Los modelos abiertos GLM-5 y MiniMax M2.7 igualan a Claude Opus en agentes: $12 frente a $250 al día
LangChain probó los modelos abiertos GLM-5 y MiniMax M2.7 en tareas básicas de agentes —manejo de archivos, llamadas a herramientas y seguimiento de instrucciones— y obtuvo resultados al nivel de los buques insignia cerrados. Con una carga de 10 millones de tokens al día, MiniMax M2.7 cuesta unos $12, mientras que Claude Opus 4.6 cuesta unos $250, lo que supone cerca de $87 000 al año. Para operaciones masivas y repetitivas, ya conviene probar los modelos abiertos y reservar el caro para la planificación.
Procesado por IA desde LangChain Blog; editado por Hamidun News
Imagine un agente que pasa el día moviendo archivos, llamando a APIs y analizando instrucciones. Si cada paso lo ejecuta el modelo cerrado más caro, la factura crece muy rápido y el usuario espera la respuesta. El equipo de LangChain comprobó si ese lujo es necesario.
Según sus pruebas, los modelos abiertos GLM-5 y MiniMax M2.7 (sus pesos pueden descargarse y ejecutarse en cualquier lugar) ofrecen en tareas básicas de agentes —trabajo con archivos, llamadas a herramientas y ejecución de instrucciones— un resultado cercano al de los buques insignia cerrados. Además, una aplicación que genera 10 millones de tokens al día (un token es, aproximadamente, un fragmento de palabra) gasta unos $12 diarios con MiniMax M2.
7, frente a unos $250 con Claude Opus 4.6 de Anthropic. La diferencia asciende a unos $87 000 al año.
Qué se comprobó exactamente
En las últimas semanas, LangChain ha ejecutado modelos abiertos a través de las pruebas de su framework Deep Agents. Se verificó aquello sin lo cual un modelo no debería usarse en un entorno agéntico: si puede llamar a herramientas de forma fiable, seguir instrucciones estructuradas y trabajar con archivos. Las pruebas cubren siete categorías: operaciones con archivos, uso de herramientas, búsqueda de información, diálogo, memoria, resumen y «pruebas unitarias».
Cada prueba tiene condiciones de éxito estrictas: el modelo las supera o no las supera. También hay comprobaciones blandas de eficiencia, que miden cuántos pasos y llamadas a herramientas necesitó en comparación con lo esperado. Se usan cuatro métricas: la proporción de tareas resueltas (un resultado de 0,68 significa que se resolvió el 68 % de las pruebas), un indicador de «correcto y rápido» (número de pasos esperado dividido por el tiempo de ejecución; las pruebas fallidas puntúan cero), la proporción entre pasos reales y pasos esperados, y la proporción entre llamadas reales a herramientas y llamadas esperadas.
Un valor de 1,0 indica que el modelo se ajustó exactamente al presupuesto; un valor superior significa que gastó más, y uno inferior, que resolvió la tarea con menos. Un modelo que resuelve una tarea en dos pasos en lugar de cinco gana tanto en precisión como en economía.
La configuración de razonamiento se dejó por defecto en cada proveedor. En el caso de Claude, eso significa el modo sin pensamiento extendido. La propia LangChain subraya que los resultados son preliminares y que el conjunto de pruebas se ampliará.
Dinero y velocidad
Según los autores, los buques insignia cerrados pueden costar entre 8 y 10 veces más en escenarios de alta carga. El ejemplo de $250 frente a $12 al día muestra cómo se traduce eso en el presupuesto.
En velocidad, el panorama es similar. Según los datos presentados, GLM-5 en la infraestructura de Baseten responde en 0,65 segundos de media y genera 70 tokens por segundo. Claude Opus 4.6 tarda 2,56 segundos y genera 34 tokens por segundo. Los modelos abiertos suelen ser más compactos, y los proveedores de inferencia especializados, como Baseten, Fireworks o Groq, optimizan la latencia y el rendimiento mejor de lo que la mayoría de los equipos podría lograr por su cuenta. En productos interactivos, donde una persona mira la pantalla y espera, esa diferencia es difícil de compensar con trucos de ingeniería.
Cómo probarlo
En Deep Agents SDK, cambiar de modelo es una sola línea en create_deep_agent: se instala el paquete del proveedor, por ejemplo langchain-baseten o langchain-openrouter, y se indica el nombre del modelo. El framework determina por sí mismo el tamaño de la ventana de contexto, desactiva las modalidades no compatibles y añade al prompt del sistema el nombre del modelo, del proveedor y sus límites. Los umbrales de compresión y resumen del contexto se ajustan automáticamente: con un modelo de contexto de 4K, la compresión es más agresiva que con Opus de 1M.
Se han probado los proveedores Baseten, Fireworks, Groq, OpenRouter y Ollama (en la nube). Un mismo modelo suele estar disponible en varios, así que puede elegirse según precio, latencia o requisitos de privacidad. Para una ejecución totalmente local, sirven Ollama y vLLM. Las pruebas pueden lanzarse en local con pytest, indicando un grupo de modelos o un modelo concreto. En su CI, LangChain ejecuta un mismo conjunto de pruebas sobre 52 modelos.
También merece mención la CLI, un agente de programación abierto que los autores presentan como alternativa a Claude Code. Incorpora ConfigurableModelMiddleware, que permite cambiar de modelo en mitad de una sesión. Así, una tarea puede planificarse con un modelo cerrado caro y ejecutarse con uno abierto barato.
Limitaciones y conclusión
Esta publicación es de la empresa que vende la plataforma de agentes LangSmith, y las pruebas están diseñadas para su propio entorno. Evalúan habilidades básicas, no el razonamiento más complejo ni las cadenas de decisiones largas, así que «al nivel de los cerrados» se refiere a operaciones agénticas sencillas, no a todas las tareas. Las cifras de latencia dependen del proveedor concreto y de la carga.
La conclusión práctica es sencilla. Si su agente ejecuta muchas operaciones repetitivas con archivos y herramientas, pruebe GLM-5 o MiniMax M2.7 con sus propias pruebas y compare los costes. El esquema «el modelo caro planifica, el modelo abierto barato ejecuta» parece el compromiso más razonable. LangChain promete describir técnicas para ajustar el entorno a familias de modelos abiertos y probar configuraciones en las que un orquestador cerrado dirige subagentes abiertos.
- 22 nov 2026Claude Code limpió la publicidad de un televisor en hora y media y disparó la moda de hackear gadgets
- 22 nov 2026El agente ignoró AGENTS.md: en un tercio de los push no preguntó y hizo 31 force push
- 22 nov 2026Axiom Math usa IA para escribir en Lean una demostración de 43,1 millones de líneas de código en 24 días
- 22 nov 2026Un grant de Yandex financia un motor para LLM: un modelo de 35B en una RTX 2080 Ti, tres veces más rápido que llama.cpp
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué se comprobó exactamente?
En las últimas semanas, LangChain ha ejecutado modelos abiertos a través de las pruebas de su framework Deep Agents. Se verificó aquello sin lo cual un modelo no debería usarse en un entorno agéntico: si puede llamar a herramientas de forma fiable, seguir instrucciones estructuradas y trabajar con archivos. Las pruebas cubren siete categorías: operaciones con archivos, uso de herramientas, búsqueda de información, diálogo, memoria, resumen y «pruebas unitarias».
¿Qué se sabe sobre Dinero y velocidad?
Según los autores, los buques insignia cerrados pueden costar entre 8 y 10 veces más en escenarios de alta carga. El ejemplo de $250 frente a $12 al día muestra cómo se traduce eso en el presupuesto. En velocidad, el panorama es similar. Según los datos presentados, GLM-5 en la infraestructura de Baseten responde en 0,65 segundos de media y genera 70 tokens por segundo. Claude Opus 4.6 tarda 2,56 segundos y genera 34 tokens por segundo.
Cómo probarlo?
En Deep Agents SDK, cambiar de modelo es una sola línea en create_deep_agent: se instala el paquete del proveedor, por ejemplo langchain-baseten o langchain-openrouter, y se indica el nombre del modelo. El framework determina por sí mismo el tamaño de la ventana de contexto, desactiva las modalidades no compatibles y añade al prompt del sistema el nombre del modelo, del proveedor y sus límites.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.