Comparación de los agentes de Frontier AI: Astra, Flash, Fable y Mythos
Un desglose de cómo se comportan las últimas versiones de los modelos GPT, Gemini y Claude en tareas reales de agencia como la programación, la navegación y el uso de herramientas, y no solo en pruebas de rendimiento.
Las reglas para comparar las IA solían ser predecibles.
GPT vs Gemini vs Claude.
Se le daba a cada una un prompt idéntico, se comparaban las respuestas lado a lado y se elegía la que sonaba mejor. Ese enfoque ya no refleja lo que realmente importa.
Esta nueva generación de versiones, que incluye la versión Astra de OpenAI, la actualización Flash de Google y las versiones Fable y Mythos de Anthropic, se evalúa según un estándar mucho más exigente:
¿Puede un agente de IA comprender un objetivo, utilizar las herramientas adecuadas, escribir y depurar código, navegar por la web, controlar una interfaz de ordenador, recuperarse de errores y llevar a cabo una tarea compleja hasta su finalización con la mínima ayuda humana?
Ese cambio es de suma importancia para los desarrolladores, y tras analizar las recientes publicaciones de pruebas de rendimiento y las fichas técnicas correspondientes, la imagen que surge es más compleja que una simple clasificación:
GPT-6 Astra resulta ser el agente más versátil y capaz hasta la fecha; Gemini 3.8 Flash podría ofrecer el mejor equilibrio entre capacidad y costo; Claude Fable 5.1 sigue destacando en trabajos extensivos de ingeniería de software e investigación; y Mythos 5.1 da una idea de hacia dónde se dirigen los modelos especializados en el futuro.
A continuación, un análisis más detallado de cada uno.
1. GPT-6 Astra: OpenAI apuesta por completo por los agentes
OpenAI presenta a GPT-6 Astra como su modelo más inteligente y mejor adaptado hasta ahora, destacando sus avances en operaciones informáticas, programación, razonamiento científico, ciberseguridad y flujos de trabajo de nivel profesional.
No obstante, lo que realmente destaca no es un único número de la tabla de clasificación.
Se trata de la capacidad del modelo para llevar a cabo tareas autónomas.
Astra es capaz de:
- Navegar por sitios web
- Controlar interfaces gráficas de usuario
- Completar formularios
- Manipular hojas de cálculo
- Crear sitios web
- Ejecutar pruebas de calidad en el frontend
- Instalar y probar software
- Localizar errores en aplicaciones
- Gestionar tareas de programación que abarcan largos períodos de tiempo
- Interactuar con herramientas y software científicos
- Generar documentos y diapositivas
Según OpenAI, Astra obtiene un puntaje de 72.6% en OSWorld 2.0, frente al 65.7% del anterior GPT-5.6 Sol, y lo hace completando tareas similares en un tiempo notablemente menor.
La ingeniería de software, en particular, es donde Astra demuestra ser realmente impresionante.
Sus resultados en Terminal-Bench 4.0 ilustran esto:
Pero la generación de código por sí sola no cuenta toda la historia.
OpenAI también ha incorporado herramientas de contexto persistente en Codex, de modo que las sesiones de programación prolongadas ya no se reducen a resúmenes cada vez más confusos del trabajo anterior. En cambio, el contexto pasado sigue siendo buscable y recuperable.
Para cualquiera que desarrolle software, eso representa una actualización mucho más significativa que unos pocos puntos porcentuales adicionales en una prueba de rendimiento, ya que la ingeniería en el mundo real no ocurre en intercambios breves de 20 mensajes.
Se desarrolla a través de cientos de decisiones interconectadas tomadas durante varios días.
2. Gemini 3.8 Flash: El modelo “¿Por qué es tan barato?”
Luego Google lanzó algo que tomó por sorpresa a la gente.
Gemini 3.8 Flash.
Google lo describe como el modelo de la serie Flash más potente hasta la fecha, diseñado para tareas extensas de ingeniería de software, flujos de trabajo de agentes autónomos y problemas de razonamiento complejos, manteniendo al mismo tiempo la velocidad y accesibilidad por las que es conocida la línea Flash.
El precio de lanzamiento en la API es de $0.75 por 1 millón de tokens de entrada y $3.75 por 1 millón de tokens de salida.
Eso representa una reducción significativa en comparación con las tarifas de API de Astra, que son de $10 por 1 millón de tokens de entrada y $50 por 1 millón de tokens de salida.
Lo interesante es que Gemini 3.8 Flash no compite únicamente por ser ligero.
Invierte más esfuerzo donde realmente importa.
Google explica que el modelo puede realizar pasos adicionales de razonamiento e invocar herramientas repetidamente cuando la tarea lo requiere.
Su conjunto de características incluye:
- Ventanas de contexto de hasta 1M de tokens
- Capacidad de salida de hasta 64K de tokens
- Intensidad de razonamiento configurable
- Integración de herramientas
- Soporte para agentes autónomos
- Capacidad de programación ampliada
- Flujos de trabajo listos para empresas
Google destaca un rendimiento especialmente sólido en DeepSWE v1.1, una prueba de referencia diseñada para resolver problemas de ingeniería complejos sin intervención humana.
El modelo también alcanza un 54.9% en HLE-Verified.
La estrategia subyacente es inteligente:
En lugar de hacer que cada consulta sea más inteligente en general, dedicar recursos computacionales adicionales únicamente a los problemas que realmente lo requieren.
Es muy probable que esta sea la dirección en la que seguirán evolucionando los precios y el rendimiento de las IA agentes. Probar este modelo dentro de Antigravity para crear un sitio de portafolio nos dio una idea de cómo se manifiesta en la práctica.
3. Claude Fable 5.1: Anthropic se optimiza para el trabajo real
La respuesta de Anthropic a esta competencia se presenta en dos versiones: Claude Fable 5.1 y su versión más restringida, Claude Mythos 5.1. Fable 5.1 no intenta impresionar con logros en tablas de clasificación.
En cambio, su propuesta de valor se basa en algo más útil en el día a día: trabajos de ingeniería continuos, tareas de investigación y empleos que requieren muchos conocimientos. Las mejoras de Anthropic en este aspecto son significativas.
En Terminal-Bench-Science, Fable 5.1 alcanza un porcentaje de 52.6%, más del doble del 24.7% logrado por la versión anterior, Fable 5.
En Terminal-Bench 4.0, Fable 5.1 obtiene un puntaje de 55.8%, mientras que el más especializado Mythos 5.1 eleva esa cifra a 60.9% según la comparación realizada por Anthropic.
Los resultados adicionales para Fable 5.1 son los siguientes:
- OSWorld 2.0 parcial: el modelo alcanza un 77.9%
- CursorBench: obtiene un 73.4%
- Humanity's Last Exam, sin acceso a herramientas: llega al 60.9%
- el mismo examen, pero ahora con herramientas activadas: el rendimiento asciende a 65.0%
- AutomationBench: el puntaje es de 31.4%
Pero la mejora que más importa para los desarrolladores en activo podría no ser precisamente un puntaje de prueba: se trata de la eficiencia.
Anthropic afirma que Fable 5.1 puede igualar la calidad de salida de Fable 5 mientras consume significativamente menos recursos en configuraciones con menor esfuerzo de razonamiento, y que las cargas de trabajo gestionadas por agentes pueden lograr reducciones de costos de aproximadamente un 45%.
Esa mejora en la eficiencia es muy importante, ya que los sistemas basados en agentes tienen una debilidad bien conocida: son consumidores voraces de tokens.
Mientras que un simple intercambio con un chatbot podría costar alrededor de 5,000 tokens, un agente de programación que realiza una tarea real puede consumir cientos de miles. A esa escala, la eficiencia con la que un modelo utiliza tokens deja de ser un detalle de precio y se convierte en una parte fundamental de la arquitectura de su sistema.
4. Mythos 5.1 es algo diferente
Mythos 5.1 merece un análisis por sí mismo.
Según Anthropic, Fable 5.1 y Mythos 5.1 se basan en el mismo modelo subyacente. Lo que los diferencia no es su capacidad bruta, sino las medidas de seguridad y las restricciones de acceso aplicadas a ciertas funciones sensibles.
Mythos está reservado para profesionales verificados y cualificados, especialmente en campos como la investigación en ciberseguridad y la biología avanzada. Esa restricción es precisamente el objetivo.
Estamos avanzando hacia un modelo en el que un único modelo base pueda soportar múltiples “envoltorios de capacidad” distintos, dependiendo de quién lo utilice y cómo.
El modelo central podría ser extremadamente capaz en todos los aspectos, pero lo que realmente se le permite hacer en la práctica depende de factores como:
- quién es el usuario
- en qué entorno se ejecuta la solicitud
- qué herramientas están disponibles
- cómo se monitorea la sesión
Se trata de una configuración significativamente diferente al modelo tradicional de enviar un modelo detrás de otra API y considerarlo listo.
5. La carrera por la ciberseguridad se está volviendo seria
Esta sección podría tener la mayor importancia en toda la comparación.
OpenAI afirma que GPT-6 Astra ha superado lo que denomina el umbral de capacidad crítica en ciberseguridad, según lo definido en su Marco de Preparación. La empresa indica que Astra es capaz de detectar vulnerabilidades anteriormente desconocidas y crear exploits funcionales contra sistemas reforzados con muy poca intervención humana.
Las cifras lo respaldan:
- 100% en ExploitBench
- 88% pass@1 en SRE-Bench
OpenAI afirma además que, durante las evaluaciones realizadas por expertos externos, Astra detectó realmente vulnerabilidades reales que antes eran desconocidas.
Google sigue un camino diferente con Gemini 3.8 Flash Cyber, una variante diseñada específicamente para la defensa y no para el ataque. Está orientada a la detección autónoma de vulnerabilidades y al parcheo automático, y el acceso se está proporcionando a través del Fairwind Program de Google a equipos de seguridad verificados.
Anthropic sigue una ruta similar, mejorando las capacidades de seguridad defensiva de Fable 5.1 al mismo tiempo que impone límites estrictos en todo lo relacionado con la creación de exploits.
La conclusión en los tres laboratorios es clara: la ciberseguridad se ha convertido en uno de los frentes principales en la carrera por desarrollar sistemas de IA de vanguardia.
Y eso aplica en ambos sentidos: esta capacidad es realmente valiosa para los defensores, pero también representa un riesgo real si cae en manos inadecuadas.
6. ¿Entonces, qué modelo gana?
Aquí hay una forma práctica de evaluar estos tres modelos desde la perspectiva de quien realmente los utiliza en la práctica.
Aun así, existe una advertencia importante asociada a cualquier tabla de comparación lado a lado: no la considere como una clasificación definitiva que sea aplicable en todos los casos.
Cada proveedor realiza sus pruebas de rendimiento con su propia configuración, su propio conjunto de herramientas y su propio sistema de evaluación, por lo que las cifras no son directamente comparables en un sentido estricto. OpenAI mismo ha reconocido que los resultados de las pruebas pueden diferir de lo que se verá en la producción, principalmente debido a las diferencias en los comandos del sistema y a las herramientas que se utilizan.
Al final, el modelo “mejor” no es una respuesta fija: depende por completo de la carga de trabajo específica a la que se le someta.
7. ¿Qué deberían usar realmente los desarrolladores?
Si su objetivo es crear un agente de programación autónomo, el punto de partida sensato es:
GPT-6 Astra
Dada su capacidad para combinar habilidades de programación, uso del ordenador, razonamiento, contexto persistente y ejecución de herramientas, se puede decir que es el agente de uso general más capaz entre los tres.
Si, en cambio, está creando aplicaciones que necesitan ejecutarse a gran escala, debería examinar de cerca:
Gemini 3.8 Flash
El precio es difícil de discutir. Con su tarifa inicial de API, cuesta aproximadamente 13 veces menos por token de entrada y 13 veces menos por token de salida que la tarifa estándar de Astra.
Esa ventaja no es solo un pequeño aumento en la eficiencia: refleja un enfoque arquitectónico realmente diferente.
Si su trabajo implica ingeniería de software compleja, investigación o tareas de programación que se ejecutan durante largos períodos, Fable 5.1 merece un lugar en su conjunto de herramientas.
Anthropic lo ha ajustado claramente para adaptarse a la naturaleza impredecible y caótica de la ingeniería real, en lugar de buscar puntuaciones altas en listas de clasificación.
Y para quienes trabajan en investigación de seguridad avanzada o campos científicos especializados, sistemas como los modelos de nivel Astra, Gemini Cyber y Mythos pertenecen a una categoría de capacidades completamente distinta.
La historia más amplia
Lo que realmente importa aquí no es qué empresa superó a otra en una métrica específica: ese tipo de comparación está perdiendo rápidamente su relevancia.
El verdadero cambio en curso se presenta de la siguiente manera: Chatbots → Asistentes de programación → Agentes → Trabajadores autónomos
En el futuro, los desarrolladores no se limitarán a pedirle a la IA algo como: "Escribe esta función."
En lugar de eso, le entregarán una tarea mucho más amplia: indicarle al modelo un conjunto de códigos, pedirle que averigüe por qué ocurre un error, identifique la causa real, escriba una solución, ejecute el conjunto de pruebas, confirme que la interfaz funciona correctamente, actualice la documentación y envíe una solicitud de integración por su cuenta.
Luego se alejarán y dejarán que funcione por sí solo.
Ese es el verdadero desafío ahora: no "¿Qué modelo escribe el código más limpio?"
Sino, "¿Qué modelo se puede confiar para llevar a cabo toda la tarea de principio a fin?"
- GPT-6 Astra está actualmente más cerca de ese ideal.
Para los desarrolladores, la conclusión es sencilla: dejen de tratar a los modelos de IA como chatbots y comiencen a tratarlos como infraestructura informática.
Porque esa es la dirección hacia la que se están encaminando.
¡Feliz programación!
Leer más
- Sustituyendo Jest por el ejecutor de pruebas nativo de Node en Node 24 — Una migración real muestra cómo el ejecutor de pruebas integrado en Node 24 y el soporte nativo para TypeScript reducen el tiempo de CI al mismo tiempo que se eliminan cuatro dependencias.
- El papel de puente de TypeScript 6 en el camino hacia un compilador nativo de TS 7 — Aprenda cómo TypeScript 6 actualiza las configuraciones predeterminadas, la resolución de módulos y la sintaxis de importación para preparar los repositorios de código para el compilador de TypeScript 7, basado en Go y más rápido.