Benchmarks de septiembre 2026: Fable 5.1, Astra y Muse Spark

Cuatro modelos nuevos, cuatro tablas de resultados distintas

Cada laboratorio publicó su propia comparativa esta semana y cada uno ganó la suya. Es lo normal: el que elige las pruebas elige el resultado.

Lo que sigue es un intento de ordenar las cifras por versión de benchmark, que es donde se cuelan casi todos los errores de lectura.

Terminal-Bench 4.0, la única comparación limpia

Tres de los cuatro modelos reportan Terminal-Bench 4.0. Son cifras comparables entre sí.

Mythos 5.1 va por delante, pero Mythos no se contrata: solo se reparte por acceso verificado. Entre lo que sí puedes comprar hoy, Astra queda por encima de Fable 5.1 por 2,1 puntos.

Gemini 3.8 Flash reporta 90,8% en Terminal-Bench 2.1. Es una versión anterior de la prueba, más fácil, y ese 90,8% no se puede poner en la misma tabla que los tres de arriba. Google no publicó resultado en la 4.0.

El resto de las cifras, cada una en su prueba

El dato de OSWorld 2.0 en Fable 5.1 merece una lectura despacio: 77,9% con criterio parcial y 41,7% con criterio estricto. Casi la mitad de las tareas que cuentan como avance parcial no llegan a completarse. Astra reporta 72,6% sin especificar criterio en la nota de lanzamiento, así que esa comparación no es directa.

El índice agregado

El Artificial Analysis Intelligence Index promedia varias pruebas y da una referencia rápida.

Fable 5.1 lidera el índice agregado. Muse Spark 1.3 entra en el top 10 siendo el más barato de la lista con diferencia, que es la comparación que más veces decide una compra.

El precio cambia el orden

Las puntuaciones se parecen más de lo que se parecen los precios.

Entre el más barato y el más caro de la gama alta hay 119 veces de diferencia. Muse Spark 1.3 cuesta aproximadamente la centésima parte que Fable 5.1 por trabajo equivalente, y saca resultados de top 10.

Dos avisos sobre esa tabla. El precio de Gemini 3.8 Flash es de lanzamiento hasta el 31 de diciembre y sube a 1,50 y 7,50 el 1 de enero de 2027. Y Astra duplica entrada y caché y multiplica la salida por 1,5 en cualquier petición que supere los 272.000 tokens de entrada.

Muse Spark 1.3 gasta menos por trabajo

Meta destacó el consumo en su lanzamiento: un 20% menos de llamadas a herramientas y un 25% menos de tokens que Muse Spark 1.2 para completar el mismo trabajo.

En un agente que encadena 40 pasos, esa reducción se acumula en cada paso. Es una métrica que casi nadie publica y que en producción pesa más que dos puntos de benchmark.

Tiene 1.048.576 tokens de contexto y recuperación del 98,5% en MRCR, así que la ventaja de consumo no llega a costa de perder el hilo en contextos largos.

Cómo leer esta tanda sin equivocarte

Comprueba la versión del benchmark antes que el número. Terminal-Bench 2.1 y 4.0 no son la misma prueba y esta semana han aparecido juntas en los mismos artículos.

Comprueba quién midió. Las cuatro tablas de lanzamiento son autoevaluaciones. Los agregadores independientes tardan entre una y tres semanas en replicar.

Comprueba el criterio de puntuación. El 77,9% y el 41,7% de Fable 5.1 en OSWorld 2.0 salen de la misma ejecución, con criterio parcial y estricto.

Y calcula el coste con tu mezcla real de entrada, salida y caché, no con el precio de entrada. Con salidas a 50 dólares por millón, un modelo que responde largo puede salir más caro que uno con peor precio de entrada.

Mantenemos la comparativa actualizada en benchmarks, con la fecha de cada instantánea. El repaso completo de la semana está en el resumen y el desglose de Astra en su artículo.