Claude Mythos Lidera con 94.6% en GPQA Diamond: El Ranking de Modelos IA en Mayo 2026

El campo más competitivo de la historia: 255 modelos lanzados solo en el primer trimestre

El mercado de modelos de lenguaje en 2026 opera a una velocidad sin precedentes. LLM Stats registró 255 lanzamientos de modelos en el Q1 2026 — aproximadamente tres lanzamientos significativos cada día. En este contexto, destacar en los benchmarks se ha vuelto más difícil y más valioso al mismo tiempo.

Esta semana hay cinco modelos que merecen atención especial, desde el modelo más capaz que existe (aunque no puedas usarlo) hasta los open-source que desafían la lógica del coste de los laboratorios occidentales.

Claude Mythos Preview: 94,6% en GPQA Diamond — el récord actual

Claude Mythos Preview de Anthropic es el modelo con mejor rendimiento en GPQA Diamond, el benchmark de razonamiento más discriminador disponible en 2026, con un 94,6% que supera a todos los modelos con acceso público. El contexto importante: este modelo no está disponible comercialmente. Solo 6 organizaciones tienen acceso bajo el Proyecto Glasswing para aplicaciones de seguridad ofensiva y defensiva.

El dato de GPQA Diamond es relevante porque mide razonamiento profundo en ciencias — física, química, biología — y es especialmente difícil de inflar con técnicas de fine-tuning. Un resultado de 94,6% indica capacidades de razonamiento que los modelos actuales de consumo no alcanzan.

GPT-5.5 ("Spud"): preentrenamiento completado, sin fecha de lanzamiento

OpenAI confirmó que GPT-5.5, con nombre en clave interno "Spud", ha completado la fase de preentrenamiento. No hay fecha de lanzamiento pública, pero el ciclo histórico de OpenAI sugiere una ventana de 2 a 4 meses entre el final del preentrenamiento y el lanzamiento. Mientras tanto, GPT-5.4 sigue siendo el modelo más capaz con acceso general en el Intelligence Index de Artificial Analysis.

Gemma 4 31B: el tercer modelo open-source más inteligente del planeta

Google DeepMind lanzó Gemma 4, una familia de cuatro modelos open-source diseñados para razonamiento avanzado y flujos de trabajo agénticos. El modelo de 31B parámetros ocupa el tercer lugar en el leaderboard global de modelos open-source en Arena AI, una posición excepcional para un modelo de Google en el espacio open.

DeepSeek V4: 1,6 billones de parámetros y licencia MIT

DeepSeek V4 es el lanzamiento técnico más ambicioso del mes. La variante Pro tiene 1,6 billones de parámetros totales (49.000 millones activos por inferencia mediante arquitectura MoE) con soporte nativo para 1 millón de tokens de contexto. Es completamente open-source bajo licencia MIT, con pesos disponibles en Hugging Face.

El coste de inferencia sigue siendo la ventaja diferencial de DeepSeek: la variante Pro cuesta aproximadamente $0,28 por millón de tokens de salida en OpenRouter, frente a los $15 de modelos equivalentes de laboratorios occidentales.

Kimi K2.6: supera a GPT en SWE-Bench Pro por $0,60/M tokens

Kimi K2.6 de Moonshot AI batió a GPT-5.4 en SWE-Bench Pro — el benchmark de resolución de bugs reales de software — y alcanzó el Tier A (87/100) en benchmarks de código del mundo real. Su precio de $0,60 por millón de tokens de salida lo convierte en la opción más económica del Tier A actual.

El nuevo mapa de benchmarks: Mayo 2026

Lo que esto significa para los profesionales

Si necesitas el modelo más capaz para razonamiento científico profundo y tienes acceso via Anthropic Enterprise, Claude Opus 4.7 sigue siendo tu mejor opción pública. Para código de alta calidad con presupuesto ajustado, Kimi K2.6 o DeepSeek V4 ofrecen resultados de Tier A a una fracción del coste. Gemma 4 31B es la recomendación obvia para despliegues on-premise donde necesitas calidad open-source sin depender de licencias comerciales.