./ Rankings
RANKINGS DE iA: MODELOS iA LOCAL & MODELOS ONLINE – 2026
Matriz comparativa de utilidad real, infraestructura y niveles de soberanía tecnológica
Explorar Modo iA Cloud →El Ecosistema de la iA Soberana:
Autonomía Local vs. Dependencia Cloud
En la era de la iA generativa, la elección de la infraestructura no es una decisión meramente técnica, sino una decisión estratégica de poder. Mientras la industria impulsa una narrativa de dependencia hacia la nube, se invisibilizan los riesgos asociados a la pérdida de control sobre la propiedad intelectual y la autonomía operativa. La mayoría de los benchmarks convencionales priorizan la potencia bruta, omitiendo la variable más crítica para el profesional: la capacidad de poseer y ejecutar la herramienta sin intermediarios.
Los rankings de CAPITANiA rompen con la inercia del mercado para proponer un cambio de paradigma. No se trata de una lista de puntuaciones, sino de una herramienta de ingeniería diseñada para desplazar el foco del rendimiento teórico hacia la utilidad real, analizando cada modelo bajo tres ejes de control:
Viabilidad de Infraestructura
El análisis del consumo real de VRAM (estándar de cuantización Q5_K_M) garantiza que la capacidad de procesamiento resida efectivamente en el hardware del usuario, eliminando la vulnerabilidad de la conexión externa.
Soberanía Tecnológica
Eje central del análisis. Se establece una distinción imperativa entre la privacidad (evitar que el dato abandone el equipo) y la soberanía (garantizar que la herramienta sea legalmente libre e independiente de centros de control corporativos).
Especialización Operativa
La segmentación por perfiles (Generalista, Agentic, Coding y Eficiencia) asegura que la herramienta se seleccione en función del objetivo estratégico y el flujo de trabajo, y no por la tendencia del mercado.
| Pos | Modelo | Score | Soberanía | VRAM (Q5) | Licencia | Plataformas | Comentario |
|---|---|---|---|---|---|---|---|
| Generalista Eficiente | |||||||
| 1 | Qwen3.8-27B🇨🇳 China (Alibaba) | 1505 | 95% | 18-22 GB | Apache 2.0 | Ollama · LM Studio · vLLM | Líder consolidado. Rendimiento denso superior y tool-use optimizado para flujos largos. |
| 2 | Gemma 4 31B🇺🇸 USA (Google) | 1485 | 90% | 20-24 GB | Apache 2.0 | Ollama · Jan · LM Studio | Excelencia multimodal. Thinking nativo refinado para hardware de 24 GB. |
| 3 | Qwen3.6-27B🇨🇳 China (Alibaba) | 1475 | 95% | 18-22 GB | Apache 2.0 | Ollama · LM Studio · vLLM | Base ultra-estable para RAG corporativo y despliegues locales masivos. |
| 4 | Mistral Small 3.1 / 4🇪🇺 EU (Mistral AI) | 1410 | 95% | 16-22 GB | Apache 2.0 | Ollama · vLLM | Soberanía europea máxima. Alta fiabilidad en razonamiento lógico corto. |
| 5 | Gemma 4 26B-A4B🇺🇸 USA (Google) | 1395 | 90% | 14-18 GB | Apache 2.0 | Ollama · Jan · LM Studio | Eficiencia MoE. Óptimo para 16 GB con capacidades de visión activas. |
| Agentic (Workflows Complejos) | |||||||
| 1 | Qwen3.6-35B-A3B🇨🇳 China (Alibaba) | 1535 | 95% | 20-24 GB | Apache 2.0 | Ollama · vLLM · LM Studio | Líder en planificación multi-paso. Velocidad SOTA vía MoE optimizado. |
| 2 | DeepSeek-R1-Distill-32B🇨🇳 China (DeepSeek) | 1505 | 90% | 22-28 GB | MIT | vLLM · SGLang · Ollama | Referente en razonamiento CoT denso. Especialista en descomposición de tareas. |
| 3 | Qwen3.8-27B🇨🇳 China (Alibaba) | 1485 | 95% | 18-22 GB | Apache 2.0 | Ollama · vLLM · LM Studio | Agente denso con máxima predictibilidad en contextos masivos. |
| 4 | DeepSeek-R1-Distill-14B🇨🇳 China (DeepSeek) | 1415 | 90% | 10-14 GB | MIT | Ollama · vLLM · SGLang | Razonamiento paso a paso optimizado para laptops de gama media. |
| 5 | Gemma 4 31B🇺🇸 USA (Google) | 1395 | 90% | 20-24 GB | Apache 2.0 | Ollama · Jan | Thinking mode avanzado. Mejor integración multimodal en agentes medianos. |
| Coding Specialist | |||||||
| 1 | Qwen3-Coder-30B-A3B🇨🇳 China (Alibaba) | 1540 | 95% | 18-24 GB | Apache 2.0 | Ollama · LM Studio · vLLM | Líder absoluto en SWE-bench Verified local. Agentic coding de primer nivel. |
| 2 | Qwen3.8-27B🇨🇳 China (Alibaba) | 1495 | 95% | 18-22 GB | Apache 2.0 | Ollama · LM Studio · vLLM | Imbatible en diseño de arquitectura de software y refactorización masiva. |
| 3 | DeepSeek-R1-Distill-32B🇨🇳 China (DeepSeek) | 1465 | 90% | 22-28 GB | MIT | Ollama · vLLM | Especialista en depuración profunda y optimización de algoritmos críticos. |
| 4 | Qwen3.5-27B / Coder 7–14B🇨🇳 China (Alibaba) | 1425 | 95% | 6-20 GB | Apache 2.0 | Ollama · LM Studio | Versatilidad total. Desde scripts rápidos hasta gestión de repositorios medianos. |
| 5 | Codestral / Devstral🇪🇺 EU (Mistral AI) | 1375 | 95% | 12-18 GB | Mistral / Apache | Ollama · vLLM | Liderazgo europeo en autocompletado e integración nativa en IDEs. |
| Small / Efficient | |||||||
| 1 | Qwen3.5-9B🇨🇳 China (Alibaba) | 1365 | 95% | 6-8 GB | Apache 2.0 | Ollama · LM Studio | El daily driver definitivo para 8 GB VRAM. Visión, thinking y multilingüismo. |
| 2 | Gemma 4 12B🇺🇸 USA (Google) | 1335 | 90% | 8-11 GB | Apache 2.0 | Ollama · Jan | Potencia multimodal densa para laptops de 16 GB. Audio y visión nativos. |
| 3 | Gemma 4 E4B🇺🇸 USA (Google) | 1310 | 90% | 5-7 GB | Apache 2.0 | Ollama · LM Studio | Edge computing real. Ejecución fluida en memoria unificada sin offload. |
| 4 | DeepSeek-R1-Distill-7B / 8B🇨🇳 China (DeepSeek) | 1275 | 90% | 5-8 GB | MIT | Ollama · Jan | Especialista en razonamiento lógico para hardware ultra-limitado. |
| 5 | Qwen3.5-4B🇨🇳 China (Alibaba) | 1255 | 95% | 4-6 GB | Apache 2.0 | Ollama · LM Studio | Máxima eficiencia CPU. Sustituto ideal para Phi en flujos ligeros. |
Guía de Licencias
Soberanía Tecnológica
Es fundamental distinguir entre Ejecución Local y Soberanía. Mientras que la ejecución local garantiza la privacidad (los datos no abandonan el hardware), la soberanía tecnológica implica la independencia legal y técnica sobre la herramienta.
Un modelo ejecutando localmente pero sujeto a licencias restrictivas de entidades centralizadas posee una soberanía limitada. El porcentaje indicado evalúa la libertad de uso, la transparencia de la licencia y la independencia del organismo desarrollador de la iA.
Alternativas de iA en la Nube (Cloud)
Modelos de alta capacidad para tareas que exceden la infraestructura local
Volver a Modo iA Local ←| Modelo | Capacidades y Funcionalidades | Soberanía | Acceso | Observación Técnica |
|---|---|---|---|---|
| Generalista y Multimodal | ||||
| Claude Opus 5 / Fable 5🇺🇸 USA (Anthropic) | Razonamiento y escritura de élite: Estabilizado como líder en Arena de texto y código. Redacción y análisis crítico superior. | 0% | SaaS / API | Dependencia total de infraestructura propietaria Anthropic. |
| GPT-5.5 / 5.6🇺🇸 USA (OpenAI) | Multimodalidad y agentes: Ecosistema maduro de tools y razonamiento en tiempo real ultra-rápido. | 0% | SaaS / API | Ecosistema más documentado; latencia optimizada en versión 5.6. |
| Qwen3.8 Max / Gemini 3.x🇨🇳/🇺🇸 China / USA | Multilingüismo + contexto masivo: Ventanas de 1M+ y traducción de élite. Qwen como eje no-USA. | 0% | SaaS / API | Qwen-Max es la alternativa cloud abierta en pesos parciales; Gemini, volumen de contexto. |
| Coding y Desarrollo | ||||
| Claude Opus 5 / Fable 5🇺🇸 USA (Anthropic) | Ingeniería de Software: Referente en Arena Code Elo y agentic coding complejo. | 0% | SaaS / API | Precisión extrema; el dato y el repo salen del equipo. |
| Qwen3.8 Max / Kimi K3 / GLM-5.x🇨🇳 China | Optimización Técnica: Relación precio/rendimiento frontier y coding abierto vía API. | 0% | SaaS / API | Mejor coste por token que el eje USA; soberanía sigue en 0%. |
| GPT-5.x / Gemini 3 Pro🇺🇸 USA | Desarrollo Enterprise: Integración profunda con IDEs y flujos de agentes maduros. | 0% | SaaS / API | Fuerte en tool-use completo; lock-in de plataforma. |
| Razonamiento y Agentic | ||||
| Claude Opus 5 / GPT-5.x high🇺🇸 USA (Anthropic / OpenAI) | Planificación Compleja: Descomposición de tareas con la menor tasa de alucinación relativa. | 0% | SaaS / API | Techo de razonamiento cloud; política de sistema no auditada. |
| Kimi K3 / GLM-5.1🇨🇳 China (Moonshot / Z.AI) | Tool Use & Agents: Open-weight en cloud y pesos optimizados para estaciones. | 0% | SaaS / API | API competitiva; el flagship no cabe en consumer VRAM. |
| Qwen3.8 Max / DeepSeek-V4🇨🇳 China | Análisis y Agentic: Razonamiento + coding con coste inferior al eje USA. | 0% | SaaS / API | V4 completo es estación/multi-GPU; la API no es soberanía. |
| Análisis de Contexto Masivo | ||||
| Gemini 3.x Pro🇺🇸 USA (Google) | Ventana de Contexto: Análisis de corpus, video y repos en una sola pasada (1M+). | 0% | SaaS / API | Volumen insuperable en local consumer; el dato viaja a Google. |
| Claude Opus 5 / Fable 5🇺🇸 USA (Anthropic) | Recuperación Precisa: Alta fidelidad en extracción sobre 200K–1M. | 0% | SaaS / API | Ideal para auditorías largas si se acepta la cesión del corpus. |
| GPT-5.x / Qwen3.8 Max🇺🇸/🇨🇳 | Síntesis Multimodal: Texto, imagen y audio en la misma sesión. | 0% | SaaS / API | Versátil; no sustituye un RAG local controlado. |
Comparativa de Modelos de iA Soberana y Abierta
Análisis de reproducibilidad y procedencia institucional | Actualizado: 5 de octubre de 2026
| Actor | Modelo | Parámetros | Tokens (T) | Transparencia | Licencia | Limitaciones / Áreas de Mejora | Referencia |
|---|---|---|---|---|---|---|---|
| Swiss AI Initiative (EPFL, ETH, CSCS) |
Apertus 8B Instruct | 8B | 15T+ |
TOTAL* Pesos, Datos y Receta |
Apache 2.0 | Soberanía helvética pura. Rendimiento sólido en 8B, aunque la v1.5 requiere despliegue manual fuera de Ollama nativo. | swiss-ai/Apertus... |
| Consorcio EuroLLM (UTTER) |
EuroLLM 22B Instruct | 22B | 4T |
PARCIAL* Pesos, Datos y Código |
Apache 2.0 | Enfoque en multilingüismo europeo. Debilidad relativa en coding complejo frente a modelos asiáticos. | utter-project/... |
| Allen Institute for AI (AI2) | OLMo 3 7B | 7B | 5.9T |
TOTAL* Pesos, Datos y Código |
Apache 2.0 | Transparencia total. Ideal para investigación académica; limitado en escala para producción enterprise. | allenai/OLMo-3... |
| PleIAs | Pleias 1.0 / Pico | 350M–3B | 2.2T (Corpus) |
TOTAL* Pesos, Código y Datos |
Apache 2.0 | Edge AI: Referente en escala mínima. Limitado para razonamiento profundo, pero imbatible en consumo. | PleIAs/Pleias... |
| EleutherAI | Pythia (Serie) | Hasta 12B | 0.3T |
TOTAL* Checkpoints y Datos |
Apache 2.0 | Modelo de estudio: Fundamental para entender el entrenamiento, no apto para despliegues de producción 2026. | EleutherAI/pythia... |