# Mapa de modelos: visión y multimodalidad Actualizado: 2026-09-30. Anthropic sigue dominando la cima de Vision Arena (Fable 5 #1 el 28 sep), y la entrada #2 es el Qwen3.8-Max alojado de Alibaba, pues el punto de control abierto es solo de texto. Gemini 3.7 Flash saltó al #6. GLM-5.3-Flash es la entrada con licencia abierta más alta de la clasificación, y Gemini domina la comprensión de video. Los modelos insignia más nuevos (Opus 5.5, GPT-6.1 Sol) aún no tienen entradas de visión. ## Modelos cerrados ### Nivel S (lo mejor) - **Claude Fable 5** (anthropic): Primer modelo público de la clase Mythos; sigue en lo más alto de la clasificación de texto por preferencia humana, ahora en empate estadístico con Opus 5.5 y Opus 4.6. - **Qwen3.8-Max-0902** (alibaba): Versión fechada solo por API (qwen3.8-max-0902, alias qwen3.8-max-2026-09-02; entrada de imágenes y video, contexto de 1M, $2/$6 por millón) según Alibaba Model Studio, 11 sep. #4 en Arena Code WebDev (1681±15) en la captura del 11 sep. El #2 de Arena Vision (1302±8, 13 sep) y el #1 de OSWorld-Verified (86.1%) corresponden al servicio alojado qwen3.8-max, no al punto de control abierto solo de texto. Sep 2026. - **Claude Opus 4.7** (anthropic): Fuera de la tabla de modelos actuales de Anthropic, pero aún entre los cuatro primeros de Vision Arena. ### Nivel A (frontera) - **Gemini 3.7 Flash** (google deepmind): Lanzado el 13 ago; Gemini 3.8 Flash lo sustituyó como opción recomendada el 2 sep. #10 en Arena WebDev en la captura del 21 ago (fuera de los diez primeros el 2 sep). AA Intelligence de 56 con esfuerzo alto. Incorporó comprensión de video con agentes el 1 sep junto con 3.6 Flash. Sep 2026. El modelo de uso diario de Google en agosto, sustituido tres semanas después por 3.8 Flash, pero aún ampliamente utilizado. - **Claude Opus 5** (anthropic): N.º 3 en Arena Code WebDev (1687, max) y n.º 7 (high) en la instantánea del 11 sep. AA Intelligence Index v4.3: 50.7 en max, n.º 3 detrás de Fable 5.1 y GPT-6 Astra; AA Coding Agent Index: 60. Puestos 3-4 en Arena Agent. Los resultados de SWE-bench Pro, 79.2%, y OSWorld 2.0, 70.57%, comunicados por Anthropic proceden de pruebas del proveedor. Disponible de forma general el 24 jul. Sep 2026. La frontera en relación calidad-precio: perdió el liderazgo compuesto y de programación frente a Fable 5.1 y GPT-6 Astra en septiembre, y sigue con los precios de Opus 4.8. - **Muse Spark 1.3** (meta): Lanzado el 2 sep en Muse Code y Meta Model API. #4 en Arena Text (1.2 xHigh, 1500±11) y #8 (1.3 Max, 1493±9) en la captura del 13 sep; #8 en Arena Code WebDev (1.3 Max, 1652); #6 en Vision. AA Coding Agent Index de 54 en Muse Code. Una entrada del 16 sep en Scale SWE-Bench Pro muestra a Muse Spark 1.1 empatado en el puesto 1, pero esa tabla omite GPT-6 Astra y Fable 5.1. Sep 2026. Meta llegó al grupo de frontera: la actualización 1.3 (2 sep) suma cuatro puntos al índice y empata con GPT-5.6 Sol y Grok 4.6 en la puntuación compuesta. - **GPT-5.5** (openai): AA Index de 55 (xhigh), #1 en Terminal-Bench 2.1 mediante Codex CLI (83.4%). Sustituido por la familia GPT-5.6 el 9 jul de 2026. Jul 2026. GPT-5.6 lo sustituyó como modelo insignia (9 jul), pero sigue siendo el motor de la entrada #1 de Terminal-Bench mediante Codex CLI. - **Grok 4.5** (xai): #8 en AA Intelligence (54, high). El identificador de API grok-4.5 sigue activo; sustituido por Grok 4.6 el 12 ago. Ago 2026. El anterior modelo de frontera de xAI, sustituido por Grok 4.6 el 12 ago, pero aún activo en la API, Cursor y Grok Build CLI. ### Nivel B (situacional) - **Gemini 3.1 Pro** (google deepmind): AA Index de 57, ARC-AGI-2 de 77.1%, Video-MME-v2 de 49.4 (el mejor), $2/$12 por millón. #12 en Arena Text (1485) y fuera de los 15 primeros de AA Intelligence; ya no sigue el ritmo de frontera en las arenas actuales. ID de API gemini-3.1-pro-preview. Ago 2026. El modelo de frontera con mejor relación precio-rendimiento y aún líder en comprensión de video, aunque ha caído mucho en Vision Arena. Oficialmente sigue en versión preliminar. - **Gemini 3.6 Flash** (google deepmind): Disponibilidad general el 21 jul. AA Index de 50, precio de salida rebajado a $7.50/MTok. Sustituido por Gemini 3.7 Flash, cuya puntuación preliminar en WebDev subió de 1538 a 1588. Ago 2026. La anterior opción rápida y económica, sustituida por Gemini 3.7 Flash el 13 ago, pero aún útil para entradas multimodales y computer use en versión preliminar. ## Modelos abiertos ### Nivel S (lo mejor) - **Kimi K3** (moonshot ai · kimi k3 license): Pesos disponibles en HF sin restricciones de acceso (moonshotai/Kimi-K3, licencia personalizada Kimi K3 License). #5 en Arena Code WebDev (1674±11 como kimi-k3-max) en la captura del 11 sep, la entrada abierta mejor situada; AA v4.3 señala a GLM-5.3 y Kimi K3 como líderes abiertos conjuntos. Sep 2026. - **DeepSeek V4.1 Flash** (deepseek · mit): DeepSeek fusionó Flash y su experimento de visión en un único modelo multimodal de 552B con licencia MIT, al que ahora redirigen los antiguos IDs de API de Flash. ### Nivel A (frontera) - **GLM-5.3-Flash** (z.ai (zhipu) · mit): Pesos disponibles en HF (zai-org/GLM-5.3-Flash, MIT, 25 ago; 62 fragmentos y un repositorio BF16). AA Intelligence Index de 57 (26 ago): #3 abierto detrás de Kimi K3 Max (60) y Qwen3.8-2.4T (58). Incorporado a Arena WebDev el 26 ago, aún sin puesto. Ago 2026. Z.ai publicó los pesos de la opción Flash antes que los del modelo insignia: un MoE de 320B/18B activos, con licencia MIT íntegra, y #3 en la clasificación de inteligencia abierta la semana de su llegada. - **Qwen3.5 397B-A17B** (alibaba · apache 2.0): El mayor modelo abierto multimodal íntegramente Apache; su ficha declara mejores resultados en MMMU/MathVision/VideoMMMU que Qwen3-VL-235B (datos del proveedor). Jul 2026. El modelo insignia abierto de Qwen: multimodal nativo, 201 idiomas, licencia totalmente permisiva y, según su propia ficha, mejor en visión que Qwen3-VL. - **DeepSeek V4 Flash Vision Exp** (deepseek · mit): Pesos disponibles en HF (deepseek-ai/DeepSeek-V4-Flash-Vision-Exp, MIT, 31 ago). El ID de API se retiró el 10 sep y redirige a V4.1 Flash, que tiene visión nativa; el experimento se conserva aquí solo como punto de control descargable. Sin entrada en Vision Arena ni AA. Sep 2026. El primer modelo de visión de la generación V4 de DeepSeek: el gemelo eficiente de Flash con un codificador de imágenes añadido, licencia MIT y etiqueta experimental. - **Qwen3-VL 235B** (alibaba · apache 2.0): Lidera Video-MME-v2 abierto; Qwen3.5-397B-A17B declara puntuaciones mayores de comprensión visual (datos del proveedor). Jul 2026. VLM abierto potente para videos de horas de duración con indexación por segundos y contexto de 1M; el nuevo modelo insignia 3.5 de Qwen ya lo supera según sus propias cifras. - **TeleOCR** (china telecom · apache 2.0): 1.2B, pesos Apache 2.0 en HF (XingChen-AGI/TeleOCR), comunicado de prensa del 30 sep. Su liderato en OmniDocBench v1.6 es un dato del proveedor; aún sin entrada en una clasificación independiente. Sep 2026. Un pequeño analizador abierto de documentos que afirma tener la mejor puntuación de OmniDocBench, por delante de PaddleOCR-VL y GLM-OCR. - **GLM-OCR** (z.ai (zhipu) · mit): El 94.62 en OmniDocBench es un DATO DEL PROVEEDOR, no un puesto verificado en una clasificación actual: el repositorio del mantenedor, CodeSOTA y BenchLM muestran distintos conjuntos de modelos y discrepan sobre la verificación; la tabla oficial aún se etiqueta v1.6_full. Toma la ventaja del pequeño modelo abierto como una orientación. Jul 2026. Un especialista en documentos de 0.9B que rinde muy por encima de su tamaño en OCR; 3M de descargas en su primer mes. - **GLM-4.6V** (z.ai (zhipu) · mit): Llevó la multimodalidad abierta a terrenos antes propietarios. Jun 2026. Uso multimodal nativo de herramientas con razonamiento visual potente. - **DeepSeek-OCR-2** (deepseek · mit): Empata con GLM-OCR en OCR Arena; el más barato a escala. Jun 2026. Eficiencia de tokens mediante compresión óptica: 200K páginas al día en una sola A100. - **MiniCPM-V 4.6** (openbmb · apache 2.0): Costo de codificación un 50% menor que la generación anterior. Jun 2026. El mejor VLM para dispositivos: 1.3B que se ejecuta en teléfonos, con un hermano de streaming dúplex completo. ### Nivel B (situacional) - **Kimi K2.6** (moonshot ai · modified mit): Ninguna entrada en las clasificaciones actuales de texto, programación y visión en este ciclo; sustituido por Kimi K3 (pesos abiertos el 27 jul). Ago 2026. El anterior modelo insignia abierto: MoE de 1T con visión nativa y enjambres de hasta 300 subagentes. Totalmente sustituido por la publicación de pesos de Kimi K3 del 27 jul. - **PaddleOCR-VL** (baidu · apache 2.0): Entre los tres mejores en comprensión de documentos, abiertos o cerrados. Jun 2026. 94.50 en OmniDocBench a un costo por página unas 167x menor que las API comerciales.