Claude Sonnet 5 se convierte en el primer modelo que supera todas las pruebas de GitLab Duo Agent Platform

Anthropic y GitLab han anunciado la llegada de Claude Sonnet 5 a GitLab Duo Agent Platform. El modelo está disponible en todos los planes y en todas las modalidades de despliegue a través de AI Gateway de GitLab, y es el primero del conjunto de evaluación de GitLab que supera todas las tareas del benchmark.

¿Cuánto mejora Sonnet 5 respecto al modelo anterior?

GitLab evalúa los modelos con su propio conjunto de tareas, diseñado para reflejar el trabajo real de los agentes de IA en el desarrollo de software: tareas de varios pasos, generación de código capaz de superar una revisión de código y ejecución de flujos de trabajo con un coste razonable. Claude Sonnet 5 es el primer modelo que completa todas las tareas de este conjunto. Su predecesor, Sonnet 4.6, resolvía el 93,8% de las tareas del mismo conjunto.

• Claude Sonnet 5 es el primer modelo del conjunto de evaluación de GitLab que supera el 100% de las tareas del benchmark
• Sonnet 4.6, el modelo anterior, resolvía el 93,8% de las tareas del mismo conjunto
• El número de issues resueltos aumentó un 8,8%
• El modelo está disponible en todos los planes y en todas las modalidades de despliegue de GitLab Duo a través de AI Gateway

Qué cambia para los equipos de desarrollo

Para los usuarios de GitLab Duo Agentic Chat, esto altera el ciclo habitual de «prompt, espera y evaluación del resultado». Una refactorización que afecta a varios archivos ahora entrega un resultado listo para revisión, en lugar de una tarea abandonada a medias. La generación de tests devuelve una cobertura que realmente se puede aprovechar.

Las investigaciones de seguridad rastrean el historial del repositorio con más profundidad. Los agentes base de Duo resuelven la mayor parte del trabajo asignado sin intervención humana, de modo que el equipo dedica su tiempo a revisar resultados y no a relanzar tareas fallidas. GitLab cita un ejemplo concreto de este escenario agéntico: en la herramienta GitLab Orbit, el modelo ya se utiliza para investigar los fallos de pipeline de los últimos dos meses, es decir, para analizar el historial de builds fallidas y buscar la causa directamente en la conversación con el agente.

«Claude Sonnet 5 ha resuelto todo el abanico de tareas de programación que hemos probado y, además, soluciona más problemas.

Es una mejora tangible tanto en calidad como en eficiencia. Lo hemos puesto a disposición en GitLab Duo Agent Platform desde hoy, en todos los planes y en todas las modalidades de despliegue», afirma Manav Khurana, director de producto y marketing de GitLab.

Qué significa esto

El fallo más caro de un agente es el que se detiene a mitad de camino: el coste incluye el trabajo perdido, pero también el diagnóstico, el nuevo prompt y la revisión de lo que sí se ha devuelto. Un modelo capaz de completar todo el conjunto de tareas del benchmark de GitLab sin fallos convierte al agente de una herramienta que exige supervisión constante en una a la que se puede delegar trabajo de verdad. GitLab y Anthropic proponen medir el progreso de los modelos agénticos en el desarrollo de software precisamente con ese criterio: la fiabilidad, y no solo la calidad de una respuesta aislada.

Preguntas frecuentes

¿En qué se diferencia

Claude Sonnet 5 de Sonnet 4.6 en las pruebas de GitLab?

Claude Sonnet 5 es el primer modelo que supera todas las tareas del benchmark del conjunto de evaluación de GitLab, mientras que Sonnet 4.6 resolvía el 93,8% de las tareas del mismo conjunto. Además, el número de issues resueltos aumentó un 8,8%.

¿En qué planes de GitLab está disponible Claude Sonnet 5?

El modelo está disponible en todos los planes y en todas las modalidades de despliegue de GitLab Duo Agent Platform a través de AI Gateway de GitLab. No ha hecho falta un plan superior específico para acceder a Sonnet 5.

¿Dónde se usa ya Claude Sonnet 5 en GitLab en la práctica?

GitLab pone como ejemplo la herramienta GitLab Orbit, donde el modelo se utiliza para investigar los fallos de pipeline de los últimos dos meses, es decir, para analizar el historial de builds fallidas directamente en la conversación con el agente.