1-Flash (39) y Kimi K3 (44) al mismo precio de etiqueta. Así que “lo propietario ahora es lo más barato” es cierto para Haiku y mayormente falso para Luna.

Vale la pena recordar también: las peticiones de la familia GPT-6 por encima de 272K tokens de entrada se reprecian a $20/$75 en facturación clase Astra. El contexto largo no es gratis en ningún lado.

1. MiMo-V2.6-Pro: el nuevo líder de pesos abiertos

MiMo-V2.6-Pro es el buque insignia de Xiaomi del 22 de septiembre y el modelo de pesos abiertos mejor puntuado en el Artificial Analysis Intelligence Index con 46, por delante de GLM-5.3 (45) y del par Step 5 Preview / Kimi K3 en 44. Eso lo coloca por encima de Grok 4.6 y Gemini 3.8 Flash, empatado con Grok 4.7, y a unos doce puntos del 58 de Opus 5.5. Es un MoE disperso de 1.02T con 42B activos por token, licencia MIT, y nativamente omnimodal: texto, imagen, video y audio de entrada.

Dos detalles que no esperaba del laboratorio de IA de un fabricante de teléfonos: publicaron la factura del entrenamiento RL (unos $2.62M para Pro, 30 pasos en menos de seis días y alrededor de 750K trayectorias), y el precio de API se mantuvo igual que en V2.5 a $0.435/M de entrada y $0.87/M de salida.

Especificaciones técnicas

Lo que destaca

Los checkpoints MOPD: descarga estos, no el lanzamiento original

El 9 de octubre Xiaomi publicó MiMo-V2.6-Pro-MOPD y MiMo-V2.6-Flash-MOPD bajo MIT, más los checkpoints crudos de la etapa RL (MiMo-V2.6-Pro-RL, MiMo-V2.6-Flash-RL) y un informe técnico de 52 páginas (la sección 5.6 cubre MOPD2). La mejora MOPD existe para corregir un modo de fallo específico: la repetición de llamadas a herramientas.

Xiaomi lo describe claramente en su diagnóstico de repetición de llamadas a herramientas: el modelo “sigue emitiendo las mismas llamadas a herramientas o muy similares, pareciendo ocupado mientras no progresa”, y el patrón “tiende a pasar desapercibido”. Esa segunda parte es el problema del operador. Un agente atascado que parece productivo quema tokens y horas.

Para quienes autoalojan, el checklist es simple: descarga MiMo-V2.6-Pro-MOPD (o Flash-MOPD), no el tag original. Si tu máquina es pequeña, MiMo-V2.6-Distill-Qwen-9B (22 de septiembre, MIT) es la opción realista, y puedes ejecutar modelos locales con Ollama en Docker para mantener el stack de serving contenido.

Cuándo usarlo

• Trabajo de agentes en general: La puntuación abierta más alta en el índice de AA centrado en agentes
• Sesiones de codificación largas: 1M de contexto con números fuertes en DeepSWE y Terminal-Bench
• Pipelines multimodales: Capturas de pantalla, frames de video y notas de audio en un solo modelo
• Sáltalo si: necesitas una huella de autoalojamiento pequeña. 1.02T exige un nodo multi-GPU incluso cuantizado; MiMo-V2.6-Flash (310B) o el distill de 9B es la opción más realista para homelab

2. GLM-5.3: el burro de carga de la codificación abierta

GLM-5.3 se lanzó el 14 de agosto a través del GLM Coding Plan, con los pesos abiertos llegando el 28 de agosto. Misma base 744B-A40B que GLM-5.2; toda la mejora viene del post-entrenamiento. Los números muestran hasta dónde llega eso: Terminal-Bench 3.0 saltó de 4.6 a 28.3, DeepSWE de 46.2 a 66.9, y Z.ai afirma una mejora del 50% en su bench interno de código. Z.ai lo llama el modelo de codificación de pesos abiertos más capaz, y mantiene AA Intelligence 45, segundo entre los modelos abiertos.

Una salvedad: la ronda de post-entrenamiento de GLM-5.3 también produjo un gran salto en capacidad ciberseguridad. Z.ai es transparente al respecto (CyberGym 84.5, estado del arte; los benchmarks de explotación se duplicaron con creces frente a 5.2). Útil para investigación de seguridad, y una razón para mantener los permisos de los agentes ajustados de todos modos.

Especificaciones técnicas

La escalera de velocidad de Z.ai

Desde mediados de septiembre Z.ai envía cuatro niveles de throughput de la misma familia de modelos. Conviene saberlo antes de elegir un endpoint:

• GLM-5.3-Flash ($0.15/$0.50): el nivel económico, cubierto abajo
• GLM-5.3-FlashX (18 de septiembre, $0.37/$1.25, caché $0.09): hasta ~200 tok/s
• GLM-5.3 ($1.40/$4.40): el conductor diario respaldado por pesos
• GLM-5.3-Prime (23 de septiembre, $2.80/$8.80, caché $0.56): 1.5-2x de throughput, solo texto

FlashX y Prime son solo API. No encontré pesos de ninguno en Hugging Face a 16 de octubre. Si necesitas pesos descargables, es Flash o el GLM-5.3 completo.

Fortalezas

Mejores casos de uso

• Agente de codificación de uso diario: El perfil de codificación abierto más completo
• Trabajo de terminal de largo horizonte: Las ganancias en TB 3.0 sugieren que aguanta donde otros modelos se desarman
• Stacks estilo Claude Code: Endpoint nativo de Anthropic Messages
• Autoalojamiento a escala: Pesos FP8 y BF16 en Hugging Face y ModelScope, pero 744B es territorio de cluster

3. DeepSeek-V4.1-Flash: el rey de la eficiencia

DeepSeek-V4.1-Flash se publicó el 10 de septiembre bajo MIT, y es la arquitectura más interesante de esta lista. Usa un diseño Causal Encoder-Decoder: 552B de parámetros totales, pero solo 8B activos al leer tu entrada y 16B al generar salida. Combinado con el cacheo KV en FP4, su caché KV de trabajo es de unos 890 bytes por token, aproximadamente una cuarta parte del de su predecesor. En términos llanos: está construido para que servir bucles de agentes de un millón de tokens salga barato.

Los números reportados por el proveedor son agresivos: Terminal-Bench 2.1 con 90.6% y DeepSWE 74.2, por encima del 70.0 de Fable 5 y el 73.0 de GPT-5.6 Sol. Trátalos como ejecuciones propias de DeepSeek hasta que llegue más verificación de terceros, y revisa el leaderboard en vivo antes de citarlos como récords. Lo curioso: Artificial Analysis le da 39 en el Intelligence Index, muy por debajo de sus resultados de codificación, porque ese índice premia la amplitud y V4.1-Flash es un especialista.

Especificaciones técnicas

Precios y condiciones verificados sin cambios contra los docs de la API de DeepSeek el 16 de octubre de 2026. Las ventanas pico son 01:00-04:00 y 06:00-10:00 UTC entre semana.

Lo que hace bien

Notas de plataforma que conviene saber

• Los nombres de modelo actuales de la API son deepseek-flash y deepseek-v4-pro. Los nombres heredados deepseek-v4-flash y deepseek-v4-flash-vision-exp están retirados pero aún se aceptan, facturados a precio de Flash. Actualiza tus configuraciones de todos modos.
• URL base en formato Anthropic: https://api.deepseek.com/anthropic. Apunta los clientes compatibles con Claude Code a esta y el resto de las herramientas funciona. El mismo truco aplica en nuestra guía de la app Codex con cualquier modelo.
• Límites de concurrencia: 2500 para Flash frente a 500 para Pro. Dimensiona las flotas de agentes en consecuencia.
• Las APIs de Search y Fetch cuestan $0.75 por cada 1,000 peticiones exitosas, y DeepSeek Harness está en developer preview para quienes construyen harnesses de agentes.

Cuándo usarlo

• Agentes siempre activos con presupuesto: $0.30/$1.20 en pico, la mitad en valle
• Codificación de terminal y a nivel de repo: Donde su perfil de benchmarks es más fuerte
• Experimentos de autoalojamiento: Pesos MIT más la historia de serving más eficiente en caché de la lista
• Sáltalo si: necesitas trabajo amplio de conocimiento general; su índice AA muestra las contrapartidas de la especialización. Un V4.1-Pro viene en camino para eso.

4. GLM-5.3-Flash: el monstruo del precio

GLM-5.3-Flash se lanzó el 26 de agosto bajo MIT, y reorganizó en silencio el nivel económico. 320B totales, 18B activos, con una pila de atención híbrida que intercala 34 capas de atención lineal KDA con 11 capas de atención dispersa en un patrón 3:1. Eso recorta el cómputo de atención unas 3x y la caché KV unas 4.4x frente a GLM-5.3. También es el primer GLM-5 nativamente multimodal, con entrada de imagen y video.

La clave es el precio: $0.15/M de entrada y $0.50/M de salida, con $0.03 en caché. Puntúa 84.3% en Terminal-Bench 2.1, 63.4 en DeepSWE, y mantiene AA Intelligence 42. Dato curioso: antes del lanzamiento circuló por OpenRouter y OpenCode como el modelo anónimo “Ox Alpha” que la gente intentaba identificar.

Especificaciones técnicas

Lo que hace bien

Mejores casos de uso

• Modelo por defecto para todo lo barato: Sigue siendo mi elección económica de pesos abiertos; M3 tiene su lugar vía el MiniMax Token Plan si quieres una suscripción fija en lugar de facturación por token
• Stack de codificación autoalojado: Licencia MIT, soporte vLLM/SGLang, un nodo en lugar de un cluster
• Multimodal con presupuesto: De captura de pantalla a código y comprensión de video sin pagar precios de K3
• Bucles de agentes de alta frecuencia: Los aciertos de caché a $0.03/M hacen las sesiones calientes casi gratis
• ¿Necesitas más velocidad? GLM-5.3-FlashX corre hasta ~200 tok/s a $0.37/$1.25 (solo API)

5. Kimi K3: siguen siendo los pesos abiertos más grandes

Kimi K3 ya no está en el top tres del índice AA. AA Intelligence 44 ahora lo deja empatado con Step 5 Preview, efectivamente cuarto en el orden de AA: MiMo-V2.6-Pro 46, GLM-5.3 45, Step 5 Preview 44, K3 44. Lo que no ha cambiado: con 2.8T de parámetros sigue siendo el lanzamiento abierto más grande, y sus números de codificación se mantienen. Terminal-Bench 2.1 con 88.3%, DeepSWE 67.5, SWE-Marathon 42.0, FrontierSWE 81.2 y BrowseComp 91.2 para agentes de investigación web.

Desde el 18 de septiembre también está disponible de forma general en Amazon Bedrock, lo que importa si tu organización quiere la historia del modelo de pesos dentro de un perímetro de seguridad de AWS con caché de prompts. Esa es una afirmación de septiembre que no he podido reverificar en esta ronda; revisa los docs de Bedrock si es un factor decisivo para ti.

La salvedad de precios de la versión original de esta guía sigue vigente: $3/M de entrada y $15/M de salida es dinero casi de frontera. Los aciertos de caché a $0.30/M son lo que lo mantiene cuerdo en bucles de codificación calientes. Si tu tasa de aciertos de caché es mala, MiMo-V2.6-Pro hace trabajo comparable por una séptima parte del precio de salida. Y si enrutas por OpenRouter en lugar de ir directo, moonshotai/kimi-k3 factura unos $0.304 de entrada / $12.53 de salida / $0.21 de caché a 16 de octubre, aproximadamente un 17% menos en salida que la tarifa directa.

Especificaciones técnicas

Lo que destaca

Cuándo usarlo

• Codificación dura y maratones de agentes: Liderazgo en FrontierSWE y SWE-Marathon entre modelos abiertos
• Agentes de investigación intensivos en web: BrowseComp 91.2
• Tiendas AWS: Bedrock con cacheo desde el 18 de septiembre
• Sáltalo si te preocupa el precio: $15/M de salida es lo más alto de la lista por un amplio margen

6. Qwen3.8-Max y los pesos abiertos de 2.4T

Alibaba está manejando Qwen 3.8 como dos productos con un solo nombre. Qwen3.8-Max es la API alojada a $2/$6 por millón de tokens, activa desde el 3 de agosto y refrescada el 2 de septiembre como Qwen3.8-Max-0902. Ese snapshot debutó en el #1 del leaderboard Code Arena WebDev de Arena con 1,691 puntos, superando a Claude Opus 5 por 3 puntos y a Kimi K3 por 17. Sus puntuaciones en Terminal-Bench 3.0 y ProgramBench se duplicaron con creces frente a la build de lanzamiento. Si tu trabajo es frontend y “vibe coding”, esta es la opción más fuerte del ecosistema abierto ahora mismo.

La mitad descargable es Qwen3.8-2.4T-A95B, lanzado el 12 de agosto: 2.4T de parámetros, 95B activos, atención híbrida lineal más completa, 262K de contexto nativo extensible a 1M, bajo una licencia Qwen personalizada. Los quants comunitarios MXFP4/NVFP4 lo comprimen a unos 1.2TB, lo que cabe en un solo nodo B300 de 8 GPUs. Una pega: el post-entrenamiento 0902 de septiembre es solo API por ahora, así que los pesos van por detrás del modelo alojado. Confirmado el 16 de octubre: la org de Qwen no muestra nuevos pesos 3.8 desde agosto (solo los modelos de seguridad Qwen3Guard-Stream y Qwen-Image-2.1).

Especificaciones técnicas

Esa división de AA importa. El modelo de API que puedes llamar hoy puntúa 45, lo que supera a GLM-5.3 por poco. Los pesos que puedes descargar aún puntúan alrededor de 40. Si tu eval dice “Qwen3.8-Max”, asegúrate de saber cuál ejecutó.

Lo que ofrece

Cuándo usarlo

• Frontend y diseño-a-código: El liderazgo en la arena WebDev es todo el argumento
• Comodidad de API más una salida a pesos: Empieza en QwenCloud, conserva la opción de autoalojar el 2.4T
• Autoalojamiento de clase frontera: Si tienes el nodo para ello, este es el segundo modelo abierto más grande después de K3
• Sáltalo si: necesitas las mejoras de septiembre on-prem hoy; el checkpoint 0902 es solo alojado por ahora

Para cobertura complementaria de los modelos Qwen más pequeños y cómo se comportan dentro de los agentes de codificación, consulta nuestra guía de modelos Qwen para agentes de codificación con IA.

7. Step 5 Preview: el nuevo modelo abierto #3

StepFun lanzó Step 5 Preview el 18 de septiembre y pasó en gran parte desapercibido hasta que el índice AA lo alcanzó. Es un MoE de 600B totales / 27B activos con contexto de 1M, y AA Intelligence 44 lo pone en el #3 entre modelos de pesos abiertos en el propio orden de AA, un pelo por delante de Kimi K3. En eficiencia por parámetros activos es el mejor trato del top cinco abierto: 27B activos es un tercio de los 42B de MiMo.

Los pesos están en Hugging Face como stepfun-ai/Step-5-Preview, con variantes oficiales BF16 y NVFP4 más quants comunitarios GGUF y MLX. Las descargas todavía son bajas (cientos a miles bajos), así que trátalo como algo temprano.

Especificaciones técnicas

LLMs open source vs Claude Opus 5.5 y GPT-6.1: comparación lado a lado

Números a 16 de octubre de 2026. “n/a” significa no publicado o no comparable en esa suite exacta. Las columnas de DeepSWE y Terminal-Bench mezclan ejecuciones de proveedores y de terceros; los números de fuente única reciben menos confianza. Lee la tabla así: en el nivel de $2/$10 el argumento es capacidad por dólar, y en el nivel de $0.10/$0.50 son los pesos y el autoalojamiento.

*Cifra de Opus 5 donde Opus 5.5 no tiene ejecución de DeepSWE publicada; Anthropic sitúa a 5.5 aproximadamente al nivel de Fable 5.1. †AA puntúa el snapshot 0902 de la API en 45 y los pesos abiertos 2.4T-A95B en alrededor de 40. Los precios de Kimi K3 mostrados son de lista directa; OpenRouter factura $0.304/$12.53. MiniMax M3 es el listado de OpenRouter, ver las notas al pie de precios abajo. La entrada de DeepSeek es $0.30 en pico / $0.15 en valle.

Gráfico comparando LLMs open source contra Claude Opus 5.5, Sonnet 5.5 y GPT-6.1 en puntuaciones de benchmarks y costo por millón de tokens, octubre de 2026

Cómo ejecutar estos LLMs open source (OpenRouter, API directa o autoalojados)

Paso 1: Elige tu vía de acceso

Paso 2: Entorno (ejemplo con OpenRouter)

# Install OpenAI SDK
pip install openai

# Set environment variables
export OPENROUTER_API_KEY="your_api_key_here"
export OPENROUTER_BASE_URL="https://openrouter.ai/api/v1"

Verifica la clave antes de escribir código:

curl -s https://openrouter.ai/api/v1/models \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" | head

Quieres JSON de vuelta. Si obtienes una página de error HTML o un 401, arregla primero la clave o la ruta de red.

Paso 3: Primera llamada, dos modelos lado a lado

import openai

client = openai.OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="your_openrouter_api_key"
)

def ask(model: str, prompt: str) -> str:
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}]
    )
    usage = response.usage
    print(f"{model}: {usage.prompt_tokens} in / {usage.completion_tokens} out")
    return response.choices[0].message.content

prompt = "Create a Python web scraper for product prices"

# The open coding workhorse vs the new proprietary budget tier
print(ask("z-ai/glm-5.3", prompt))
print(ask("anthropic/claude-haiku-5.5", prompt))

La misma llamada en curl si solo quieres ver la forma de la respuesta:

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"z-ai/glm-5.3","messages":[{"role":"user","content":"Create a Python web scraper for product prices"}]}'

Nota sobre DeepSeek: el nombre de modelo actual de la API es deepseek-flash (sirviendo V4.1-Flash), y si quieres el formato Anthropic Messages la URL base es https://api.deepseek.com/anthropic. Los nombres heredados como deepseek-v4-flash aún resuelven, facturados a precio de Flash, pero no construyas nuevas configuraciones sobre ellos.

Paso 4: Ajusta el contexto al trabajo

Paso 5: Verifica que funciona

Tres comprobaciones que toman cinco minutos y ahorran una tarde:

1. La respuesta tiene contenido y response.model coincide con lo que pediste. Los proveedores sustituyen modelos en silencio más a menudo de lo que admiten.
2. Registra el bloque de uso y ponle precio a una tarea real. Multiplica prompt_tokens y completion_tokens por las tarifas de lista. Compara eso contra la misma tarea en Haiku 5.5 u Opus 5.5. Tu costo por resultado útil es el número que importa.
3. Ejecuta el mismo prompt por dos modelos y haz diff de la calidad de salida. Esto es “mide en tu dominio” hecho ejecutable. Hazlo en una tarea cuya respuesta conoces, no en un prompt de juguete.

Notas de autoalojamiento

Si vas a servir pesos tú mismo, las opciones prácticas a octubre de 2026:

Dos notas de operaciones.

El rollback es aburrido, que es la idea. Un modelo autoalojado es pesos más un proceso de API. Fija un tag de checkpoint en tu config de despliegue, y revertir una mala actualización es redesplegar el tag anterior. No hay migración, no hay cambio de formato de datos.

Cuentas de costo antes de comprar hierro. Un modelo de clase 320B (GLM-5.3-Flash) necesita un nodo multi-GPU. Un modelo de clase 2.4T (Qwen3.8, K3) necesita un nodo de clase 8 GPUs. A los volúmenes de la siguiente sección (10M de entrada + 10M de salida al mes) el gasto de API es $6.50 para GLM-5.3-Flash y $80-$180 para Qwen3.8-Max y Kimi K3. El hardware solo gana cuando necesitas localidad de datos, volumen mucho mayor sostenido, o cargas intensivas en caché que preferirías no medir. Para el extremo de huella pequeña de la escala, consulta mejores mini PCs para LLMs locales.

Si compras hardware, nada de esto ejecuta los modelos de 320B+ de arriba. Lo que una máquina casera puede ejecutar es el extremo pequeño: MiMo-V2.6-Distill-Qwen-9B y la clase cuantizada de 30B-120B.

Desglose de costos: lo que realmente cuestan estos modelos de codificación con IA baratos

Costo mensual ilustrativo con 10M de tokens de entrada + 10M de salida, a tarifas de lista de API a 16 de octubre de 2026. Las facturas reales se mueven con aciertos de caché, planes, descuentos por lote y horarios valle. Opus 5.5 es la línea base.

Comparación de costo mensual (10M entrada + 10M salida)

El remate cambió desde septiembre. En el gasto de clase $6/mes el nivel propietario ahora iguala el precio de etiqueta abierto: Haiku 5.5 y Luna aterrizan en $6 con esta cuenta. Eliges modelos abiertos de todos modos por los pesos, el autoalojamiento, los precios en valle y por lote, y la ausencia de límites de tasa. Y la cima del campo abierto (MiMo 46, GLM-5.3 45) sigue costando $13-$58 a este volumen mientras supera a Haiku por 2-3 puntos AA y a Luna por 7-8. El trato: $6 te compra 43 (Haiku) o 38 (Luna) sin pesos, o $6.50 te compra 42 con pesos MIT y aciertos de caché a $0.03.

Dos notas al pie más sobre esa tabla. GPT-6 Astra y Fable 5.1 a $600 compran la cima del índice solo si tu carga de trabajo necesita AA 53-58. La mayoría del trabajo de agentes de codificación no lo necesita. Y los $15/M de salida de Kimi K3 significan que su fama de “barato” solo se sostiene cuando tu tasa de aciertos de caché de entrada se mantiene alta.

Si prefieres pagar una tarifa plana mensual y dejar que otro haga el enrutado, el desglose de OpenCode Go vs ClinePass para acceso barato a DeepSeek, Qwen y Kimi cubre el lado de suscripción de los mismos modelos.

Consejos y errores comunes

Lo que funciona

Qué evitar

• Enrutar cada tarea al modelo más caro por defecto. A $20/M de salida, Opus 5.5 en refactors masivos prende fuego al dinero
• Confiar en benchmarks reportados por el proveedor sin ejecuciones independientes (los números de Terminal-Bench de DeepSeek V4.1-Flash son autorreportados por ahora)
• Dejar correr agentes sin delimitar permisos, sobre todo con la velocidad a la que crece la capacidad ciberseguridad en estos lanzamientos. Ejecuta herramientas CLI de IA de forma segura en Docker o Podman en lugar de en tu directorio home
• Ignorar la letra pequeña de las licencias: MIT es limpia, GLM-5.3 tiene una cláusula MaaS de $10B, StepFun Model License 1.0 tiene términos de ingresos, Qwen, Kimi y Muse usan licencias personalizadas
• Perderte los bucles de repetición de llamadas a herramientas. Si un agente parece ocupado pero el árbol de archivos nunca cambia, estás quemando tokens en llamadas repetidas. Cambia a un checkpoint MOPD o añade detección de bucles en el harness. El post de diagnóstico de Xiaomi describe bien el patrón

Lo que viene

• DeepSeek-V4.1-Pro: El buque insignia de la familia. Aún ausente de Hugging Face y de la API a 16 de octubre; deepseek-v4-pro sigue sirviendo DeepSeek-V4-Pro-0813 a $0.66-$1.32 de entrada / $1.98-$3.96 de salida
• Pesos Qwen3.8 refrescados: El post-entrenamiento 0902 es solo API hoy. Verificado el 16 de octubre: no hay nuevos pesos 3.8 en la org de Qwen desde agosto. Un checkpoint actualizado importaría a quienes autoalojan
• Tencent Hy4: Preview de 770B en Apache-2.0, aún tencent/hy4-preview en OpenRouter a $0.751/$2.251 y en Hugging Face con quants FP8 y GGUF comunitarios. Sin GA
• GA y precios de Step 5: Si StepFun precia el modelo final por debajo de los $3/$15 de K3, se convierte en el modelo abierto por defecto para tareas difíciles
• La línea Muse de Meta: Muse Wonder (AA 52, 12 de octubre) es el buque insignia propietario; Muse Spark Open (15 de octubre, 816B/42B, AA 39, Muse Model License) es el lanzamiento abierto con quants NVFP4 y MLX desde el día uno. Lee los términos de ingresos de la licencia Muse antes de recomendar cualquiera comercialmente
• Apuestas más largas: Pesos de GLM-5.3-Prime y FlashX (ambos solo API hoy), Inkling de Thinking Machines (975B/41B, Apache-2.0, AA 25), y Beam 1.0 de Reflection (501B/23B, Apache-2.0, AA 30). Licencias interesantes, aún no contendientes de codificación

¿Qué LLM open source deberías elegir?

MiMo-V2.6-Pro si quieres:

• La puntuación de pesos abiertos más alta (AA 46) con pesos MIT
• Números agénticos fuertes (AutomationBench 53.1, DeepSWE 71.9)
• Texto + imagen + video + audio en un solo modelo
• Precio $0.44/$0.87, ~134 tok/s
• Descarga el checkpoint MOPD para trabajo de agentes

GLM-5.3 si necesitas:

• El perfil de codificación abierto más fuerte (TB 3.0 28.3, FrontierSWE 78.1)
• Un conductor diario probado con opciones de suscripción Coding Plan
• Endpoint compatible con Anthropic para herramientas estilo Claude Code
• Precios predecibles de $1.40/$4.40

DeepSeek V4.1 Flash si quieres:

• 90.6% en Terminal-Bench 2.1 y 74.2 en DeepSWE reportados por el proveedor (verifica contra el leaderboard en vivo)
• Pesos MIT y el serving de agentes serio más barato
• Precios valle que reducen a la mitad una factura ya baja, fines de semana incluidos
• Presupuesto de salida de 384K para generaciones largas

GLM-5.3-Flash si quieres:

• Precio de lista $0.15/$0.50 con pesos MIT
• Entrada nativa de imagen + video
• Un modelo de 320B que cabe en un nodo
• 84.3% en TB 2.1, cuatro puntos AA por detrás de su hermano buque insignia

Kimi K3 si quieres:

• Los pesos abiertos más grandes (2.8T)
• Agentes de investigación con BrowseComp 91.2
• Despliegue en AWS Bedrock con caché de prompts
• Puedes vivir con $15/M de salida apoyándote en los aciertos de caché

Qwen3.8-Max si te importa:

• #1 en Code Arena WebDev para trabajo de frontend
• Precio de API $2/$6 con contexto de 1M
• Una vía de pesos abiertos de 2.4T cuando estés listo para autoalojar

Step 5 Preview si quieres:

• La nueva puntuación abierta #3 (AA 44) con solo 27B parámetros activos
• Pesos de 600B con BF16/NVFP4 y quants GGUF comunitarios ya publicados
• Puedes vivir con un checkpoint preview y una licencia personalizada mientras el precio está por confirmar

Mi ranking para trabajo de agentes de codificación ahora mismo: GLM-5.3 como opción por defecto, MiMo-V2.6-Pro (MOPD) cuando la tarea es larga o multimodal, GLM-5.3-Flash para volumen cuando necesitas pesos y Haiku 5.5 cuando no, DeepSeek V4.1-Flash para bucles intensivos de terminal, y Kimi K3 o Qwen3.8-Max cuando sus fortalezas específicas (investigación, frontend) encajan con el trabajo. Step 5 Preview se une a la lista de tareas difíciles el día que tenga precios reales.

Para harnesses agénticos específicamente, la lista corta de mejores modelos open source para OpenClaw filtra este mismo conjunto por fiabilidad de llamadas a herramientas.

Una frase sobre cuándo saltarse lo abierto por completo: Claude Sonnet 5.5 con AA 56 y $2/$10 es la amenaza de valor, y si no necesitas pesos, facturación en valle o una salida de autoalojamiento, es un default defendible. Yo sigo eligiendo abierto para cualquier cosa de larga duración, porque fijar un checkpoint y servirlo tú mismo es la única versión de “este modelo seguirá existiendo el próximo trimestre” que controlas.

Preguntas frecuentes