123 modelos con ficha. La clasificación describe capacidades, no un orden de calidad.
Modelo propietario de OpenAI publicado el 26 de octubre de 2026 para interpretar imágenes, utilizar aplicaciones y redactar textos. Recibe texto e imagen y devuelve texto; generar imágenes mediante una herramienta no constituye una modalidad de salida nativa. Está disponible en la API con el identificador gpt-6.1-terra y en ChatGPT Work y Codex según el plan. No se publica como un checkpoint descargable.
Texto y razonamiento · Propietario de pago↗ TencentCheckpoint de Tencent Hunyuan para traducción simultánea de voz entre chino e inglés, incluido en el anuncio del 26 de octubre de 2026. Recibe audio incremental y produce texto traducido. La variante Interleave conserva también el texto original; es una salida diferente, no una cuantización. La creación de los repositorios el 22 de octubre no se presenta como fecha de lanzamiento.
Voz y audio · Pesos abiertos↗ TencentCheckpoint de Tencent Hunyuan para traducción simultánea de voz entre chino e inglés, incluido en el anuncio del 26 de octubre de 2026. Recibe audio incremental y produce texto traducido. La variante Interleave conserva también el texto original; es una salida diferente, no una cuantización. La creación de los repositorios el 22 de octubre no se presenta como fecha de lanzamiento.
Voz y audio · Pesos abiertos↗ inclusionAIModelo visual de inclusionAI basado en Qwen3.8-27b. Aprende a localizar elementos de interfaces y a examinar regiones de una imagen mediante recortes, transfiriendo esa estrategia a preguntas visuales generales. La publicación utilizable del 26 de octubre incluye doce fragmentos de pesos y una ficha completa; el repositorio vacío de esa mañana no se consideró un lanzamiento. La salida son texto y acciones de recorte, no imágenes generadas.
Visión y documentos · Pesos abiertos↗ inclusionAISonda entrenada de inclusionAI que reutiliza estados internos de su modelo base para clasificar intención, inseguridad de la respuesta y riesgo de alucinación durante la generación. Publica un checkpoint propio el 27 de octubre de 2026. No es un asistente independiente ni una nueva versión del modelo base. Sus diez salidas corresponden a ocho categorías de intención y dos señales de riesgo.
Clasificación de texto · Pesos abiertos↗ inclusionAISonda entrenada de inclusionAI que reutiliza estados internos de su modelo base para clasificar intención, inseguridad de la respuesta y riesgo de alucinación durante la generación. Publica un checkpoint propio el 27 de octubre de 2026. No es un asistente independiente ni una nueva versión del modelo base. Sus diez salidas corresponden a ocho categorías de intención y dos señales de riesgo.
Clasificación de texto · Pesos abiertos↗ BaiduModelo de Baidu para extraer contenido de documentos de muchas páginas, anunciado el 27 de octubre de 2026. SR-SWA conserva referencias de trabajo dentro de una ventana finita para reducir el crecimiento del coste de atención. La entrada son imágenes de páginas en orden y la salida es texto estructurado. Un PDF requiere conversión previa a imágenes. La creación del repositorio el día anterior no sustituye la fecha del anuncio.
Visión y documentos · Pesos abiertos↗ NVIDIAModelo compacto de NVIDIA publicado el 23 de octubre de 2026, postentrenado a partir de Gemma-4-E4B-it. Tiene unos 8.000 millones de parámetros totales y 4.000 millones efectivos; E4B no significa un MoE con cuatro mil millones de parámetros activos. Agrupamos BF16 y GGUF Q4_K_M en una ficha, con resultados separados por precisión. La modalidad documentada es texto a texto: orientarse a asistentes de voz no lo convierte en un sistema de reconocimiento o síntesis de audio.
Texto y razonamiento · API y pesos abiertos↗ RecursiveModelo de Recursive lanzado el 21 de octubre de 2026 para investigar repositorios, corregir errores, desarrollar funciones y escribir pruebas con agentes locales. Es un Transformer MoE de 39.800 millones de parámetros totales y unos 2.500 millones activos por token, incluida la cabeza de salida. Acepta y genera texto; no procesa imágenes ni audio. La ficha agrupa el checkpoint BF16 y las distribuciones oficiales INT4 y NVFP4 sin contarlas como modelos independientes.
Código · API y pesos abiertos↗ NVIDIACheckpoint de investigación publicado el 20 de octubre de 2026 para robótica quirúrgica. Un mismo modelo ofrece tres modos: dinámica directa de acciones a vídeo, dinámica inversa de vídeo a acciones y política condicionada por imagen, texto e historial. Deriva de Cosmos3-Nano, con torre de razonamiento Qwen3-VL y ajuste de la torre generativa. No son tres modelos independientes ni un dispositivo médico autorizado.
Robótica · Pesos abiertos↗ NVIDIAVariante causal destilada de Cosmos3-Nano-Transfer-Auto, publicada por NVIDIA el 20 de octubre de 2026 para simulación de conducción en bucle cerrado. Produce vídeo multivista y LiDAR sincronizados a partir de controles y texto. Soporta hasta once cámaras. La capacidad de responder a controles durante una secuencia la distingue del generador bidireccional, pero no constituye una política de conducción autónoma.
Robótica · Pesos abiertos↗ NVIDIAModelo causal de NVIDIA para simular visualmente manipulación bimanual y navegación de cámara, publicado el 20 de octubre de 2026. Recibe una imagen inicial, acciones del robot, trayectoria de cámara y texto opcional. Su salida es vídeo, no acciones: no debe confundirse con una política de control. El checkpoint declara un cuerpo AgiBot; otras morfologías requieren validación específica.
Robótica · Pesos abiertos↗ NVIDIAModelo causal destilado de NVIDIA publicado el 20 de octubre de 2026 para convertir controles visuales de simulación en vídeo RGB. La geometría, física y verdad de referencia siguen perteneciendo al simulador clásico; la red aporta apariencia visual. Acepta texto y controles de profundidad, segmentación, bordes o desenfoque. No es una política que produzca acciones de robot ni un motor físico certificado.
Robótica · Pesos abiertos↗ NVIDIAModelo bidireccional de NVIDIA para generar escenas de conducción con vídeo multivista y LiDAR sincronizados. Publicado el 20 de octubre de 2026, combina texto, controles de mundo WSM y una imagen inicial opcional. Soporta hasta once cámaras estándar u ojo de pez y hasta 300 fotogramas por vista. Es generación por lotes, no el modelo causal de simulación Sim-Auto.
Robótica · Pesos abiertos↗ MistralVariante de transcripción offline de 4B parámetros anunciada por Mistral el 20 de octubre de 2026. Convierte audio en texto y admite diarización y vocabulario contextual. La especificación vigente incluye 50 idiomas. Es un modelo distinto de Small y de Mini Realtime, con precio propio y acceso alojado en vista previa pública. El tamaño declarado no implica que sus pesos estén disponibles para descarga.
Voz y audio · Propietario de pago↗ MistralTranscriptor de audio en streaming presentado por Mistral el 20 de octubre de 2026. La guía actual enumera 45 idiomas y dialectos. Utiliza WebSocket, entrega texto incremental y añade detección de fin de turno, etiquetas de hablante y context_bias. No genera voz ni comparte automáticamente las capacidades offline de Small. El identificador versionado permite distinguirlo de los alias que pueden cambiar de versión.
Voz y audio · Propietario de pago↗ MistralModelo de síntesis de voz presentado el 20 de octubre de 2026. La guía específica vigente declara 35 idiomas y más de 50 dialectos; el recuento antiguo de nueve idiomas de la ficha no se utiliza como límite actual. Convierte texto en audio, con referencia de voz opcional. Las respuestas por lotes y en streaming utilizan el mismo modelo; no se duplican como checkpoints distintos.
Voz y audio · Propietario de pago↗ MistralTranscriptor de Mistral presentado el 20 de octubre de 2026 en vista previa pública. Acepta archivos de audio y devuelve texto, con diarización y sesgo contextual para vocabulario especializado. La guía de idiomas declara 50 lenguas para la transcripción offline. Small y Mini son variantes diferentes con tarifas propias; esta ficha utiliza el identificador versionado voxtral-small-transcribe-3-0, no un alias móvil.
Voz y audio · Propietario de pago↗
Análisis técnico del modelo de NVIDIA para convertir controles de simulación en vídeo RGB. Evaluamos su arquitectura, benchmarks publicados, requisitos de hardware y las limitaciones físicas que impiden su uso como simulador certificado.
22 oct. 2026 ↗
Evaluación rigurosa del modelo de síntesis de voz de Mistral: arquitectura híbrida, métricas de evaluación, precio por caracteres y limitaciones prácticas para equipos de ingeniería.
22 oct. 2026 ↗
Evaluación técnica de la variante de transcripción offline de Mistral: arquitectura, métricas del proveedor, requisitos de despliegue y criterios para decidir su uso frente a alternativas.
22 oct. 2026 ↗
Z.AI presenta GLM-5.1 como un modelo para ingeniería agéntica y su ficha aparece en Hugging Face. Pero los datos disponibles no bastan para confirmar licencia, requisitos de ejecución, precio oficial ni resultados de benchmark. Esta guía separa lo documentado de lo pendiente y propone una lista de comprobación para evaluarlo.
03 oct. 2026 ↗
Cohere atribuye a Embed 5 Pro el mejor resultado medio entre los modelos que probó y destaca la recuperación de documentos financieros. La información disponible no permite comprobar la puntuación, la metodología, el precio exacto ni todas las condiciones de uso.
03 oct. 2026 ↗
La documentación aportada identifica Embed 5 Fast como parte de la familia Embed 5, pero no basta para confirmar sus modalidades de entrada, disponibilidad por canal, precio aplicable ni resultados de recuperación. Esto es lo que puede afirmarse y lo que aún debe comprobarse.
03 oct. 2026 ↗
Google describe Gemini 3.8 Live Extended Thinking como un modelo de audio a audio para Live API, recomendado cuando se necesita más razonamiento de fondo. La documentación disponible no demuestra por sí sola que esto reduzca errores o mejore la latencia: esas cuestiones requieren pruebas con tareas y condiciones controladas.
02 oct. 2026 ↗
Google describe Gemini 3.8 Live como un modelo para diálogo en tiempo real, pero las fuentes disponibles no permiten confirmar una tarifa, resultados cuantitativos ni condiciones completas de acceso. Esta guía separa lo que afirma el proveedor de lo que un equipo debe comprobar en su propia integración.
02 oct. 2026 ↗
ElevenLabs presenta v4 Turbo como una variante de baja latencia y publica una mediana de inferencia cercana a 100 ms. Esa cifra no equivale al tiempo de respuesta de un agente completo: faltan detalles de medición, condiciones de acceso, coste aplicable y evidencia de seguridad específica.
02 oct. 2026 ↗