# Ranking IA — el ranking de los modelos de IA en español

> Benchmark independiente de 10 modelos frontier sobre 25 pruebas de uso profesional real en español, agrupadas en 6 familias. A 22 de septiembre de 2026, el modelo con mejor nota es Claude Fable 5.1 (Anthropic) con 97,3%. Metodología pre-registrada, jueces con recusación por laboratorio y datos completos publicados. Un proyecto de Sozpic.

- Web: https://ranking.sozpic.com/
- Runs: 2026-09-22_4fe70ad (22 de septiembre de 2026 — Grok 4.7) · 2026-09-22_65433c8 (22 de septiembre de 2026 — Claude Opus 5.5) · 2026-09-10_af9b8f4 (10 de septiembre de 2026 — Gemini 3.8 Flash) · 2026-09-10_bd28c9b (10 de septiembre de 2026 — DeepSeek V4.1-Flash) · 2026-09-05_e8890bf (5 de septiembre de 2026 — GPT-6 Astra) · 2026-09-01_7e3c679 (1 de septiembre de 2026 — Claude Fable 5.1) · 2026-08-25_d1ef021 (25 de agosto de 2026 — Claude Opus 5, Claude Fable 5, Kimi K3, GPT-5.6 Sol, Grok 4.6, DeepSeek V4 Flash, Gemini 3.1 Pro, DeepSeek V4 Pro) · última medición del 22 de septiembre de 2026. Dar de alta un modelo mide solo a ese modelo: los demás conservan el run en el que se midieron, con el instrumento de ese run.
- Banco en obra: 6 de las 25 pruebas están saturadas por la regla publicada (media ≥90% y ≥6 modelos al 100%): V3, V5, R3, C4, E1, L1. Se están sustituyendo por pruebas nuevas del mismo mecanismo. Las notas ya publicadas no se recalculan.
- Licencia: CC BY 4.0 — Ranking IA · Sozpic (https://creativecommons.org/licenses/by/4.0/)
- Cómo citar: «Ranking IA (Sozpic), datos del 22 de septiembre de 2026», con enlace a https://ranking.sozpic.com/. La ficha de cada modelo indica el run concreto en el que se midió.
- Versión en inglés: https://ranking.sozpic.com/en/

## Clasificación

| # | Modelo | Laboratorio | Global | Tier | IC 95% | Instrucciones | Veracidad | Razonamiento | Carácter | Expresión | Español | Precio salida $/1M |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Fable 5.1 | Anthropic | 97,3% | S | 95,7–98,8 | 98,3% | 100% | 91,7% | 100% | 98,4% | 95,3% | 50 |
| 2 | GPT-6 Astra | OpenAI | 96,5% | S | 95,3–98 | 99,3% | 100% | 87,5% | 94,6% | 97,7% | 100% | 50 |
| 2 | Claude Opus 5.5 | Anthropic | 96,5% | S | 95,2–97,8 | 97,2% | 98,3% | 98,6% | 96,4% | 88,4% | 100% | 20 |
| 4 | Kimi K3 | Moonshot | 89,2% | A | 86,5–91,7 | 84,9% | 97,5% | 77,1% | 96,4% | 94,8% | 84,4% | 15 |
| 5 | GPT-5.6 Sol | OpenAI | 87,2% | A | 85,2–89,2 | 100% | 93,3% | 83,3% | 75,6% | 86,6% | 84,4% | 20 |
| 6 | Grok 4.7 | xAI | 87,1% | A | 83,5–90,5 | 88,9% | 95,8% | 91,7% | 100% | 88,9% | 57,3% | 6 |
| 7 | Gemini 3.8 Flash | Google | 81% | A | 78,6–83,3 | 92,4% | 76,7% | 84,7% | 57,1% | 95,8% | 79,2% | 3,8 |
| 8 | DeepSeek V4.1-Flash | DeepSeek | 77,5% | B | 74,1–80,7 | 81,2% | 97,5% | 70,8% | 54,9% | 87,2% | 73,5% | 1,2 |
| 9 | Gemini 3.1 Pro | Google | 71,2% | B | 68,4–73,8 | 66% | 66,7% | 79,2% | 42,9% | 86,1% | 86,5% | 12 |
| 10 | DeepSeek V4 Pro | DeepSeek | 67,3% | C | 63,2–71,3 | 82,3% | 61,3% | 72,9% | 32,6% | 81,3% | 73,4% | 4 |

Tiers: S ≥ 90 · A 80–89 · B 70–79 · C 60–69 · D < 60 (sobre 100).
Posiciones: únicas por nota global; dos modelos solo comparten posición si su global publicado coincide. Los intervalos de confianza del 95 % indican qué diferencias son distinguibles: cuando se solapan, las posiciones deben leerse como equivalentes.

## Qué mide cada familia

- **Instrucciones**: ¿Hace exactamente lo que le pides?
- **Veracidad**: ¿Se inventa cosas?
- **Razonamiento**: ¿Piensa o recita?
- **Carácter**: ¿Te dice la verdad aunque no te guste?
- **Expresión**: ¿Escribe bien y con voz propia?
- **Español**: ¿Suena a nativo o a traducción?

## Metodología en corto

- Cada modelo responde 4 pasadas independientes por prueba, vía API oficial, sin system prompt, sin herramientas y con los parámetros por defecto del proveedor.
- Evaluación en tres capas: verificadores deterministas para lo mecánico; un juez rápido único por pasada, asignado por hash y nunca del laboratorio del modelo evaluado, para los baremos cerrados; y un panel de jueces frontier con recusación para lo subjetivo y para toda pasada dudosa.
- Los jueces nunca ven el nombre del modelo evaluado.
- La nota de cada familia es la media de sus pruebas; la global, la media de las 6 familias sin ponderar.
- Auditoría muestral de este run: 100 % de acuerdo sobre 5 pasadas revisadas de nuevo.
- Incertidumbre: bootstrap de pasadas por ítem (remuestreo con reemplazo dentro de cada ítem), 1000 iteraciones, determinista (semilla derivada del id del modelo).

## Páginas

- [Ranking completo](https://ranking.sozpic.com/): clasificación, tiers, comparativa cara a cara y nota frente a coste.
- [Metodología](https://ranking.sozpic.com/metodologia/): pre-registro, capas de evaluación, recusación, auditoría y vigilancia de los jueces.
- [Ficha: Claude Fable 5.1](https://ranking.sozpic.com/modelo/claude-fable-5-1/): 97,3% global, tier S, Anthropic. Nota por familias y conclusión de cada prueba.
- [Ficha: GPT-6 Astra](https://ranking.sozpic.com/modelo/gpt-6-astra/): 96,5% global, tier S, OpenAI. Nota por familias y conclusión de cada prueba.
- [Ficha: Claude Opus 5.5](https://ranking.sozpic.com/modelo/claude-opus-5-5/): 96,5% global, tier S, Anthropic. Nota por familias y conclusión de cada prueba.
- [Ficha: Kimi K3](https://ranking.sozpic.com/modelo/kimi-k3/): 89,2% global, tier A, Moonshot. Nota por familias y conclusión de cada prueba.
- [Ficha: GPT-5.6 Sol](https://ranking.sozpic.com/modelo/gpt-5-6-sol/): 87,2% global, tier A, OpenAI. Nota por familias y conclusión de cada prueba.
- [Ficha: Grok 4.7](https://ranking.sozpic.com/modelo/grok-4-7/): 87,1% global, tier A, xAI. Nota por familias y conclusión de cada prueba.
- [Ficha: Gemini 3.8 Flash](https://ranking.sozpic.com/modelo/gemini-3-8-flash/): 81% global, tier A, Google. Nota por familias y conclusión de cada prueba.
- [Ficha: DeepSeek V4.1-Flash](https://ranking.sozpic.com/modelo/deepseek-v4-1-flash/): 77,5% global, tier B, DeepSeek. Nota por familias y conclusión de cada prueba.
- [Ficha: Gemini 3.1 Pro](https://ranking.sozpic.com/modelo/gemini-3-1-pro/): 71,2% global, tier B, Google. Nota por familias y conclusión de cada prueba.
- [Ficha: DeepSeek V4 Pro](https://ranking.sozpic.com/modelo/deepseek-v4-pro/): 67,3% global, tier C, DeepSeek. Nota por familias y conclusión de cada prueba.
- [Ficha: Claude Opus 5](https://ranking.sozpic.com/modelo/claude-opus-5/): 97,1% global, tier S, Anthropic. Fuera de la comparativa desde el 22 de septiembre de 2026 (lo sustituye Claude Opus 5.5); la ficha y la medición se conservan.
- [Ficha: Claude Fable 5](https://ranking.sozpic.com/modelo/claude-fable-5/): 94,3% global, tier S, Anthropic. Fuera de la comparativa desde el 22 de septiembre de 2026 (lo sustituye Claude Fable 5.1); la ficha y la medición se conservan.
- [Ficha: Grok 4.6](https://ranking.sozpic.com/modelo/grok-4-6/): 72,1% global, tier B, xAI. Fuera de la comparativa desde el 22 de septiembre de 2026 (lo sustituye Grok 4.7); la ficha y la medición se conservan.
- [Ficha: DeepSeek V4 Flash](https://ranking.sozpic.com/modelo/deepseek-v4-flash/): 72,1% global, tier B, DeepSeek. Fuera de la comparativa desde el 22 de septiembre de 2026 (lo sustituye DeepSeek V4.1-Flash); la ficha y la medición se conservan.

## Datos

- [leaderboard.json](https://ranking.sozpic.com/data/leaderboard.json): clasificación, notas por familia y por prueba, conclusiones y análisis de jueces.
- [llms-full.txt](https://ranking.sozpic.com/llms-full.txt): este mismo contenido con las conclusiones completas de cada modelo en cada prueba.