¿Cuántos modelos de lenguaje hay? 274, 95 o 403.420 — y la nota de código que circula viene de una prueba que su propio creador abandonó

Tres conteos de "cuántos modelos de lenguaje existen" — 274, 95 y 403.420 — son todos correctos, y la diferencia entre ellos no es error de nadie: es la definición de "modelo". Fui a verificar las estadísticas de LLM (large language model, el modelo de lenguaje de gran tamaño que está detrás de ChatGPT, de Claude y de los demás) que circulan en compilados de 2026 y encontré un problema mayor que el conteo: el benchmark de programación que sirve de regla para "quién lidera" fue declarado contaminado por su propio creador en febrero, que dejó de publicar la nota — y seis meses después sigue siendo la regla.

La regla que salió de la comprobación cabe en dos preguntas. "¿Modelo según quién?" resuelve el conteo. "¿Nota dada por quién, a qué versión, en una prueba que todavía mide?" resuelve el marcador. Ningún número de este artículo es falso. Casi todos cambian de peso cuando la etiqueta va al lado.

Nota metodológica. Cada número fue verificado contra la fuente original — model card (la ficha técnica que el laboratorio publica con el modelo), PDF, paper, página oficial de precios o API pública — el 26 de agosto de 2026. Tres mediciones son mías y reproducibles: el conteo de repositorios en Hugging Face (comando al final del artículo), la lectura de la tabla completa de Vals AI (86 modelos, extraída del HTML de la página, no del resumen) y la tabla de precios de siete proveedores leída en las páginas oficiales. Donde la fuente solo existe en copia archivada (OpenAI bloquea la lectura automatizada), el texto dice "Wayback". Una primera extracción automática de los precios de xAI salió inventada y fue descartada — el episodio está en la sección de precios, porque es la razón de que el precio solo entre aquí desde página oficial leída. No hay Reddit ni X en este artículo: la comunidad es Hacker News, donde cada comentario tiene id.

El marcador de la comprobación

El veredicto antes del argumento, porque es lo que circula solo. "Lo que circula" es lo que repiten en 2026 los compilados de estadísticas de LLM — la página alemana que motivó esta pauta es el ejemplar más completo que encontré, con 274 modelos catalogados y 235 enlaces.

Tres coinciden limpiamente, tres están equivocados, seis existen con la etiqueta equivocada. Note que los errores graves son todos de comparación, no de número: cada nota individual está en la fuente que la página cita. Lo que no está en ningún lugar es la regla que autoriza poner dos notas lado a lado.

La regla: "¿modelo según quién?"

"Cuántos modelos existen" es la pregunta más simple del tema y no tiene respuesta — no porque falte dato, sino porque sobra definición. La figura resume las tres que aparecen en los compilados; el resto de la sección muestra que las tres son correctas.

Note la primera casilla. Hugging Face es el depósito público donde laboratorios y personas publican modelos, y cada publicación es un "repositorio". Le pedí a la página de búsqueda del sitio cuántos repositorios llevan la etiqueta text-generation (generación de texto, la etiqueta de los LLM): 403.420 a las 04:43 del 26 de agosto; 403.535 a las 11:55 del mismo día. El número crece mientras usted lee, porque cuenta todo — cada copia comprimida, cada ajuste fino hecho por un estudiante, cada versión de prueba. El repositorio más descargado del lote (24,4 millones de descargas) es Qwen3-0.6B, un modelo demasiado pequeño para aparecer en cualquier ranking de capacidad.

La segunda casilla es lo opuesto: una lista hecha a mano. El AI Index de Stanford usa la base de datos de Epoch AI, que marca un modelo como "notable" por avance técnico, importancia histórica o citas — y el informe avisa, en el texto: "This is a manual curation, so the dataset is not a census of all AI models" ("es una curaduría manual, así que el conjunto no es un censo de todos los modelos de IA"). Por ese criterio, 2025 tuvo 93 modelos notables de la industria y 2 de la academia — 95. En la figura siguiente del mismo capítulo, que clasifica los lanzamientos por tipo de acceso, la base de cálculo es 102. El mismo informe, dos conteos, siete modelos de diferencia — porque los recortes son diferentes.

La tercera casilla es el catálogo editorial: alguien decide qué "cuenta como modelo" para su público. La página alemana lista 274, de 35 proveedores — y se contradice en su propio cuerpo: en la sección 2 OpenAI tiene 35 modelos, Anthropic 19 y Google 18; en la sección 7, 38, 20 y 27, y aparece una Alibaba con 42 que la sección 2 no mencionaba. No es deshonestidad; es lo que ocurre cuando un catálogo tiene recortes diferentes ("modelos activos" en una figura, "todo el historial" en la otra) y nadie escribe el recorte al lado del número.

Ninguno de los tres conteos responde a la pregunta del lector, que es "cuántos modelos me importan a mí" — y esa solo él puede contarla. Lo que se puede hacer es mostrar al mismo proveedor bajo las tres definiciones, para que el tamaño del abismo quede visible.

Note a OpenAI: 5 repositorios, 20 modelos notables, 38 en el catálogo — la misma empresa, el mismo año. En Hugging Face casi no existe (solo publicó los modelos abiertos gpt-oss), y Anthropic no existe: cero repositorios, porque ningún modelo Claude tiene pesos publicados. En la curaduría de Epoch AI el orden se invierte: OpenAI es quien más lanzó modelos notables en 2025, seguida de Google (14) y Alibaba (11). Y en el catálogo editorial Alibaba lidera, porque el editor decidió listar cada variante de Qwen. La frase "la empresa X tiene más modelos" no significa nada sin la definición al lado — y las tres definiciones invierten el podio.

Nota dada por quién: la prueba de código que el creador abandonó

Todo compilado de 2026 tiene una sección "quién es el mejor en programación", y la regla es siempre la misma: el SWE-bench Verified, un benchmark (prueba estandarizada que da una nota al modelo) con 500 problemas reales sacados de repositorios de código abierto — el modelo recibe la descripción de un defecto y tiene que corregirlo; un conjunto de pruebas automáticas dice si acertó. La página alemana publica cuatro notas: Claude Fable 5 con 95,0%, Opus 4.8 con 88,6%, DeepSeek-V4-Pro con 80,6% y Kimi K2.6 con 80,2%, y concluye que DeepSeek queda "unos 8 puntos por detrás". Fui tras las cuatro. Todas están en la fuente citada. Y ninguna de las comparaciones se sostiene, por tres motivos apilados.

El primer motivo es el más grave y el menos citado. El 23 de febrero de 2026 OpenAI — que creó el "Verified" en agosto de 2024, revisando 1.699 problemas del SWE-bench original con ingenieros humanos hasta quedar 500 — publicó un texto titulado "Why SWE-bench Verified no longer measures frontier coding capabilities" ("Por qué el SWE-bench Verified ya no mide la capacidad de programación de frontera"). Dos conclusiones, citadas del original:

"We audited a 27.6% subset of the dataset that models often failed to solve and found that at least 59.4% of the audited problems have flawed test cases that reject functionally correct submissions."

En español: "Auditamos un subconjunto del 27,6% del conjunto que los modelos frecuentemente no logran resolver y descubrimos que al menos el 59,4% de los problemas auditados tienen casos de prueba defectuosos, que rechazan envíos funcionalmente correctos."

"In our analysis we found that all frontier models we tested were able to reproduce the original, human-written bug fix [...] indicating that all of them have seen at least some of the problems and solutions during training. [...] This is why we have stopped reporting SWE-bench Verified scores, and we recommend that other model developers do so too."

En español: "En nuestro análisis descubrimos que todos los modelos de frontera que probamos fueron capaces de reproducir la corrección original, escrita por humanos [...], lo que indica que todos vieron al menos parte de los problemas y soluciones durante el entrenamiento. [...] Por eso dejamos de publicar notas de SWE-bench Verified, y recomendamos que los demás desarrolladores de modelos hagan lo mismo."

Traduciendo el mecanismo para quien no programa: la prueba usa problemas públicos, con las soluciones públicas al lado, sacados de los mismos repositorios que los laboratorios usan para entrenar. El modelo puede haber "visto la prueba con las respuestas" antes de hacerla. OpenAI midió lo que quedaba de progreso — "improving from 74.9% to 80.9% in the last 6 months" ("mejorando de 74,9% a 80,9% en los últimos 6 meses") — y decidió que lo que sube de ahí en adelante mide exposición a la prueba, no capacidad. Seis meses después, la tabla del evaluador independiente muestra siete modelos con 95% o más. La discusión llegó a Hacker News en abril (343 puntos, 181 comentarios); la línea más votada resume el escepticismo en una frase: "Goodhart's Law in reverse, what can't be gamed gets rejected" ("Ley de Goodhart al revés: lo que no se puede manipular es rechazado" — comentario 47911060). Otro lector: "This feels very much like 'we are now moving the goal posts'" ("Se parece mucho a 'ahora estamos moviendo la portería de lugar'", 47910902). Las dos lecturas son posibles. Lo que no es posible es usar, en agosto, una regla que el fabricante retiró en febrero sin decírselo al lector.

La consecuencia práctica ya está en las fichas técnicas: OpenAI ya no publica la nota, y los laboratorios abiertos están migrando. En el System Card del Fable 5, la columna "GPT-5.5" de la fila SWE-bench Verified trae un guion. En la ficha del Kimi K2.6, la columna "GPT-5.4", igual. Kimi K3, Qwen 3.8 y GLM-5.2 ya no reportan la métrica clásica — la cambiaron por SWE-bench Pro, DeepSWE, FrontierSWE. El único lugar donde todos siguen siendo comparables es un evaluador externo, que corre la prueba vieja con el mismo harness (el andamiaje de herramientas que el modelo recibe para trabajar) para todos. Es Vals AI, y es ahí donde aparece el segundo motivo.

Note primero lo que no cambió entre el bloque gris y el azul. La nota que Anthropic publica para el Fable 5 (95,0%, media de cinco intentos, en el System Card) es la misma que Vals mide desde fuera; la del Opus 4.8 también (88,6% en los dos). DeepSeek publica 80,6% para el V4-Pro de abril, en el modo de razonamiento más caro; Vals mide el mismo modelo en 77,4%. Kimi K2.6: 80,2% contra 76,2%. El self-report (la nota que el laboratorio se da a sí mismo) resiste la comprobación: donde el mismo modelo fue medido por ambos, la diferencia queda entre cero y cuatro puntos. Esto contradice mi hipótesis de partida — yo esperaba que la evaluación independiente derribara las notas oficiales — y el resultado se publica de todos modos.

Lo que no resiste es el bloque oro. El "80,6%" que circula es del DeepSeek-V4-Pro Preview, publicado el 22 de abril; la ficha se actualizó por última vez el 22 de junio. El 13 de agosto DeepSeek lanzó la versión definitiva, DeepSeek-V4-Pro-0813, en un repositorio separado — y la ficha nueva no publica nota alguna de SWE-bench Verified (usa DeepSWE, Cybergym y otros). Quien mide el 0813 es Vals: 96,4%, segundo lugar entre 86 modelos, detrás solo del Opus 5 (97,0%) y por delante del GPT-5.6 Sol, del Grok 4.6 y del propio Fable 5. La frase "DeepSeek queda 8 puntos por detrás del Opus 4.8" compara la nota de abril de uno con la nota de mayo del otro; con las versiones de agosto, DeepSeek está 8 puntos por delante. Ninguno de los dos números es falso. La comparación sí lo es.

El tercer motivo es el más banal: el liderazgo en benchmark tiene plazo de validez de semanas. La página alemana es del 23 de agosto y dice que el Fable 5 "lidera con 95,0%". En el propio System Card que trae el 95,0%, el Mythos 5 hace 95,5%. En Vals, del 19 de agosto, el Opus 5 hace 97,0%. Y el "82,6% en el Vals-AI-Harness" de la misma página es la única nota que viene de evaluador independiente — con el nombre equivocado ("Vals-AI-Harness" no es un benchmark, es Vals corriendo el SWE-bench Verified con el andamiaje mini-swe-agent, solo con la línea de comandos bash) y sin el contexto: en la misma tabla, 82,6% está a 14,4 puntos del líder. Ya conté aquí cómo DeepSeek publicó la tabla en la que ella misma pierde 9 a 0 y cómo Z.ai postergó los pesos del GLM-5.3 y publicó lo que el modelo opinó: los laboratorios han sido más honestos en las fichas que la cobertura que las resume.

La regla de esta sección, en una línea: una nota de benchmark solo se compara cuando los cuatro campos coinciden — misma prueba, mismo andamiaje, misma versión, misma fecha. La cobertura suele acertar el primero e ignorar los otros tres.

Lo que cuesta: la misma prueba, con la columna que nadie publica

Si la nota aislada no decide nada, ¿qué decide? En la tabla de Vals hay una columna que ningún compilado copia: el costo por tarea, en dólares, para la misma prueba corrida en el mismo andamiaje. Es la única comparación de precio que atraviesa proveedores sin depender de cuántos tokens (los fragmentos de texto que el modelo lee y produce, la unidad de facturación) gasta cada uno para pensar — porque mide el gasto real, al final de la tarea.

Note los dos puntos más altos: el Opus 5 resuelve 97,0% de las tareas a US$ 1,29 cada una; el DeepSeek-V4-Pro-0813 resuelve 96,4% a US$ 0,10. Seis décimas de punto cuestan doce veces y media el precio. Y note el punto más a la derecha: el Fable 5, a US$ 2,05 por tarea, resuelve menos que el Opus 5 y cuesta más — el System Card explica que la nota del Fable "refleja sus salvaguardas de producción", es decir, el modelo más caro de Anthropic no es el que más acierta esta prueba. Del lado barato, el GPT-5.6 Luna hace 93,0% a cuatro centavos, y el DeepSeek V4 Flash, 88,8% a un centavo — la misma nota del Opus 4.8, que cuesta US$ 1,92 por tarea. Ya mostré aquí, midiendo 43 mil llamadas, que precio por token no es costo por tarea; esta tabla es la misma lección con otro evaluador.

Esto explica por qué el "más caro" y el "más barato" de los compilados casi nunca coinciden con el catálogo. La página alemana dice que los precios van de US$ 0,05 (GPT-5 nano) a US$ 30 (GPT-5.5 Pro) por millón de tokens de entrada — "un factor de 600". En la tabla oficial de OpenAI, leída el 26 de agosto, el o1-pro sigue a la venta a US$ 150 de entrada y US$ 600 de salida; el gpt-5.4-pro cuesta los mismos US$ 30 del 5.5 Pro. El factor real entre el más barato y el más caro del catálogo es 3.000. Y el precio de tabla ni es el precio: DeepSeek cobra el V4-Pro-0813 a US$ 1,32 por millón de tokens de entrada en horario pico y US$ 0,66 fuera de él, y cae a US$ 0,044 cuando el pedido repite texto ya procesado (cache hit, el acierto de caché). Kimi K3 cuesta US$ 3 de tabla y US$ 0,30 con caché. Un único número de precio por modelo es una elección editorial, nunca un hecho.

Un paréntesis sobre método, porque cambia en qué debe confiar usted. En la recolección de este artículo, una primera extracción automática de la página de precios de xAI devolvió una tabla completa, plausible, con modelos y valores — e inventada: la página real tenía un modelo (Grok 4.6, US$ 2 / US$ 6) y la herramienta rellenó el resto. Fue descartada y rehecha a mano. Por eso el precio solo entra aquí desde página oficial leída por una persona, con fecha; cualquier compilado que no diga de dónde sacó el precio está a un paso del mismo error.

Parámetros y contexto: el número gigante siempre es de modelo abierto

Después de "quién lidera" viene "quién es más grande". Aquí el patrón se invierte: los números más grandes publicados son todos de laboratorios que abren los pesos (los miles de millones de números que componen el modelo, publicados para descarga), y los modelos de punta cerrados no tienen número alguno.

Note el bloque de abajo: cuatro barras vacías. No es ausencia de dato en mi recolección; es el dato que no existe. El informe técnico del GPT-4 dice, en el texto: "this report contains no further details about the architecture (including model size)" ("este informe no contiene más detalles sobre la arquitectura, incluyendo el tamaño del modelo"), por "panorama competitivo" e "implicaciones de seguridad". El "1,76 billones" que todo compilado repite nació en junio de 2023, de una especulación de George Hotz (fundador de Comma.ai) — ocho modelos de 220 mil millones — y de un informe de SemiAnalysis, empresa de análisis de semiconductores. OpenAI nunca lo confirmó ni lo desmintió. La página alemana marca el número como estimación, lo cual es correcto; y enlaza, como fuente, a Wikipedia — que es donde se compiló el rumor.

En el bloque de arriba, los números son reales y verificados ficha a ficha, con un matiz que los compilados omiten: casi todos son MoE (mixture of experts, mezcla de expertos — el modelo tiene muchos bloques y usa pocos a la vez). El Kimi K3 tiene 2,8 billones de parámetros en total, pero activa 16 de 896 expertos por token: 104 mil millones trabajando a la vez, 3,7% del total. El DeepSeek-V4-Pro: 1,6 billón en total, 49 mil millones activos. Comparar "2,8 billones" con los 175 mil millones del GPT-3 de 2020 — que usaba todos a la vez — es comparar el tamaño del edificio con el número de salas encendidas.

La ventana de contexto (cuánto texto puede leer el modelo de una vez) tiene la misma trampa. La página dice que Llama 4 Scout y Qwen-Long "lideran con 10 millones de tokens" — unos treinta volúmenes de Harry Potter. Los dos números están en las fuentes oficiales. Meta dice también que Scout fue entrenado con 256 mil tokens de contexto y llega a 10 millones por generalización de longitud (una técnica de extrapolación, no el régimen de entrenamiento). Alibaba dice que Qwen-Long solo llega a 10 millones por carga de archivo con referencia por identificador; texto pegado directo en el mensaje se detiene en 1 millón. Y Kimi K3, con el mayor número de parámetros, tiene un contexto de 1.048.576 tokens — un millón, no diez. Ya expliqué aquí lo que cuesta en memoria la ventana de contexto cuando el modelo corre en tu máquina; la lección es la misma: el número de portada es el techo teórico, y la ficha trae las condiciones.

Parámetros y contexto son las dos estadísticas en las que el número oficial siempre es el mayor posible — y la nota al pie siempre es más pequeña.

Brasil: el único comparativo de costo en reales

Ningún compilado internacional de estadísticas de LLM tiene una línea sobre Brasil — la página alemana tiene cero. Fui a buscar lo que existe en fuente oficial y encontré más de lo que esperaba, con una negativa en el medio.

Note que la figura es de costo, no de nota — y es la única comparación de costo de suite completa en moneda nacional que encontré en fuente oficial. Maritaca AI, de Campinas, publica la familia Sabiá 4 con precio en reales: R$ 5 por millón de tokens de entrada y R$ 20 de salida en el Sabiá 4 (R$ 40 en la versión Thinking, que razona antes de responder), R$ 1 y R$ 4 en el Sabiazinho 4, y 30% más en las variantes "BR-SP", con "inferencia y procesamiento realizados 100% en territorio nacional". La misma documentación publica las notas del Sabiá 4 en pruebas brasileñas (97,4% en leyes brasileñas; 86,6% en el agregado ENEM/USP/OAB; nota 7,49 de 10 en la redacción de pieza jurídica) y el costo de correr la suite entera en cada competidor: R$ 206 en el Sabiá 4 Thinking, R$ 281 en el Gemini 3.1 Pro, R$ 449 en el GPT-5.4, R$ 590 en el Opus 4.8. Es self-report — es la empresa midiendo a los competidores con sus propias pruebas — y entra aquí con esa etiqueta, por la misma regla de la sección anterior: la nota vale como declaración del laboratorio hasta que alguien la corra desde fuera.

La negativa: no existe un proyecto llamado "BR-LLM", a pesar de que el término circula. Lo que existe, en fuente oficial o en prensa, son iniciativas con nombre propio — el Sabiá (Maritaca), el Amazônia IA (WideLabs, con Oracle y NVIDIA, sin benchmark numérico publicado) y el programa SoberanIA (MCTI y gobierno de Piauí, diciembre de 2025), cuya página oficial solo sirvió un CAPTCHA a esta máquina y por eso queda aquí como no verificada. Y el "ChatPetrobras", a veces citado como LLM nacional, es una aplicación para 110 mil trabajadores construida sobre GPT vía Azure — producto sobre modelo de terceros, no modelo.

Del lado del uso, Cetic.br mide lo que los compilados solo estiman: 17% de las empresas brasileñas con más de 10 empleados usaban IA en 2025 (13% en 2024; 50% entre las grandes), con "generación de lenguaje natural" saltando de 20% a 30% — la categoría que más creció, y es la de los LLM; entre los usuarios de internet, 32% ya usó IA generativa, unos 50 millones de personas. Ya mostré aquí por qué "50 millones de brasileños" es el único conteo de personas que cuenta personas; vale la misma advertencia.

Brasil tiene precio en reales, prueba en portugués y uso medido — lo que no tiene es presencia en ningún compilado que circule.

Qué haría yo con esto

Dos preguntas, diez segundos cada una, antes de repetir cualquier estadística de LLM.

1. "¿Modelo según quién?" Si el número es de repositorios, es medida de actividad; si es de "notables", es curaduría con criterio publicado; si es catálogo, es decisión editorial. Los tres son útiles. Ninguno reemplaza al otro — y un ranking de "quién tiene más modelos" sin la definición al lado invierte el podio según la definición.
2. "¿Nota dada por quién, a qué versión, en una prueba que todavía mide?" El self-report de laboratorio resistió la comprobación de este artículo — pero solo se compara con self-report de la misma fecha, en el mismo andamiaje, de la misma versión. Dos notas de fichas diferentes lado a lado es el error más común y el más invisible. Y el SWE-bench Verified, regla estándar de 2026, fue retirado por su propio creador en febrero: quien lo cita en agosto debe decirlo.

Y una regla de precio: nunca un solo número por modelo. Entrada, salida, caché, horario y versión; o, mejor, costo por tarea medido por alguien de fuera.

Si quiere verificar la medición más fácil de este artículo, son diez segundos:

curl -s "https://huggingface.co/models?pipeline_tag=text-generation" -A "Mozilla/5.0" \
  | grep -o "numTotalItems[^,}]*"

Va a dar más de 403.420 — creció 115 repositorios entre las 04:43 y las 11:55 del 26 de agosto. Si da menos, o si usted encuentra la nota de SWE-bench Verified del DeepSeek-V4-Pro-0813 en alguna ficha oficial, avíseme: actualizo el artículo y acredito la corrección.

Fuentes

• Hugging Face — página de modelos com a etiqueta text-generation — numTotalItems medido em 26/08/2026 (04:43 e 11:55); contagens por organização via ?author=
• Stanford HAI — AI Index Report 2026, capítulo 1 (Research and Development) — seção 1.1, Figuras 1.1.1, 1.1.4–1.1.6 e 1.1.8–1.1.9; capítulo Technical Performance (3,3% × 0,5%)
• OpenAI — "Introducing SWE-bench Verified", 13/08/2024 e OpenAI — "Why SWE-bench Verified no longer measures frontier coding capabilities", 23/02/2026 — ambos lidos em cópia do Wayback (o site recusa leitura automatizada); discussão no Hacker News, item 47910388
• Vals AI — SWE-bench Verified — tabela "Updated 8/19/2026", 86 modelos, campos accuracy e cost_per_test extraídos do HTML em 26/08/2026; harness mini-swe-agent
• Anthropic — Claude Fable 5 & Claude Mythos 5 System Card (PDF) — Tabela 8.1.A e seção 8.2
• DeepSeek — model card do DeepSeek-V4-Pro (Preview) e DeepSeek-V4-Pro-0813; preços oficiais; relatório técnico arXiv 2606.19348
• Moonshot AI — model card do Kimi K2.6, Kimi K3, repositório do Kimi K3 e preços
• Qwen — model card do Qwen3.8-2.4T-A95B; Alibaba Cloud — Qwen-Long, contexto longo
• Meta — "The Llama 4 herd"; Mistral — Mixtral 8x22B; OpenAI — gpt-oss-120b
• OpenAI — "Language Models are Few-Shot Learners" (GPT-3), arXiv 2005.14165; GPT-4 Technical Report, arXiv 2303.08774 — seção 2
• Preços oficiais lidos em 26/08/2026: OpenAI · Anthropic · Google Gemini · Mistral · xAI
• Arena (ex-LMArena) — leaderboard de texto — 21/08/2026, 7.906.317 votos, 394 modelos; Artificial Analysis — GPQA Diamond
• Maritaca AI — documentação (modelos e benchmarks) e preços; Amazônia IA; Petrobras — ChatPetrobras
• Cetic.br — TIC Empresas 2025 e TIC Domicílios 2025
• Página que motivou a pauta — gradually.ai, "LLM-Statistiken 2026" — inspiração de estrutura; nenhuma frase ou número reaproveitado sem conferência

Verificación: fichas técnicas, PDFs, papers y páginas de precios leídos en su totalidad y preservados el 26/08/2026; posts de OpenAI por copia archivada; tabla de Vals AI extraída del HTML servido (86 de 86 líneas); conteos de Hugging Face medidos por el autor. Las citas en inglés fueron traducidas por mí; las fuentes y las mediciones son las mismas del original en portugués. El 94,3% del Gemini 3.1 Pro en GPQA Diamond y la página de SoberanIA no fueron verificados en la fuente oficial y están marcados en el texto. No hay Reddit ni X en este artículo, por indisponibilidad de las fuentes.