treinta y dos modelos abiertos para programar, puntuados en ocho benchmarks independientes y combinados con lo que cada uno cuesta de verdad por solicitud en opencode go. no hay celdas estimadas: cada número está tomado de una fuente con nombre — datacurve, vals ai, artificial analysis, epoch ai o el informe del propio proveedor.
los 32 modelos que hoy están en opencode go, del mejor al peor según la combinación de benchmarks y costo. atención a la columna de cobertura: un puesto alto apoyado en cuatro benchmarks vale menos que uno apoyado en siete.
el mejor de la columna · — sin valor publicado · cobertura = benchmarks con datos (de 8) · gratis = modelo en vista previa gratuita dentro del plan
cómo leer esto
el puesto promedia el puesto de cada modelo en los ocho benchmarks y lo combina, mitad y mitad, con su puesto por costo por solicitud. el peso se puede ajustar en la planilla.
el celeste marca el mejor valor de cada columna entre los 32 modelos.
— quiere decir que al 10 de octubre de 2026 no se encontró ningún valor publicado en ninguna parte. no se estima nada.
el costo es el precio estimado de una solicitud típica de go (la mezcla de tokens publicada en la documentación de go), con deepseek a su tarifa de horas valle y los modelos con niveles en su nivel base.
los benchmarks, en breve
ocho benchmarks deciden la clasificación; el resto es contexto. cada entrada dice quién corre la evaluación, porque el harness, el andamiaje con que se corre, importa tanto como el puntaje.
los ocho benchmarks que puntúan
deepswe v1.1 datacurve
benchmark de ingeniería de software de largo aliento: 113 tareas originales en 91 repositorios de código abierto y 5 lenguajes, corregidas por verificadores automáticos. las tareas se escriben desde cero en lugar de sacarse de pull requests reales, lo que mantiene baja la contaminación; la tabla pública corre todas las entradas con un mismo harness (mini-swe-agent), así que los números son comparables.
terminal-bench 2.1 vals ai · terminus 2
89 tareas de terminal en un entorno aislado: gestión de paquetes, compilaciones, git, servidores, administración de sistemas. la revisión 2.1 reparó 28 tareas para cerrar los huecos por los que se podía cobrar la recompensa sin resolver la tarea. tomamos las corridas oficiales de vals ai con terminus 2 como la línea comparable; los números de los proveedores en el mismo benchmark se conservan en la planilla, pero quedan más abajo y no deben compararse a través de esa frontera.
scicode artificial analysis
computación científica de nivel de investigación: problemas de física, matemática, biología y química partidos en subpasos que exigen formación real en el área. artificial analysis publica los valores actuales; el conjunto de datos de base está en revisión después de una auditoría, así que todas las cifras de scicode pueden cambiar.
aa-lcr artificial analysis
razonamiento con contexto largo: 100 preguntas sobre documentos de 10,000 a 100,000 tokens, evaluadas por un llm. mide si un modelo de verdad usa el contexto largo o solo lo mira por encima: la falla que separa las ventanas de contexto reales de las de ficha técnica.
gpqa diamond artificial analysis · epoch ai
el subconjunto diamond de google-proof q&a: preguntas de nivel de posgrado escritas por expertos en física, química y biología, hechas para que no se puedan responder adivinando. los valores vienen de artificial analysis donde los hay, y de epoch ai para el puñado de modelos que aa no cubre.
swe-bench pro casi todo informado por los proveedores
el sucesor más difícil de swe-bench, de scale ai: tareas de ingeniería más largas y más realistas, con cambios en varios archivos. para la mayoría de estos modelos no se pudo acceder a ninguna tabla pública estandarizada, así que esta columna es en gran parte cada proveedor informando sus propios números: sirve para ver hacia dónde apuntan, no como tabla de posiciones.
terminal-bench 4.0 vals ai
la generación actual de terminal-bench: bastante más difícil que la 2.1 (el mejor puntaje en go es 41.9) y muy sensible al agente con que se corrió. se prefieren los números independientes con mini-swe-agent; las cifras de los proveedores aparecen solo donde no hay nada independiente.
mmlu-pro vals ai
el hermano más difícil de mmlu, con 14 opciones y 57 materias: conocimiento amplio, profesional y de ciencias, con distractores más duros. vals ai dejó de correrlo para los modelos nuevos, así que los más recientes simplemente no tienen valor: es un hueco de cobertura, no un cero.
datos de referencia: se muestran, no puntúan
aa coding index artificial analysis
el índice de agentes de programación: el compuesto de aa con deepswe v1.1 + terminal-bench 4.0 + swe-atlas-qna, obtenido con un agente o harness con nombre (claude code, codex…). donde la página de agentes tiene el acceso restringido, los valores recurren al índice de programación por modelo de aa, que es otro compuesto. la pestaña de fuentes indica a cuál de los dos corresponde cada cifra.
vals index vals ai
el compuesto versionado de vals ai sobre una batería de 15 sectores: programación (con tb 4.0, vibe code bench y migración de código), web, finanzas y más. la revisión v2.1 del 2026-09-25 cambió la mezcla, así que acá solo aparecen los valores de la página actual: las lecturas de versiones anteriores se excluyen en vez de mezclarse.
matemática según el proveedor
el benchmark de matemática que haya publicado cada proveedor: aime 2026, matharena apex, los niveles de frontiermath, hmmt, proofbench. la prueba cambia de un modelo a otro, así que la columna es informativa: la pestaña de fuentes de la planilla dice qué prueba hay detrás de cada cifra.
metadatos de las corridas de deepswe datacurve
el intervalo de confianza (±), los pasos por tarea y los tokens de salida por tarea, tomados de las filas de la tabla de datacurve, cuando el modelo tiene una. es contexto más que puntaje: muestra si una ventaja es real o está dentro del ruido; por ejemplo, el 74±3 de gpt-6 astra frente al 75.4 de muse spark 1.3, que no tiene intervalo medido.
lo que destaca
gana el modelo gratuito
step 5 preview free encabeza la clasificación: tres de los ocho puntajes mejores o casi mejores (tb 2.1 85.0, scicode 58.9, aa-lcr 88.3) a costo cero. las vistas previas gratuitas duran un tiempo limitado, así que la elección práctica es otra: ver muse spark 1.3 más abajo.
un modelo de $0.10 es el que más rinde por lo que cuesta en el plan
muse spark 1.3 contributor es el n.º 2 de la general y se queda con la corona de deepswe (75.4) por más o menos un cuarto de milésima de dólar por solicitud. deepseek v4.1 flash (n.º 3) junta el segundo mejor puntaje de deepswe de toda la lista, 74.2, con un precio cercano al de muse. una salvedad: el nivel contributor entrena con tus prompts y está limitado a algunas regiones.
terminal-bench 4.0 es otro mundo
toda la lista sufre en el benchmark de terminal actual: el mejor puntaje en go es el 41.9 de glm-5.3. las corridas independientes con mini-swe-agent suelen quedar 10 puntos o más por debajo de los números de los proveedores, así que conviene tratar cada cifra de la 4.0 como atada a su harness.
no ganan los puntajes: gana el costo
kimi k3 lidera aa-lcr (88.7) y mimo-v2.6-pro casi tiene asegurado scicode (60.9), y sin embargo los dos quedan a mitad de tabla: a $3/$15, e incluso a $0.435 por millón, su costo por solicitud tira la combinación hacia abajo. una clasificación solo por calidad se vería muy distinta.
índices compuestos, matemática y detalles de las corridas
columnas informativas de la planilla: los compuestos y los puntajes de matemática no forman parte del puntaje de la clasificación. matemática usa un benchmark distinto según el proveedor (aime 2026, matharena apex, frontiermath, hmmt, proofbench…), así que hay que compararlos con cuidado.
el aa coding index mezcla el índice de agentes de aa con su índice de programación por modelo (nota 2) · la versión del vals index varía (nota 3) · el benchmark de matemática cambia según el modelo
sin clasificar
longcat 2.5 preview free y space bunny están en el plan, pero no tienen puntajes publicados en ninguno de los ocho benchmarks. la identidad de space bunny sigue sin confirmarse (figura en la lista sin decir de quién es, posiblemente de la familia minimax). hasta que alguno de los dos publique, no se los puede ubicar.
ya no están en el plan
se conservan como referencia: siete modelos que aparecían en la versión anterior de la planilla y que no están en la lista actual de go. tres de ellos siguen existiendo con pago por uso en opencode zen.
dos oraciones de lo que destaca no coincidían con la clasificación, y se corrigieron. ningún número de las tablas cambió. muse spark 1.3 contributor cuesta más o menos un cuarto de milésima de centavo dólar por solicitud, y deepseek v4.1 flash junta el mejor puntaje de terminal-bench 2.1 de toda la lista el segundo mejor puntaje de deepswe de toda la lista con un precio cercano al de muse.
notas y salvedades
swe-bench pro viene casi todo de los proveedores. para la mayoría de estos modelos no se pudo acceder a ninguna tabla pública estandarizada; los pocos valores independientes (claude haiku 5.5 64.8, kimi k3 63.3) son agregaciones. la columna sirve para ver hacia dónde apuntan, no como tabla de posiciones.
el aa coding index mezcla dos productos. donde se pudo leer el índice de agentes de programación de aa (deepswe v1.1 + terminal-bench 4.0 + swe-atlas-qna, con su harness indicado), se usa ese; si no, lo reemplaza el índice de programación por modelo de aa, que es otro compuesto. la pestaña de fuentes dice de qué producto sale cada valor.
el vals index tiene versiones. se usan los valores de la página actual (v2.1 donde existe); los números anteriores a la v2.1 (por ejemplo, las lecturas de la época del 59.47 de muse spark 1.3) difieren de manera sistemática, y se comprobó que varios «titulares de precisión» de las páginas de los modelos no eran el índice, así que se excluyeron.
terminal-bench 4.0 es extremadamente sensible al harness. se prefieren las corridas de vals con mini-swe-agent, y los números de los proveedores se conservan solo donde no hay nada independiente. minimax m3 lo muestra bien: 1.01 independiente contra 66.0 del proveedor, en otra versión del benchmark.
el ±ic, los pasos y los tokens de salida de deepswe salen solo de las filas de la tabla de datacurve; faltan donde la fila del modelo no es una de las 21 configuraciones que se muestran. sirven para juzgar si una ventaja es real (por ejemplo, el 74±3 de gpt-6 astra frente al 75.4 de muse spark 1.3, que no tiene intervalo medido).
opencode.ai/go · generado el 10 de octubre de 2026 a partir de la planilla de benchmarks actualizada