Mejor LLM open source (2026)
Si quieres correr local o evitar lock-in, estos son los mejores modelos de pesos abiertos según el benchmark — ordenados por score global. Verificamos la licencia (cuidado con los "Plus" propietarios).
La respuesta corta
Acá el benchmark no logra separar a los modelos: 17 de 49 (35% del catálogo) quedan dentro del margen de error en esta tarea. Cuando la medición no distingue, lo honesto es decirlo, no inventar un ganador.
Con esa salvedad: el de mayor calidad medida es GLM 5.3 (8.52/10). Si el presupuesto manda, Poolside Laguna XS 2.1 queda dentro del mismo grupo por ≈$1/mes. Pero acá, más que nunca: prueba los dos con tus propios prompts: este benchmark no va a decidir por ti.
Ranking: Mejor LLM open source (2026)
| # | Modelo | Global | Coding | Contenido | Razon. | Agentes | $ in/out per M | Velocidad |
|---|---|---|---|---|---|---|---|---|
| 1 | Gemma 4 31B | 7.92 | 9.8 | 8.8 | 8.1 | 7.6 | $0.10 / $0.34 | 47 tok/s |
| 2 | Tencent Hy3 | 7.60 | 9.5 | 8.6 | 8.3 | 8.1 | $0.13 / $0.53 | 66 tok/s |
| 3 | GLM 5.3 ← el caro | 7.21 | 9.6 | 8.9 | 7.9 | 7.7 | $1.40 / $4.40 | 69 tok/s |
| 4 | Poolside Laguna XS 2.1 ← la mejor compra | 7.18 | 9.7 | 8.4 | 8.1 | 7.4 | $0.06 / $0.12 | 171 tok/s |
| 5 | Inkling Small | 7.16 | 9.7 | 8.7 | 8.4 | 7.5 | $0.45 / $1.20 | 62 tok/s |
| 6 | Qwen 3.8 27B | 7.03 | 10.0 | 8.4 | 7.5 | 7.5 | $0.45 / $3.20 | 35 tok/s |
| 7 | Gemma 4 26B MoE (3.8B activos) | 7.01 | 9.2 | 8.5 | 8.1 | 7.9 | $0.12 / $0.40 | 50 tok/s |
| 8 | GLM 5 | 6.79 | 9.1 | 8.9 | 8.6 | 7.3 | $0.95 / $2.55 | 46 tok/s |
Cómo interpretar este ranking de modelos open source
Este ranking no mide "inteligencia general" ni el score global ponderado. Mide qué modelo rinde mejor para modelos open source en casos reales: ejecución local, privacidad de datos, evitar vendor lock-in, finetuning propio, deploy en infraestructura propia. El orden depende únicamente del score de esa tarea puntual, no del costo, la velocidad ni la latencia.
En esta dimensión Gemma 4 31B lidera, pero la diferencia con el segundo es pequeña (7.9/10 vs 7.6/10). Eso no significa que sea el único válido: si tu prioridad es costo, velocidad o privacidad, el orden puede cambiar. El score global del benchmark pondera calidad 70% + costo 15% + velocidad 7,5% + latencia 7,5%, pero acá estamos mirando solo la calidad de la tarea. Ajusta esos pesos en la calculadora para tu caso.
Los modelos que aparecen tienen al menos 50 runs, lo que reduce el ruido de outlier con poca muestra.
Top 3 explicado: por qué están arriba
1. Gemma 4 31B — 7.9/10
Gemma 4 31B (openrouter, open source) cuesta $0.10 / $0.34 por millón de tokens y rinde a 47 tok/s. Su score en Score global es 7.9/10. Es la opción a vencer en esta dimensión. Tiene pesos abiertos, así que puedes correrlo en varios providers o local.
2. Tencent Hy3 — 7.6/10
Tencent Hy3 (openrouter, open source) cuesta $0.13 / $0.53 por millón de tokens y rinde a 66 tok/s. Su score en Score global es 7.6/10. Es la alternativa más sólida si el primero no encaja en tu stack. Tiene pesos abiertos, así que puedes correrlo en varios providers o local.
3. GLM 5.3 — 7.2/10
GLM 5.3 (openrouter, open source) cuesta $1.40 / $4.40 por millón de tokens y rinde a 69 tok/s. Su score en Score global es 7.2/10. Es una tercera opción competitiva, especialmente si valoras otro factor además de la calidad pura. Tiene pesos abiertos, así que puedes correrlo en varios providers o local.
Por qué Gemma 4 31B lidera
Gemma 4 31B encabeza el ranking para open source (pesos abiertos — corres local o en cualquier provider, sin lock-in) con 7.9/10, a $0.10 / $0.34 por millón de tokens (47 tok/s, openrouter). Recuerda que el score global v4.9.0 pondera calidad 70% + costo 15% + velocidad 7,5% + latencia 7,5% — no es solo "el más inteligente", sino el que mejor rinde en producción para este caso.
Cuándo conviene este modelo
- Si tu prioridad es modelos open source y quieres el mejor score de esta dimensión.
- Si tu volumen es medio/bajo (cientos a miles de calls/mes) y el costo no domina.
- Si quieres pesos abiertos y flexibilidad de provider.
Costo real para volumen
Estimación para 1.000 y 10.000 calls/mes (asumiendo 300 tokens de input y 1.500 de output por call, promedio del benchmark):
| Modelo | $ por M tokens | 1.000 calls/mes | 10.000 calls/mes |
|---|---|---|---|
| Gemma 4 31B | $0.10 / $0.34 | $0.54 | $5.40 |
| Tencent Hy3 | $0.13 / $0.53 | $0.83 | $8.32 |
| GLM 5.3 | $1.40 / $4.40 | $7.02 | $70.20 |
¿Dónde quedan los modelos frontier?
Mucha gente llega buscando GPT-5.6, Claude Opus/Fable o Grok. Acá está dónde quedan en esta tarea concreta, ordenados por calidad — no por lo que cuestan:
- GPT-5.6 Lunasin cobertura8.4/10$0.10 / $0.60 por millón
- Claude Opus 4.8sin cobertura7.0/10$5.00 / $25.00 por millón
- GPT-5.6 Terrasin cobertura6.7/10$1.00 / $6.00 por millón
- Claude Fable 5sin cobertura6.0/10$10.00 / $50.00 por millón
- GPT-5.6 Solsin cobertura5.7/10$5.00 / $30.00 por millón
- Grok 4.5sin cobertura5.3/10$2.00 / $6.00 por millón
- GPT-5.5sin cobertura5.1/10$5.00 / $30.00 por millón
Antes de migrar, haz esto
Ya tienes un candidato. No lo cambies a ciegas: toma los dos primeros de la tabla y pásales cinco prompts reales tuyos, de los que ya corres en producción. Un benchmark general te dice quién arranca adelante; tu caso decide quién gana. Son veinte minutos y te ahorran una migración equivocada.
Y una advertencia sobre este ranking: se recalcula con cada lote de modelos nuevos. Como el score de cada modelo es relativo a todos los demás, un modelo nuevo mueve a todos. Lo que hoy es el #1 puede no serlo el mes que viene.
Cada vez que corro un lote nuevo, publico el recálculo ahí — con los datos crudos y lo que cambió de lugar. Es también donde hay gente tomando esta misma decisión. Entrar es gratis.
¿Qué mide este benchmark?
No es un benchmark académico (para eso están MMLU, HumanEval o SWE-bench). Es un benchmark aplicado para emprendedores hispanohablantes: mide qué modelo conviene poner en producción para casos reales, con lo que los benchmarks oficiales no cubren — costo en provider real, velocidad, español neutro y agentes multi-turno.
Contamos con 207 modelos catalogados, 157 testeados y 65.000+ runs reales evaluados por un LLM-as-Judge local (Phi-4, de Microsoft — sin conflicto de interés), en 4 pilares:
- Coding — generar código, JSON estructurado y debugging en tareas reales (plugins WordPress, scripts, templates de N8N).
- Contenido y marketing — blogs, copy y textos largos en español neutro (no traducción del inglés).
- Razonamiento — matemáticas, lógica formal y planificación multi-paso.
- Agentes y operaciones — multi-turno largo, tool calling y flujos tipo N8N / Hermes.
Dos números distintos, no los confundas. Las tablas por tarea de esta página se ordenan por calidad en esa tarea: capacidad pura, sin mezclar precio. Es la respuesta a "¿quién lo hace mejor?".
El score global es otra cosa: una función ponderada (calidad 70% + costo 15% + velocidad 7,5% + latencia 7,5%) que responde "¿qué conviene poner en producción?". Ahí un modelo barato y rápido sí puede superar a uno más capaz pero caro. Los dos números sirven — para preguntas distintas.
Tool calling va como insignia aparte (no suma al score global): indica si el modelo soporta herramientas, no su calidad. Límite conocido: el juez es Phi-4 (14B) y varios modelos evaluados son más capaces que él — ordena bien, pero comprime las diferencias en la cima. Leé un empate como "el juez no los distingue", no como "son idénticos". Metodología y tests completos.
Comparaciones relacionadas
Preguntas frecuentes sobre modelos open source
¿Cuál es el mejor LLM para open source hoy?
Según nuestro benchmark, Gemma 4 31B lidera en modelos open source con 7.9/10, pero el ranking completo te deja elegir según tu presupuesto y prioridad. No hay un único 'mejor' universal.
¿Por qué un modelo barato gana en modelos open source a modelos frontier?
Porque el score global pondera calidad, costo, velocidad y latencia. Un modelo más barato y rápido puede tener mejor valor de producción que uno caro y lento, aunque el frontier tenga más capacidad bruta en algunas tareas.
¿Para qué casos NO sirve el #1 de este ranking?
Si tu caso es muy distinto a modelos open source —por ejemplo, necesitas razonamiento profundo, tool calling crítico o privacidad extrema— probablemente haya mejores opciones. Usa la calculadora para ajustar pesos por caso.
¿De dónde salen estos datos?
De un benchmark abierto con 65.000+ runs reales y LLM-as-Judge local (Phi-4, Microsoft, sin conflicto de interés). Código y resultados en GitHub.
¿Cada cuánto se actualiza?
Con cada lote de modelos nuevos. La fecha de actualización está al inicio. Filtra la versión más reciente en la calculadora.
Prueba la calculadora con tu caso real
Ajusta presupuesto, calidad mínima y tipo de tarea sobre 100+ modelos. En 30 segundos tienes tu ranking personalizado.
Ir a la calculadora →