Hoy vi un benchmark interesante que dice mucho sobre las capacidades de los modelos de IA. PinchBench probó diferentes modelos en tareas de agentes OpenClaw y los resultados fueron bastante diferentes.

Gemini 3 Flash está a la cabeza, con una tasa de éxito del 95.1%. Pero lo que es interesante es que otros modelos también están bastante cerca. minimax-m2.1 logró un 93.6% y kimi-k2.5 un 93.4%. Claude Sonnet 4.5 está en un 92.7% mientras que GPT-4o se quedó en un 85.2%.

La diferencia entre estos modelos no parece ser muy grande, pero cuando se trata de tareas de agentes, estas pequeñas diferencias también importan. Si quieres conocer la verdadera eficiencia de los modelos de IA, ver benchmarks así es muy útil.