Claude Opus 4.6: para qué sirve de verdad (benchmark en español)

Su fuerte es Contenido (#4 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.76 contra 8.93). Cuesta $39.00 por cada 1.000 llamadas.

Nota de calidad8.48/10#21 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$39.00el 8º más caro de 97

Al mes, uso típico$58.5050 llamadas por día, todos los días

Velocidad44 tok/s32.8 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ⛨ Resiste bien instrucciones ocultas · 8.3/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 8.66 (-0.42 vs mediana)

Contenido 8.93 (+0.55 vs mediana)

Razonamiento 8.47 (+0.52 vs mediana)

Agentes 7.76 (+0.22 vs mediana)

Medido con 213 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.16. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 8.56 (+1.40 contra su media). Decide: emitir JSON válido a la primera
Verificar un dato contra su fuente — 8.32 (+1.16 contra su media). Decide: decidir si una fuente respalda una afirmación
Contenido con datos verificables (no inventar) — 8.21 (+1.05 contra su media). Decide: escribir sin caer en la trampa del brief
Estrategia (pricing, planificación) — 8.00 (+0.84 contra su media). Decide: elegir entre opciones de negocio

Donde se cae

Tool calling (llamada de funciones) — 5.44 (-1.72 contra su media). Decide: llamar bien las funciones
No inventar herramientas (abstenerse cuando no hay) — 5.76 (-1.40 contra su media). Decide: no inventar herramientas que no existen
Noticias + SEO (artículos completos) — 6.08 (-1.08 contra su media). Decide: escribir un artículo publicable
Precisión literal (hex, JWT, configs) — 6.38 (-0.78 contra su media). Decide: no equivocarse en un dato

Si Claude Opus 4.6 no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Qwen 3.7 Flash Más barato, calidad equivalente	8.49	$0.204	28.5 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.5 Flash Lite Responde antes	8.23	$3.84	4.6 s	al menos 40% menos de espera, sin caer de nota

La ficha: Claude Opus 4.6 en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	213
Tool calling	7.60
Resistencia a prompt injection	8.28
Precio
Precio por millón · entrada	$5.00
Precio por millón · salida	$25.00
Rendimiento y límites
Latencia total media	32.8 s
Ventana de contexto	—

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Claude Opus 4.6 para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Claude Opus 4.6 Este modelo	8.48	$39.00
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 0% más y además es más barato: $0.930 contra $39.00. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) no le saca ventaja de calidad: 8.48 contra 8.48.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Claude Opus 4.6 no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	5.135	21.008	26.260 (piso)
Auditar números (detectar el error plantado)	1.252	2.048	2.560
Decisiones de negocio (prioridades. plan)	1.077	2.048	2.560
Generación de código (Python. SQL. debug)	2.048	2.048	2.560
Razonamiento profundo (matemática. Fermi)	1.259	2.048	2.560
Noticias + SEO (artículos completos)	2.039	2.048	2.560
OCR / extracción desde imágenes	839	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	2.048	2.048	2.560
Ventas en frío (cold email. campañas)	1.049	2.048	2.560
Contenido startup (newsletter. actualidad)	2.048	2.048	2.560
Estrategia (pricing. planificación)	2.048	2.048	2.560
Gestión de tareas (action items. planes)	1.707	2.048	2.560
Creatividad (hooks. analogías. narrativa)	778	1.831	2.288
Integridad de idioma (no mezclar idiomas)	961	1.684	2.105
JSON estructurado (extracción. schemas)	78	1.618	2.022
Multi-turno (debugging. requisitos)	935	1.540	1.925
Contenido genérico (blog. email. social)	1.049	1.491	1.863
Orquestación (flujos de varios pasos)	503	1.047	1.308
Capacidades de agente (delegación. skills)	558	1.023	1.278
Anti-alucinación (citas. contexto)	217	1.008	1.260
Contenido con datos verificables (no inventar)	487	858	1.072
Traducción (es↔en)	127	728	910
Seguir instrucciones al pie de la letra	616	625	781
No inventar herramientas (abstenerse cuando no hay)	134	592	740
Resúmenes y extracción de datos	585	591	738
Soporte al cliente (clasificar y responder)	357	475	593
Tool calling (llamada de funciones)	226	405	506
Verificar un dato contra su fuente	82	297	371
Precisión literal (hex. JWT. configs)	56	237	296
Resistencia a prompt injection	128	203	253

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Claude Opus 4.6

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Claude Opus 4.6 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →