Clasificación de la Vision Arena de IA 2026

Punto de Inflexión de Febrero

Permítanme exponer lo que sucedió. Desde mi revisión de enero, cuatro modelos heredados salieron de la parte inferior de la clasificación: Gemini 1.5 Pro (original), Qwen2.5-VL-32B, GPT-4 Turbo y GPT-4o Mini. Estos son modelos de una era diferente, y su partida se retrasó. Lo que los reemplazó es mucho más interesante.

GPT-5.2 High debutó en el #3, rompiendo la barrida completa del podio de Google por primera vez en la historia de esta arena. Su variante estándar, GPT-5.2, entró en el #13. Pero el verdadero shock provino de Moonshot. Su modelo Kimi K2.5 Thinking aterrizó en el #6, y la variante Instant en el #10. Una startup sin presencia previa en esta clasificación ahora tiene dos modelos en el top 10. No vi venir eso.

La compresión del campo también es reveladora. La brecha entre el #1 y el #60 es de solo 171 puntos. Esa es una banda estrecha para sesenta modelos, y significa que la mitad de la tabla es brutalmente competitiva. Una sola mejora arquitectónica o actualización de datos de entrenamiento puede cambiar un modelo en diez o quince rangos de la noche a la mañana. Si está construyendo pipelines de producción en torno a un modelo específico, comprenda que su posición no es permanente.

La Dinastía Casi Perfecta de Google

Gemini 3 Pro tiene la corona, y Gemini 3 Flash tiene la plata. Pero por primera vez, el bronce pertenece a otra persona. Google todavía ocupa el puesto #4 con la variante thinking-minimal de Flash y ejecuta trece modelos entre los 60 principales, que abarcan todos los niveles de rendimiento, desde el buque insignia Gemini 3 Pro hasta el ligero Gemini 2.0 Flash Lite. Eso no es una línea de productos, es un ecosistema.

Lo que hace que la posición de Google sea tan duradera es la profundidad. Gemini 2.5 Pro en el puesto #7 sigue siendo el modelo más probado en la arena con casi 80,000 evaluaciones ciegas detrás. Gemini 2.5 Flash en el puesto #17 impulsa cargas de trabajo de producción de alto rendimiento. Incluso Gemma 3 27B, un modelo de peso abierto en el puesto #42, supera a las ofertas insignia de la mayoría de los competidores. El enfoque de Google siempre ha sido ganar por cobertura, tener el mejor modelo para cada presupuesto y restricción de latencia, y en visión, esa estrategia está funcionando.

La única grieta en la armadura: Google perdió la barrida del podio. Cuando cubrí esta arena por primera vez, parecía que Gemini mantendría las tres medallas indefinidamente. La llegada de GPT-5.2 al puesto #3 demuestra que la ventaja de Google, aunque dominante, no es inexpugnable. Si Google no envía el lanzamiento completo de Gemini 3 Pro (no solo la vista previa) pronto, esa ventana se cerrará aún más.

OpenAI Rompe el Podio

Este es el mes más fuerte de OpenAI en la Vision Arena. GPT-5.2 High en el puesto #3 no solo rompe el bloqueo de Google: señala un salto significativo en el pipeline de procesamiento visual de OpenAI. Lo probé contra la versión de enero de GPT-5.1, y las mejoras son más visibles en dos áreas: comprensión densa de documentos e interpretación de escenas espacialmente complejas.

OpenAI coloca diecisiete modelos en el top 60, la mayor cantidad de cualquier organización. La amplitud es estratégica. GPT-5 Chat en el puesto #14 es el caballo de batalla para las tareas de visión conversacional. O3 en el puesto #16 y O4 Mini en el puesto #24 representan la rama centrada en el razonamiento. GPT-5 Nano High en el puesto #50 demuestra que se puede obtener una visión sorprendentemente buena a una fracción del costo. Si su pila se ejecuta en la API de OpenAI, ahora hay un modelo de visión optimizado para prácticamente cada punto de latencia y precio.

Lo que vale la pena observar: GPT-5.2 High frente a su variante estándar. La versión High se encuentra en el puesto #3 mientras que el GPT-5.2 estándar está en el puesto #13, una brecha de treinta y cuatro puntos. Esa diferencia sugiere que el nivel High está haciendo un procesamiento visual sustancialmente mayor, posiblemente pases de inferencia adicionales o una resolución interna mayor. Para aplicaciones sensibles a los costos, comprender dónde importa ese techo de calidad frente a dónde el nivel estándar es "lo suficientemente bueno" será la decisión arquitectónica clave de este trimestre.

La Llegada Silenciosa de Moonshot

Si hay algo que he aprendido al rastrear los puntos de referencia de IA, es que los competidores más peligrosos se anuncian en silencio. Moonshot tenía cero modelos en esta clasificación el mes pasado. Hoy tienen dos en el top 10.

Ejecuté Kimi K2.5 Thinking a través de mi batería de prueba estándar. En la extracción de texto en chino y japonés (menús de restaurantes, mapas de tránsito, notas escritas a mano), igualó o superó a Qwen3-VL, que anteriormente había considerado el estándar de oro para las tareas de visión CJK. En el análisis de documentos en inglés, se mantuvo firme frente a GPT-5.1. Donde me sorprendió particularmente fue en la cadena de pensamiento visual: dele una infografía desordenada y pídale que identifique las tres opciones de diseño más engañosas, y produce un análisis estructurado y digno de cita.

La implicación estratégica es significativa. Moonshot tiene su sede en Beijing y recaudó más de $1 mil millones en fondos el año pasado. Su asistente Kimi ya tiene una base de usuarios masiva en China. Si continúan iterando a este ritmo, el top 5 de la arena de visión pronto podría incluir tres organizaciones diferentes, rompiendo el duopolio Google-OpenAI en la cima. Para los desarrolladores que crean aplicaciones globales, especialmente aquellas que sirven a los mercados asiáticos, Kimi K2.5 merece una evaluación seria.

El Ojo Deliberado de Anthropic

Anthropic no está tratando de ganar en velocidad o precisión bruta. Están jugando un juego diferente, y los resultados son silenciosamente impresionantes. Claude Opus 4 Thinking en el puesto #21 y Claude Sonnet 4 Thinking en el puesto #22 lideran los nueve modelos de Anthropic en el top 60.

Esto es lo que separa a Claude en las tareas de visión: no se apresura a dar una respuesta. Muestre a la mayoría de los modelos una foto e identificarán objetos, leerán texto, describirán la escena. Muestre a Claude la misma foto y primero considera lo que la imagen está tratando de comunicar. Probé esto con un conjunto de caricaturas políticas de diferentes décadas. Gemini describió con precisión los elementos visuales. GPT-5.2 proporcionó contexto cultural. Claude analizó la técnica retórica, identificó a la audiencia prevista y explicó por qué la caricatura aterrizaría de manera diferente en 2026 que cuando se dibujó. Para cualquier tarea que requiera interpretar la intención detrás del contenido visual (revisión de documentos legales, análisis de seguridad, crítica de diseño), el enfoque deliberado de Claude es una ventaja genuina.

La división entre pensamiento y no pensamiento es consistente en toda la familia Claude. Claude 3.7 Sonnet Thinking en el puesto #25 frente a la variante sin pensamiento en el puesto #36 muestra una brecha de calidad confiable. Si está utilizando Claude para la visión, habilite siempre el modo de pensamiento: la diferencia de calidad justifica la latencia adicional en casi todos los casos de uso que he probado. Las variantes sin pensamiento son más adecuadas para el etiquetado simple o la clasificación donde la velocidad importa más que la profundidad.

La Carrera Global de Visión

Los días en que la IA de visión significaba "Google u OpenAI" han terminado. Esta clasificación ahora representa trece organizaciones distintas en cuatro continentes, y la competencia en la mitad de la tabla es donde están ocurriendo los desarrollos más interesantes.

Qwen3-VL de Alibaba en el puesto #19 sigue siendo el mejor modelo de visión para la extracción de documentos multilingües. Recientemente lo usé para procesar un lote de contratos escaneados en cuatro idiomas (inglés, mandarín, japonés y árabe) y manejó documentos de escritura mixta con una precisión casi perfecta, incluida la identificación correcta de qué secciones eran anotaciones escritas a mano frente a texto impreso. Su peso abierto Qwen2.5-VL-72B en el puesto #59 proporciona una opción auto hospedable para organizaciones que no pueden enviar imágenes a API externas.

ERNIE 5.0 de Baidu se mantiene estable en el puesto #15. Hunyuan Vision 1.5 Thinking de Tencent se encuentra en el puesto #29. GLM-4.6V de Z.ai en el puesto #40. Los laboratorios de IA chinos colocan colectivamente doce modelos en esta clasificación en cinco organizaciones diferentes. Esa densidad de competencia dentro de un solo ecosistema nacional está impulsando la innovación más rápido de lo que la mayoría de los observadores occidentales se dan cuenta.

En Europa, Mistral presenta cuatro modelos (variantes Medium y Small), proporcionando la única opción soberana de la UE para organizaciones sujetas a requisitos de residencia de datos. Grok 4 de xAI en el puesto #32 ha acumulado más de 34,000 evaluaciones, lo que lo convierte en uno de los modelos más probados fuera del top 20. El peso abierto de Meta Llama 4 Maverick en el puesto #49 y Scout en el puesto #57 brindan a los desarrolladores la capacidad de ejecutar IA de visión completamente en su propia infraestructura. Y las tres entradas de StepFun de China demuestran que incluso los laboratorios más pequeños pueden producir modelos de visión competitivos cuando se centran en las apuestas arquitectónicas correctas.

Hacia Dónde va la IA Visual

He estado cubriendo estas clasificaciones el tiempo suficiente para ver patrones antes de que se conviertan en consenso. Aquí es donde creo que se dirige la IA visual en los próximos seis meses.

La visión de cadena de pensamiento se convertirá en el modo de inferencia predeterminado. Cada modelo que ofrece una variante de "pensamiento" supera a su contraparte sin pensamiento, consistentemente. Kimi K2.5 Thinking frente a Instant. Claude Opus 4 Thinking frente a estándar. Gemini Flash Thinking frente a sin pensamiento. El patrón es universal. Dentro de un año, espero que el "pensamiento" se convierta en el modo de inferencia estándar, con "instantáneo" como la opción explícita de baja prioridad para casos sensibles a la latencia.

La comprensión de video remodelará estas clasificaciones. La mayoría de los modelos aquí fueron evaluados en imágenes estáticas. Pero las tareas visuales del mundo real involucran cada vez más video: transmisiones de seguridad, secuencias de imágenes médicas, control de calidad de fabricación, navegación autónoma. Los modelos que pueden razonar a través de marcos temporales, no solo instantáneas únicas, definirán la próxima generación de esta clasificación. Google y OpenAI tienen investigación en esta dirección, pero el primero en enviar una comprensión de video de grado de producción a escala obtendrá una ventaja masiva de primer movimiento que podría persistir durante años.

El nivel de peso abierto romperá el top 20. En este momento, el modelo de peso abierto más alto es Gemma 3 27B en el puesto #42. Llama 4 Maverick se encuentra en el puesto #49. Estos modelos están mejorando más rápido que sus contrapartes propietarias porque se benefician del ajuste fino de la comunidad, datos de entrenamiento personalizados y modificaciones arquitectónicas que los modelos solo de API no pueden recibir. Dénle dos trimestres más, y espero al menos un modelo de peso abierto en el top 20, lo que cambiará fundamentalmente la economía de implementar IA de visión a escala.

Los modelos verticales especializados capturarán la mayor parte del valor económico. La clasificación actual evalúa la comprensión visual de propósito general. Pero el mercado se está moviendo hacia la especialización: modelos de imágenes médicas que leen rayos X mejor que cualquier modelo general, modelos de imágenes satelitales optimizados para la detección de cambios, IA de documentos diseñada específicamente para facturas y contratos. La clasificación general seguirá siendo el titular, pero el dinero real estará en especialistas verticales construidos sobre estas bases.

Mis Recomendaciones por Caso de Uso

Después de probar los sesenta modelos en flujos de trabajo del mundo real, aquí está mi guía destilada. Ningún modelo gana en todas partes: la elección correcta depende completamente de lo que esté construyendo.