Gemini 4 Pro vs GPT-6 Astra en la prueba del mando de Xbox 360 — y por qué Fable 5.2 no estaba incluido

El 21 de septiembre se publicó en X una publicación con tres nombres, un vídeo y las palabras "comparación SOTA": Gemini 4 Pro, GPT-6 Astra, Claude Fable 5.2. Dos de esos nombres pertenecen a modelos que nadie puede invocar. Uno pertenece a un modelo que lleva dieciocho días a la venta. Y el artefacto al que apunta la publicación —un mando de videojuegos dibujado como gráficos vectoriales de una sola toma y con un único prompt— era, según quienes lo ejecutaron de verdad, una comparación de dos vías entre los dos primeros. Claude Fable 5.2 no estaba en ella. Tampoco Claude Fable 5.1.

Esa brecha entre el encuadre y la evidencia es todo el estado actual de la historia de Gemini 4 Pro, y vale la pena desglosarla con cuidado en lugar de descartarla. La prueba del controlador no es poca cosa. Es el artefacto con apariencia más reproducible que alguien haya producido sobre un modelo de frontera no lanzado este mes, tiene un linaje de cuatro meses detrás y muchas personas lo están leyendo como un veredicto. No es un veredicto. Es un empate, de un solo intento, que el propio evaluador no pudo repetir al día siguiente, y saber exactamente hasta dónde llega y hasta dónde no es más útil que el hype o el rechazo con los ojos en blanco.

La prueba, y por qué un SVG se convirtió en el punto de referencia

El prompt es más antiguo que los modelos que ahora se juzgan con él. Se remonta a la era de Gemini 3.0, cuando circulaba como: "Crea una imagen SVG de un mando de Xbox 360. Muestra el resultado en un bloque de código multilínea de Markdown." Esa formulación importa, porque es deliberadamente hostil para un modelo de lenguaje. Un dibujo vectorial es todo estructura y nada de textura: no hay ruido fotográfico tras el que un modelo pueda esconderse, ni un muestreador de difusión que suavice un error. Cada curva debe especificarse como una coordenada. Un mando es un objetivo difícil para él: dos agarres simétricos, una concavidad, gatillos de hombro representados en perspectiva, unos dieciséis botones que necesitan cada uno una posición, una silueta que se ve mal de inmediato si una proporción se desvía. Y como la respuesta llega como texto que puedes pegar en un visor, la comparación es barata y portátil. Nadie tiene que fiarse de una captura de pantalla de la ventana de chat de otra persona.

En septiembre, la comunidad retomó el prompt. Los resultados que circularon de las sesiones de la arena —un pelícano en bicicleta, un control de PlayStation 5 renderizado desde cinco ángulos de cámara macro, una pagoda 3D con iluminación conmutable, una escena de templo voxel, una página del helicóptero Airbus H145— se describen en el reportaje como tomando aproximadamente entre ocho y veinte minutos cada uno con un alto esfuerzo de pensamiento. El control es el que acabó en una captura de pantalla para una comparativa.

Qué muestra realmente la comparación de controladores

Aquí está el resultado tal como lo reportó el probador, y es una afirmación mucho más modesta que la que la línea de tiempo ha hecho de él.

• Veredicto — un empate. La persona que lo llevó a cabo, publicando como Lumina, calificó ambos resultados como "casi perfectos".

• La única asimetría: la versión de Astra llevaba un logo ligeramente incorrecto. Eso es una ventaja de un solo detalle, y el tester lo planteó como una ventaja de un solo detalle, no como una ventaja general.

• Completitud visual — ambas representaciones muestran cuerpos de controlador detallados, controles y sombreado. Ninguna se desmoronó en cuanto a la forma.

• Lo que la comparación no establece — que el modelo aún no lanzado esté por delante. Dos resultados juzgados igualmente buenos son la definición de no tener ventaja.

• Reproducibilidad — según los informes, el resultado se generó la noche anterior, tardó alrededor de veinte minutos y quien realizó la prueba no pudo obtener resultados comparables al día siguiente.

• Identidad — la entrada de la arena de la que procedía el resultado estaba etiquetada como gemini-3.8-flash, un nombre que ya pertenece a un modelo que Google lanzó el 2 de septiembre y que después, según se informó, fue reetiquetado como gemini-3.7-flash. No se ha resuelto qué modelo estaba realmente detrás del alias, y otros dos evaluadores dijeron en la misma ventana que tampoco podían confirmar qué modelo habían utilizado.

Lee la lista en orden y la forma de la evidencia se vuelve clara. La afirmación interesante no es «el modelo no lanzado ganó». Es que un modelo que nadie puede identificar, funcionando bajo el nombre de un modelo ya lanzado, produjo trabajo vectorial en un solo intento que un evaluador cuidadoso no pudo distinguir del resultado de un modelo de frontera que ha estado disponible de forma general durante la mayor parte de septiembre. Esa es una observación real. También es una observación sobre una tarde, y el evaluador lo dijo.

El resultado de dos vías y la afirmación de tres vías

La publicación que dio origen a este artículo habla de tres modelos. Los textos que describen esa misma sesión de controlador mencionan dos. El estado real de Claude Fable 5.2 esta semana es una historia aparte que da la casualidad de que comparte ciclo de noticias, y merece la pena ser preciso al respecto porque esa confusión cumple una función en ambos sentidos.

• Lo que se afirma — la cuenta de X @chetaslua publicó el 18 de septiembre que Claude Fable 5.2 «se prueba en Claude Code, que enruta Fable 5.1 hacia él». Es una afirmación sobre enrutamiento relativa a Claude Code, proveniente de una sola cuenta.

• Qué es el nombre — la propia suposición del reportero. El tester que publica como JAZII, cuyo artículo del 18 de septiembre es el relato más detallado del comportamiento, afirma claramente que "Fable 5.2" es un nombre que asignó, no un nombre que alguien haya confirmado. No hay tarjeta de modelo, ni identificador de API, ni página de precios, ni tarjeta de sistema, y ningún segundo medio que informe de forma independiente sobre una ruta de Fable 5.2.

• En qué consiste realmente la historia corroborada del enrutamiento de Claude — este blog la ha cubierto por separado: los informes sobre enrutamiento silencioso de mediados de septiembre que varios medios independientes retomaron se referían a un checkpoint de nivel Opus no lanzado, no a un Fable. La atribución a Fable es de una sola fuente. Considera esto el informe de una sola fuente, no un hallazgo.

• Lo que el tester sí reportó — con alto esfuerzo de razonamiento, el presunto próximo Fable fue preferido por encima de GPT-6 Astra, y fue más lento y más caro. Eso es una preferencia, de una persona, sobre su propio trabajo.

• Qué está verificado sobre el modelo entregado — Claude Fable 5.1 está disponible de forma general desde el 1 de septiembre de 2026. Ese modelo existe, tiene un precio y se puede llamar hoy.

Así que la versión honesta del planteamiento triple es esta: dos de los tres nombres de esa publicación son modelos no anunciados con nombres asignados por la comunidad, la prueba del controlador solo involucró a aquel cuya identidad al menos está anclada a una entrada de arena, y la columna de Fable es una preferencia de un único evaluador que explícitamente se negó a nombrar el modelo. Eso no es razón para ignorar nada de ello. Es razón para mantener los tres nombres en tres niveles de confianza distintos en lugar de uno.

La tabla de referencia haciendo el argumento real

El SVG del controlador es el artefacto visible. Lo que realmente persuade es una hoja de benchmarks que apareció alrededor del 18 de septiembre y que desde entonces se ha reproducido en la prensa tecnológica china e inglesa. Vale la pena hacer una lista, porque los números son lo suficientemente específicos como para comprobarlos y ninguno de ellos ha sido comprobado.

• DeepSWE v1.1 — 88,7 %, descrito como aproximadamente dos puntos por encima de GPT-6 Astra.

• GDPval-AA v2 — 2.064 Elo, descrito como la única entrada de la comparación por encima de 2.000.

• Terminal-bench 2.1 — 95.3%, dado como la puntuación más alta de la tabla.

• OSWorld-2.0 — 86.8%, por delante tanto de GPT-6 Astra como de Claude Fable 5.1.

• Precio declarado — $2.25 por millón de tokens de entrada y $11.25 por millón de tokens de salida.

• Especificaciones declaradas — un límite de entrada de 10 millones de tokens, un techo de salida de 256K tokens, memoria entre conversaciones.

Cada línea anterior es una afirmación de la comunidad. Google no ha confirmado nada de eso, ni siquiera ha confirmado que la entrada de la arena sea Gemini 4 Pro, y no respondió a una solicitud de comentarios. La tabla no incluye ningún identificador de checkpoint, ningún ajuste de esfuerzo de razonamiento, ningún arnés de agente, ningún permiso de herramientas, ninguna partición de prueba, ningún tamaño de muestra y ningún registro de ejecución —las cosas que una evaluación real incluye y que una captura de pantalla de una diapositiva no. Los nombres de los benchmarks también provienen de la misma familia que OpenAI usó en su propio material de lanzamiento de septiembre, lo cual es un indicio de dónde se armó la hoja y no de dónde se midió.

Hay una segunda razón para tener cuidado con cualquier comparación de frontera este mes: el índice independiente al que todos recurren se actualizó a la versión v4.3 el 7 de septiembre, y el cambio de versión comprime o estira la parte superior de la tabla. Una puntuación sin su versión adjunta no es comparable con una puntuación de tres semanas antes, ni la nuestra ni la de nadie.

¿Qué se ha confirmado realmente sobre Gemini 4 Pro?

Quita las afirmaciones y el registro sólido es breve.

• 21 de julio de 2026 — Google confirma que ha iniciado su ejecución de preentrenamiento más ambiciosa hasta la fecha, para Gemini 4. El director ejecutivo lo repite en la conferencia de resultados del segundo trimestre.

• 2 de septiembre de 2026 — Se lanza Gemini 3.8 Flash. El modelo más reciente de Google con disponibilidad general sigue siendo un modelo de la gama Flash.

• 15–18 de septiembre de 2026 — un filtrador que publica bajo el seudónimo "Lentils" afirma que los checkpoints de Gemini 4 Pro están apareciendo internamente bajo el nombre en clave "argon"; los rastreadores de la comunidad registran una entrada de arena bajo la etiqueta del ya lanzado gemini-3.8-flash que tarda de ocho a diez minutos por respuesta y genera trabajos vectoriales y en 3D muy por encima de lo que produce ese modelo.

• Hoy — ningún id de modelo Gemini 4, ningún endpoint, ningún precio, ninguna ficha de modelo. Según The Wall Street Journal, Gemini 3.5 Pro, que se presentó como avance para junio y nunca se lanzó, fue desechado porque sus mejoras eran demasiado pequeñas.

Esa es toda la superficie confirmada. Todo lo demás en circulación —la tabla, el precio, la ventana de contexto, el nombre en clave, la identidad de la entrada de la arena— es inferencia disfrazada con un punto decimal.

Lo que realmente puedes ejecutar mientras esperas

Esta es la parte que omiten las publicaciones comparativas, y es la parte que cambia una decisión.

GPT-6 Astra no es un rumor. Se lanzó el 3 de septiembre de 2026, lleva el id de modelo gpt-6-astra, y se puede invocar hoy al propio precio de lista de OpenAI de $10,00 por millón de tokens de entrada y $50,00 por millón de salida, con la entrada en caché a $1,00. Se ejecuta en OrcaRouter a ese mismo precio de lista del proveedor con un 0 % de margen — trasladamos la tarifa del proveedor tal cual, así que cuando una tarifa cambia, la cifra de nuestro lado cambia el mismo día en lugar de cuando alguien se acuerda de actualizar un margen. Sus resultados de benchmark reportados por OpenAI son DeepSWE v1.1 con un 74 %, OSWorld 2.0 con un 72,6 %, Terminal-Bench 4.0 con un 57,9 % y ExploitBench con un 100 %, que es lo que lo situó por encima del umbral de capacidad cibercrítica. Son datos reportados por el proveedor y no reproducidos, y son las cifras contra las que argumenta implícitamente la hoja filtrada de Gemini 4 Pro.

Gemini 4 Pro no está en OrcaRouter, y no vamos a pretender lo contrario. No hay endpoint, ni id de modelo, ni precio, porque no hay un modelo lanzado. Claude Fable 5.1, en cambio, está disponible de forma general desde el 1 de septiembre y se puede enrutar a su propio precio de lista, al igual que Claude Opus 5 y el resto del nivel frontier actual — una sola API abarca más de 200 modelos al precio de lista del proveedor sin ningún recargo, así que una comparación como esta no exige tres cuentas, tres SDK y tres facturas para poder actuar en consecuencia.

Si el resultado del controlador es lo que te tienta a reestructurar una ruta de producción en torno a un modelo no anunciado, la jugada sensata es la que respalda la evidencia: no lo hagas. Conserva la ruta que tienes y, si quieres averiguar si el efecto se generaliza a tu propio trabajo, encamina una porción del tráfico por una ruta no probada con un mecanismo de respaldo hacia un modelo en el que ya confías. Así, una mala tarde te cuesta un punto porcentual de tráfico en lugar de un incidente, y obtienes tu propia respuesta en vez de tomar prestado el resultado de veinte minutos de otra persona.

¿Qué haría que el resultado del controlador signifique algo?

• El alias recibe un nombre real. Una entrada en la arena es un rumor con una fila en la tabla de clasificación. Un id de modelo en la documentación del propio proveedor es un producto. Vigila la lista de modelos, no la cronología.

• El resultado se reproduce. Un evaluador no pudo obtener la misma salida al día siguiente. Que tres personas independientes la obtengan a demanda, con el modelo identificado, es una clase de evidencia completamente distinta.

• La hoja filtrada recibe una metodología. Una puntuación de benchmark sin un checkpoint, un ajuste de esfuerzo y un harness no es una medición; es una afirmación acerca de una medición.

• Aparece un precio. Los $2.25/$11.25 alegados convertirían a un modelo de frontera aún no lanzado en el más barato de los tres por un amplio margen, y ese es el tipo de afirmación que o bien aparece en un tarifario, o bien no.

• La atribución de Fable obtiene una segunda fuente. Ahora mismo tiene una, y la persona que la realizó dijo que el nombre era suyo para empezar.

Preguntas que merecen una respuesta

Si la entrada de la arena realmente es Gemini 4 Pro, ¿por qué ejecutarla bajo el nombre de un modelo ya lanzado?

Probar un nuevo checkpoint detrás de la etiqueta de un modelo existente es una práctica estándar para el benchmarking ciego: permite que un laboratorio recoja votos cara a cara sin que el nombre influya en el voto. También significa que la etiqueta no te dice nada sobre lo que hay detrás de ella, que es exactamente el problema aquí: el alias es evidencia de que algo se está probando, no evidencia de qué es.

¿Significa un empate contra GPT-6 Astra que el modelo no lanzado es decepcionante?

No, y aquí es donde el encuadre hace el mayor daño. Un checkpoint que todavía está en post-entrenamiento, que se ejecuta detrás de un alias y que iguala a un modelo frontera ya lanzado en una tarea difícil de un solo intento es una señal mucho más fuerte que un gráfico del día del lanzamiento. Es solo una señal sobre la dirección, y no sobre un producto que puedas comprar, y ambas cosas se leen como si fueran lo mismo en una publicación de comparación.

¿Debería cambiar algo hoy por esto?

No por esto. Nada en la prueba del controlador cambia lo que está disponible, cuánto cuesta cualquier cosa ni en qué destaca cualquier modelo. Los hechos relevantes para la decisión esta semana son que GPT-6 Astra y Claude Fable 5.1 ya están activos y tienen precio, y que Gemini 4 Pro no cumple ninguna de las dos condiciones. Si quieres cubrirte ante esa posibilidad, hazlo con enrutamiento en lugar de con una reescritura.

La lectura honesta

La prueba del controlador es la mejor evidencia que alguien ha producido sobre Gemini 4 Pro, y la mejor evidencia que alguien ha producido es un empate, de un solo intento, que no se repitió, en un modelo que nadie puede nombrar, reportado junto con una hoja de benchmark que nadie puede comprobar. Eso suena a una desestimación, y no lo es. La razón por la que la prueba se difundió es que es el primer artefacto de esta historia que parece un producto en lugar de una diapositiva: un prompt real, una salida real, una persona real comparándolos, y un resultado que los partidarios de ambos bandos no pudieron adjudicarse de forma absoluta.

Lo que no hace es zanjar nada. Si necesitas lanzar esta semana, el nivel de frontera que existe —GPT-6 Astra a $10/$50, Claude Fable 5.1 a su propio precio de lista— es donde vive realmente tu decisión, y ambos se pueden invocar con una sola clave sin un segundo contrato. Si quieres saber qué tiene Google, las únicas señales que moverán esto de un artículo de lo-que-sabemos-hasta-ahora a un artículo de lanzamiento son un id de modelo, una tabla de tarifas y una reproducción. Hasta que lleguen, la lectura correcta de la comparación del mando de Xbox 360 es la que dio la persona que la realizó: dos dibujos muy buenos, y ningún ganador.