FreeLLMLos mejores modelos de IA gratis, clasificados por votos reales
Solo modelos que puedes usar sin pagar: gratis online o descargados en tu propia GPU. Las puntuaciones salen de millones de votos humanos a ciegas en Arena y se actualizan cada noche.
En esta página: 3 gráficos · Clasificaciones · Modelos nuevos · Preguntas frecuentes
Puntuación de Arena
Cuanto más alto, mejorVotos humanos a ciegas en Arena, chat
Las barras empiezan en 1000. En Arena, 10 puntos son una diferencia pequeña y 50, una clara.
Velocidad en una RTX 4090
Cuanto más alto, mejorTokens por segundo a 4 bits, estimados
Estimación calibrada con 44 ejecuciones reales de llama.cpp. Unos 10 tok/s equivalen a la velocidad de lectura.
Memoria a 4 bits
Cuanto más bajo, mejorGB para cargarlo, con contexto de 8K
Verde: cabe entero en una tarjeta de 24 GB. Rojo: también necesita RAM del sistema, así que va más lento.
Qué muestra · Cómo leerlo
Qué muestra. Los 8 mejores modelos de chat gratis que funcionan en un PC doméstico con una RTX 4090 (24 GB) y 64 GB de RAM, comparados de tres maneras: lo buenos que son, lo rápido que escriben y cuánta memoria necesitan.
Cómo leerlo. Los mismos modelos y los mismos colores en los tres gráficos, para que puedas seguir un modelo a través de ellos. Un modelo puede ser el mejor pero lento, o pequeño y rápido: elige el equilibrio que necesites y luego comprueba tu propia tarjeta en Ejecútalo en casa.
226 de los 416 modelos de la clasificación de Chat de Arena se pueden usar gratis. Votos a 15 oct 2026. El mejor gratis: mimo-v2.6-pro, n.º 11 en total.
Clasificación gratuita completa
| Puesto gratis | Modelo | Puntuación de Arena | Tamaño | Descargar | Necesita a 4 bits | Calidad a 4 bits | Velocidad en RTX 4090 | Úsalo gratis online |
|---|---|---|---|---|---|---|---|---|
| 1 | mimo-v2.6-pro Xiaomi |
1491 n.º 11 de 416 |
1024.2 B 44.9 B activos |
MIT | 622 GB | +1.2% pérdida muy pequeña |
no cabe | — |
| 2 | Kimi K3 (Max) Kimi (Moonshot) |
1475 n.º 25 de 416 |
2779.9 B 105.8 B activos |
Licencia Kimi K3 | 1686 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 3 | glm-5.3-max GLM (Z.ai) |
1471 n.º 27 de 416 |
753.3 B 51.2 B activos |
MIT | 458 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 4 | glm-5.3-flash GLM (Z.ai) |
1471 n.º 29 de 416 |
321.3 B 25.4 B activos |
MIT | 195 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 5 | glm-5.2-max GLM (Z.ai) |
1470 n.º 31 de 416 |
753.3 B 51.2 B activos |
MIT | 458 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 6 | mimo-v2.5-pro Xiaomi |
1465 n.º 37 de 416 |
1023.2 B 43.8 B activos |
MIT | 621 GB | +1.2% pérdida muy pequeña |
no cabe | — |
| 7 | deepseek-v4.1-flash-max DeepSeek |
1463 n.º 38 de 416 |
763.2 B 228.1 B activos |
MIT | 464 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 8 | glm-5.1 GLM (Z.ai) |
1462 n.º 39 de 416 |
753.9 B 51.7 B activos |
MIT | 458 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 9 | kimi-k2.6 Kimi (Moonshot) |
1455 n.º 44 de 416 |
1026.9 B 33.3 B activos |
MIT modificada | 623 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 10 | mimo-v2.6-flash Xiaomi |
1455 n.º 45 de 416 |
310.8 B 17.4 B activos |
MIT | 189 GB | +1.2% pérdida muy pequeña |
no cabe | — |
| 11 | deepseek-v4-pro DeepSeek |
1451 n.º 49 de 416 |
1598.8 B 75.6 B activos |
MIT | 970 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 12 | glm-5 GLM (Z.ai) |
1446 n.º 60 de 416 |
753.9 B 51.8 B activos |
MIT | 458 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 13 | deepseek-v4-pro-high-20260813 DeepSeek |
1446 n.º 61 de 416 |
— | MIT | — | — | — | Chat del laboratorio |
| 14 | kimi-k2.5-thinking Kimi (Moonshot) |
1445 n.º 62 de 416 |
— | MIT modificada | — | — | — | Chat del laboratorio |
| 15 | deepseek-v4-pro-high-preview DeepSeek |
1445 n.º 63 de 416 |
— | MIT | — | — | — | Chat del laboratorio |
| 16 | nvidia-nemotron-3-ultra-550b-a55b-nvfp4 NVIDIA |
1445 n.º 64 de 416 |
560.5 B 55 B activos |
OpenMDW-1.1 | 340 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 17 | gemma-4-31bEl mejor en una 4090 Google |
1443 n.º 67 de 416 |
31.3 B | Apache 2.0 | 22 GB | +1.8% pérdida pequeña |
36 tok/s · cabe | API gratuita · pruébalaChat del laboratorio |
| 18 | inkling Thinky |
1441 n.º 74 de 416 |
— | Apache 2.0 | — | — | — | API gratuita · pruébala |
| 19 | qwen3.8-27b Qwen (Alibaba) |
1441 n.º 75 de 416 |
27.8 B | Apache 2.0 | 18 GB | +1.9% pérdida pequeña |
43 tok/s · cabe | Chat del laboratorio |
| 20 | glm-4.6 GLM (Z.ai) |
1440 n.º 76 de 416 |
356.8 B 37.6 B activos |
MIT | 220 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 21 | hy3 Tencent |
1438 n.º 80 de 416 |
298.8 B 24.4 B activos |
Apache 2.0 | 184 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 22 | qwen3.5-397b-a17b Qwen (Alibaba) |
1438 n.º 81 de 416 |
403.4 B 17 B activos |
Apache 2.0 | 245 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 23 | glm-4.7 GLM (Z.ai) |
1435 n.º 87 de 416 |
358.3 B 39.1 B activos |
MIT | 221 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 24 | gemma-4-26b-a4bEl más rápido en una 4090 Google |
1434 n.º 90 de 416 |
25.8 B 4 B activos |
Apache 2.0 | 17 GB | +1.9% pérdida pequeña |
152 tok/s · cabe | API gratuita · pruébalaChat del laboratorio |
| 25 | minimax-m3 MiniMax |
1433 n.º 91 de 416 |
427 B 26.8 B activos |
Pesos abiertos MiniMax Community License |
260 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 26 | deepseek-v4-flash DeepSeek |
1432 n.º 92 de 416 |
290.9 B 20.4 B activos |
MIT | 178 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 27 | glm-4.5 GLM (Z.ai) |
1430 n.º 95 de 416 |
358.3 B 39.1 B activos |
MIT | 221 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 28 | mistral-large-3 Mistral |
1428 n.º 98 de 416 |
— | Apache 2.0 | — | — | — | — |
| 29 | mimo-v2.5 Xiaomi |
1428 n.º 100 de 416 |
310.8 B 17.4 B activos |
MIT | 189 GB | +1.2% pérdida muy pequeña |
no cabe | — |
| 30 | deepseek-r1-0528 DeepSeek |
1428 n.º 101 de 416 |
684.5 B 51 B activos |
MIT | 416 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 31 | deepseek-v3.2-exp-thinking DeepSeek |
1425 n.º 104 de 416 |
685.4 B 51.9 B activos |
MIT | 417 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 32 | deepseek-v3.2 DeepSeek |
1424 n.º 105 de 416 |
685.4 B 51.9 B activos |
MIT | 417 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 33 | deepseek-v4-flash-high-preview DeepSeek |
1424 n.º 106 de 416 |
— | MIT | — | — | — | Chat del laboratorio |
| 34 | longcat-flash-chat Meituan |
1423 n.º 109 de 416 |
561.9 B 33.4 B activos |
MIT | 341 GB | +1.2% pérdida muy pequeña |
no cabe | — |
| 35 | deepseek-v3.2-exp DeepSeek |
1422 n.º 111 de 416 |
685.4 B 51.9 B activos |
MIT | 417 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 36 | mistral-medium-3.5 Mistral |
1421 n.º 112 de 416 |
— | MIT modificada | — | — | — | — |
| 37 | kimi-k2.5-instant Kimi (Moonshot) |
1420 n.º 113 de 416 |
— | MIT modificada | — | — | — | Chat del laboratorio |
| 38 | qwen3-vl-235b-a22b-instruct Qwen (Alibaba) |
1420 n.º 114 de 416 |
235.7 B 22 B activos |
Apache 2.0 | 145 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 39 | deepseek-v3.2-thinking DeepSeek |
1420 n.º 115 de 416 |
685.4 B 51.9 B activos |
MIT | 417 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 40 | deepseek-v3.1 DeepSeek |
1420 n.º 116 de 416 |
684.5 B 51.1 B activos |
MIT | 416 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 41 | qwen3-235b-a22b-instruct-2507 Qwen (Alibaba) |
1419 n.º 119 de 416 |
235.1 B 22 B activos |
Apache 2.0 | 145 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 42 | deepseek-v3.1-terminus-thinking DeepSeek |
1419 n.º 120 de 416 |
— | MIT | — | — | — | Chat del laboratorio |
| 43 | qwen3.5-122b-a10b Qwen (Alibaba) |
1417 n.º 123 de 416 |
125.1 B 10 B activos |
Apache 2.0 | 77 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 44 | deepseek-v3.1-terminus DeepSeek |
1417 n.º 125 de 416 |
— | MIT | — | — | — | Chat del laboratorio |
| 45 | qwen3-next-80b-a3b-instruct Qwen (Alibaba) |
1417 n.º 126 de 416 |
— | Apache 2.0 | — | — | — | Chat del laboratorio |
| 46 | deepseek-v3.1-thinking DeepSeek |
1417 n.º 128 de 416 |
— | MIT | — | — | — | Chat del laboratorio |
| 47 | qwen3-235b-a22b-thinking-2507 Qwen (Alibaba) |
1415 n.º 131 de 416 |
— | Apache 2.0 | — | — | — | Chat del laboratorio |
| 48 | kimi-k2-thinking-turbo Kimi (Moonshot) |
1414 n.º 133 de 416 |
— | MIT modificada | — | — | — | Chat del laboratorio |
| 49 | Inkling Small Thinky |
1413 n.º 135 de 416 |
— | Apache 2.0 | — | — | — | API gratuita · pruébala |
| 50 | mimo-v2-flash (non-thinking) Xiaomi |
1411 n.º 139 de 416 |
— | MIT | — | — | — | — |
| 51 | nvidia-nemotron-3.5-super-vl-120b-a12b-nvfp4 NVIDIA |
1409 n.º 141 de 416 |
— | OpenMDW-1.1 | — | — | — | Chat del laboratorio |
| 52 | qwen3.5-27b Qwen (Alibaba) |
1409 n.º 142 de 416 |
27.8 B | Apache 2.0 | 18 GB | +1.9% pérdida pequeña |
43 tok/s · cabe | Chat del laboratorio |
| 53 | minimax-m2.7 MiniMax |
1405 n.º 148 de 416 |
— | MIT modificada | — | — | — | Chat del laboratorio |
| 54 | step-3.5-flash Stepfun |
1403 n.º 150 de 416 |
— | Apache 2.0 | — | — | — | — |
| 55 | hunyuan-hy3-preview Tencent |
1402 n.º 151 de 416 |
— | Pesos abiertos tencent-hunyuan-community |
— | — | — | Chat del laboratorio |
| 56 | qwen3-vl-235b-a22b-thinking Qwen (Alibaba) |
1401 n.º 152 de 416 |
235.7 B 22 B activos |
Apache 2.0 | 145 GB | +1.2% pérdida muy pequeña |
no cabe | Chat del laboratorio |
| 57 | qwen3.5-35b-a3b Qwen (Alibaba) |
1395 n.º 161 de 416 |
— | Apache 2.0 | — | — | — | Chat del laboratorio |
| 58 | mimo-v2-flash (thinking) Xiaomi |
1395 n.º 162 de 416 |
— | MIT | — | — | — | — |
| 59 | qwen3-235b-a22b-no-thinking Qwen (Alibaba) |
1393 n.º 164 de 416 |
— | Apache 2.0 | — | — | — | Chat del laboratorio |
| 60 | minimax-m2.1-preview MiniMax |
1392 n.º 165 de 416 |
— | MIT | — | — | — | Chat del laboratorio |
Tamaño: parámetros (y parámetros activos en los modelos de mezcla de expertos). Necesita a 4 bits: memoria de GPU en Q4_K_M con 8K de contexto. Calidad a 4 bits: aumento de perplexity respecto al modelo completo, según pruebas de llama.cpp ajustadas al tamaño. Velocidad: estimación en una RTX 4090 (24 GB) con 64 GB de DDR5, a 4 bits. Simula tu propio hardware.
Los 15 mejores modelos de chat gratis
Puntuación de Arena; el eje empieza en 1350. Color = el laboratorio que creó el modelo, el mismo en todos los gráficos. Línea discontinua: mejor modelo de pago, Gemini 4 Argon (High) (1532).
Qué muestra · Cómo leerlo
Qué muestra. Los 15 mejores modelos gratis para chat, según su puntuación en votos humanos a ciegas de Arena. La línea discontinua es el mejor modelo de pago, como referencia.
Cómo leerlo. Barra más larga, mejor modelo. El eje no empieza en cero, así que las diferencias pequeñas parecen mayores de lo que son: en Arena, 10 puntos son una diferencia pequeña y 50 es una diferencia clara. Cada color es un laboratorio; usa los botones de laboratorio de arriba para mostrar solo algunos.
Puntuación frente al tamaño
Cada punto es un modelo abierto; más arriba es mejor y más a la izquierda es más pequeño. La línea une los modelos que superan a todos los más pequeños. Parámetros en escala logarítmica. Color = el laboratorio que creó el modelo.
Qué muestra · Cómo leerlo
Qué muestra. Todos los modelos abiertos con tamaño conocido: su puntuación de Arena frente a su número de parámetros. El tamaño decide cuánta memoria necesitas para ejecutarlo.
Cómo leerlo. Más arriba es mejor y más a la izquierda es más pequeño. Los modelos de la esquina verde son pequeños y potentes: la mejor relación calidad-precio para ejecutar en casa. La línea une los modelos que superan a todos los más pequeños que ellos.
Puntuación frente a velocidad en casa
Cada punto es un modelo abierto; más arriba es mejor y más a la derecha es más rápido en una RTX 4090 a 4 bits. La línea une los modelos que superan a todos los más rápidos. Velocidad en escala logarítmica. Color = el laboratorio que creó el modelo.
Qué muestra · Cómo leerlo
Qué muestra. Modelos abiertos que funcionan en una RTX 4090 (24 GB) con 64 GB de RAM del sistema, a 4 bits: puntuación de Arena frente a las palabras por segundo estimadas.
Cómo leerlo. Más arriba es mejor y más a la derecha es más rápido. La esquina verde es rápida y potente: la mejor relación calidad-precio para un PC doméstico. Unos 10 tokens por segundo equivalen a la velocidad de lectura; por debajo de 5 se nota lento.
Los mejores modelos gratis de los últimos seis meses
Puntuación de Arena del 17 abr 2026 al 15 oct 2026.
Qué muestra · Cómo leerlo
Qué muestra. Cómo cambió en seis meses la puntuación de Arena de los cinco mejores modelos abiertos, frente al mejor modelo de pago (línea gris discontinua).
Cómo leerlo. Una línea ascendente significa que el modelo ganó más votos con el tiempo. Las líneas empiezan cuando el modelo entró en Arena. Tienen el mismo color que su laboratorio; una línea discontinua es un segundo modelo del mismo laboratorio.
Quién gana a quién
| Modelo A ↓ · Modelo B → | Gemini 4 Argon (High) (de pago) | mimo-v2.6-pro | Kimi K3 (Max) | glm-5.3-max | glm-5.3-flash | glm-5.2-max | mimo-v2.5-pro | deepseek-v4.1-flash-max | glm-5.1 | kimi-k2.6 | mimo-v2.6-flash | deepseek-v4-pro | glm-5 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Gemini 4 Argon (High) de pago | 0.56 | 0.58 | 0.59 | 0.59 | 0.59 | 0.60 | 0.60 | 0.60 | 0.61 | 0.61 | 0.61 | 0.62 | |
| mimo-v2.6-pro | 0.44 | 0.52 | 0.53 | 0.53 | 0.53 | 0.54 | 0.54 | 0.54 | 0.55 | 0.55 | 0.56 | 0.56 | |
| Kimi K3 (Max) | 0.42 | 0.48 | 0.51 | 0.51 | 0.51 | 0.51 | 0.52 | 0.52 | 0.53 | 0.53 | 0.53 | 0.54 | |
| glm-5.3-max | 0.41 | 0.47 | 0.49 | 0.50 | 0.50 | 0.51 | 0.51 | 0.51 | 0.52 | 0.52 | 0.53 | 0.54 | |
| glm-5.3-flash | 0.41 | 0.47 | 0.49 | 0.50 | 0.50 | 0.51 | 0.51 | 0.51 | 0.52 | 0.52 | 0.53 | 0.54 | |
| glm-5.2-max | 0.41 | 0.47 | 0.49 | 0.50 | 0.50 | 0.51 | 0.51 | 0.51 | 0.52 | 0.52 | 0.53 | 0.53 | |
| mimo-v2.5-pro | 0.40 | 0.46 | 0.49 | 0.49 | 0.49 | 0.49 | 0.50 | 0.50 | 0.51 | 0.51 | 0.52 | 0.53 | |
| deepseek-v4.1-flash-max | 0.40 | 0.46 | 0.48 | 0.49 | 0.49 | 0.49 | 0.50 | 0.50 | 0.51 | 0.51 | 0.52 | 0.52 | |
| glm-5.1 | 0.40 | 0.46 | 0.48 | 0.49 | 0.49 | 0.49 | 0.50 | 0.50 | 0.51 | 0.51 | 0.52 | 0.52 | |
| kimi-k2.6 | 0.39 | 0.45 | 0.47 | 0.48 | 0.48 | 0.48 | 0.49 | 0.49 | 0.49 | 0.50 | 0.51 | 0.51 | |
| mimo-v2.6-flash | 0.39 | 0.45 | 0.47 | 0.48 | 0.48 | 0.48 | 0.49 | 0.49 | 0.49 | 0.50 | 0.51 | 0.51 | |
| deepseek-v4-pro | 0.39 | 0.44 | 0.47 | 0.47 | 0.47 | 0.47 | 0.48 | 0.48 | 0.48 | 0.49 | 0.49 | 0.51 | |
| glm-5 | 0.38 | 0.44 | 0.46 | 0.46 | 0.46 | 0.47 | 0.47 | 0.48 | 0.48 | 0.49 | 0.49 | 0.49 |
Cada celda: con qué frecuencia se espera que el modelo de la fila gane al de la columna, según sus puntuaciones de Arena (1 / (1 + 10^((B − A) / 400)), la fórmula Elo en la que se basan las valoraciones de Arena). Arena no publica todos los enfrentamientos, así que son tasas esperadas, no contadas.
Qué muestra · Cómo leerlo
Qué muestra. Para cada pareja de los mejores modelos, con qué frecuencia se espera que el de la fila gane al de la columna en una votación a ciegas.
Cómo leerlo. Lee cada fila de izquierda a derecha: las celdas azules son enfrentamientos que ese modelo suele ganar y las rojas, los que suele perder. 0.50 es un cara o cruz; 0.60 significa que gana 6 de cada 10 veces.
Modelos pequeños, aún sin votos en Arena
Modelos oficiales de las páginas de Hugging Face de los laboratorios, de 0.5 a 16 mil millones de parámetros. Arena no los ha votado, así que se ordenan por descargas, que indican popularidad, no calidad. Funcionan con entre 4 y 12 GB de memoria de GPU.
| Modelo | Descargas/mes | Tamaño | Ejecútalo en casa |
|---|---|---|---|
| Qwen3-0.6B Qwen |
28.6M | 0.8 B | ~3 GB a 4 bits · simular |
| Qwen3-4B Qwen |
11.7M | 4 B | ~5 GB a 4 bits · simular |
| Qwen3-8B Qwen |
8.8M | 8.2 B | ~7 GB a 4 bits · simular |
| Qwen3-14B Qwen |
8.7M | 14.8 B | ~12 GB a 4 bits · simular |
| Qwen3.5-4B Qwen |
7.8M | 4.7 B | ~5 GB a 4 bits · simular |
| Qwen3.5-9B Qwen |
7.3M | 9.7 B | ~8 GB a 4 bits · simular |
| NVIDIA-Nemotron-3-Nano-4B-BF16 nvidia |
1.7M | 4 B | ~5 GB a 4 bits · simular |
| SmolVLM2-500M-Video-Instruct HuggingFaceTB |
1.4M | 0.5 B | ~2 GB a 4 bits · simular |
| gemma-3-1b-it google · licencia que hay que aceptar |
1.4M | 1 B | ~3 GB a 4 bits · simular |
| MiniCPM5-2B openbmb |
1.3M | 2.5 B | ~4 GB a 4 bits · simular |
| DeepSeek-R1-Distill-Qwen-1.5B deepseek-ai |
1.3M | 1.8 B | ~3 GB a 4 bits · simular |
| gemma-3-4b-it google · licencia que hay que aceptar |
1.1M | 4.3 B | ~5 GB a 4 bits · simular |
| SmolLM3-3B HuggingFaceTB |
748K | 3.1 B | ~4 GB a 4 bits · simular |
| granite-4.1-3b ibm-granite |
636K | 3.4 B | ~4 GB a 4 bits · simular |
| Apertus-v1.5-8B swiss-ai · licencia que hay que aceptar |
493K | 8.9 B | ~8 GB a 4 bits · simular |
| Olmo-3-7B-Think allenai |
490K | 7.3 B | ~7 GB a 4 bits · simular |
| Apertus-8B-Instruct-2509 swiss-ai |
432K | 8.1 B | ~7 GB a 4 bits · simular |
| DeepSeek-R1-0528-Qwen3-8B deepseek-ai |
426K | 8.2 B | ~7 GB a 4 bits · simular |
| DeepSeek-R1-Distill-Qwen-7B deepseek-ai |
386K | 7.6 B | ~7 GB a 4 bits · simular |
| Olmo-3-7B-Instruct allenai |
384K | 7.3 B | ~7 GB a 4 bits · simular |
Cargando la clasificación de Programación…
Cargando la clasificación de Visión…
Cargando la clasificación de Imagen…
Cargando la clasificación de Vídeo…
Cargando la clasificación de Edición de imagen…
Cargando la clasificación de Documentos…
Cargando la clasificación de Búsqueda…
Cargando la clasificación de Imagen a vídeo…
Cargando la clasificación de Edición de vídeo…
Cargando la clasificación de Agentes…
Nuevos, esperando votos de Arena
Publicados en los últimos 60 días en las páginas oficiales de los laboratorios en Hugging Face, o modelos gratis nuevos en OpenRouter, que Arena aún no ha votado. Lo revisamos cada noche; cuando Arena vota, el modelo pasa a la clasificación de arriba.
| Lanzado | Modelo | Tipo | Tamaño | Necesita a 4 bits | Úsalo gratis |
|---|---|---|---|---|---|
| 17 oct 2026 | DeepSeek-V4.1-Flash-1017 deepseek-ai |
Chat, Visión | 763.2 B 228.1 B activos |
511 GB | Descargar |
| 16 oct 2026 | NVIDIA-Nemotron-Labs-Dory1.0-4B-BF16 nvidia |
Chat | 4 B | 5 GB | Descargar |
| 15 oct 2026 | Hy-Memory-30B-A3B tencent |
Chat | 30.1 B 3 B activos |
22 GB | Descargar |
| 14 oct 2026 | UserRepGen-4B microsoft |
Chat | 4.5 B | 5 GB | Descargar |
| 14 oct 2026 | granite-switch-4.1-8b ibm-granite |
Chat | 8.8 B | 8 GB | Descargar |
| 14 oct 2026 | granite-switch-4.1-30b ibm-granite |
Chat | 30 B | 22 GB | Descargar |
| 14 oct 2026 | flux-3-image-klein-pup black-forest-labs |
Imagen | 9.4 B | 8 GB | Descargar |
| 13 oct 2026 | Ling-3.1-flash inclusionAI |
Chat | 572.1 B 33.1 B activos |
383 GB | Descargar |
| 13 oct 2026 | flux-3-image-klein black-forest-labs |
Edición de imagen | 5.5 B | 6 GB | Descargar |
| 12 oct 2026 | NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16 nvidia |
Chat, Visión | 124.5 B 12 B activos |
85 GB | API gratuita · pruébalaDescargar |
| 12 oct 2026 | LFM2.5-24B-A2B LiquidAI |
Chat | 24 B 2 B activos |
18 GB | Descargar |
| 9 oct 2026 | NVIDIA-Nemotron-3.5-Bolt-74B-A9B-BF16 nvidia |
Chat, Visión | 74.9 B 9 B activos |
52 GB | Descargar |
| 7 oct 2026 | NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB nvidia |
Chat, Visión | 22.4 B 9 B activos |
17 GB | Descargar |
| 7 oct 2026 | MiniCPM-V-4.7-35B-A3B openbmb |
Chat, Visión | 35.2 B 3 B activos |
25 GB | Descargar |
| 5 oct 2026 | d1-omni-600M LiquidAI |
Chat, Visión | 0.6 B | 2 GB | Descargar |
| 5 oct 2026 | d1-3B LiquidAI |
Chat, Visión | 3.1 B | 4 GB | Descargar |
| 29 sep 2026 | AesCode-32B microsoft |
Chat, Visión, Programación | 33.4 B | 24 GB | Descargar |
| 29 sep 2026 | AesCode-8B microsoft |
Chat, Visión, Programación | 8.8 B | 8 GB | Descargar |
| 17 sep 2026 | Ming-Image-0.1-Design inclusionAI |
Imagen | 6.2 B | 6 GB | Descargar |
| 9 sep 2026 | Kandinsky-6.0-Lite-distill-5s-Diffusers kandinskylab |
Vídeo | 3.2 B | 4 GB | Descargar |
| 9 sep 2026 | Kandinsky-6.0-Pro-distill-5s-Diffusers kandinskylab |
Vídeo | 30.1 B | 22 GB | Descargar |
| 2 sep 2026 | tiny-aya-l2-thinker CohereLabs |
Chat | 3.4 B | 4 GB | Descargar |
| 27 ago 2026 | Qwen-Drive-1.0-4B Qwen |
Chat, Visión | 4.5 B | 5 GB | Descargar |
| 27 ago 2026 | ContextPilot-14B tencent |
Chat | 14.8 B | 12 GB | Descargar |
| 26 ago 2026 | Bolmo-1B-Stage1 allenai |
Chat | 1.5 B | 3 GB | Descargar |
| API gratuita | XingChen: Xing4.0 29B A4B xingchen-agi |
Chat | — | — | API gratuita · pruébala |
| API gratuita | Dots Studio: Dots3-Note Preview dots-studio |
Chat | — | — | API gratuita · pruébala |
| API gratuita | LiquidAI: LFM2.5-2.6B liquid |
Chat | — | — | API gratuita · pruébala |
| API gratuita | NVIDIA: Nemotron 3.5 Lightning nvidia |
Chat | — | — | API gratuita · pruébala |
| API gratuita | Poolside: Laguna S 2.1 poolside |
Chat | — | — | API gratuita · pruébala |
| API gratuita | Poolside: Laguna XS 2.1 poolside |
Chat | — | — | API gratuita · pruébala |
| API gratuita | Cohere: North Mini Code cohere |
Chat | — | — | API gratuita · pruébala |
| API gratuita | NVIDIA: Nemotron 3 Ultra nvidia |
Chat | — | — | API gratuita · pruébala |
| API gratuita | NVIDIA: Nemotron 3 Nano Omni nvidia |
Chat | — | — | API gratuita · pruébala |
| API gratuita | NVIDIA: Nemotron 3 Super nvidia |
Chat | — | — | API gratuita · pruébala |
Preguntas frecuentes
¿Qué pasa con los modelos recién lanzados?
Arena tarda unos días o semanas en reunir suficientes votos. Mientras tanto, los modelos nuevos de las páginas oficiales de los laboratorios aparecen en «Nuevos, esperando votos de Arena», con su tamaño, la memoria que necesitan y su velocidad. Cuando Arena los vota, pasan a la clasificación automáticamente.
¿Qué se considera un modelo gratis?
Un modelo de pesos abiertos que puedes descargar y ejecutar tú mismo, o un modelo que puedes usar hoy mediante una API gratuita (revisamos OpenRouter cada noche). Los modelos solo de pago quedan fuera de las clasificaciones, pero mostramos la mejor puntuación de pago como línea de referencia.
¿De dónde salen las puntuaciones?
De Arena (antes LMSYS Chatbot Arena), donde la gente compara dos respuestas anónimas y vota por la mejor. Arena publica su clasificación como conjunto de datos abierto con licencia CC BY 4.0; nosotros la filtramos a los modelos gratis. No estamos afiliados a Arena.
¿Con qué frecuencia se actualiza?
Cada noche. Una tarea programada descarga los últimos datos de Arena, la lista de modelos gratis de OpenRouter y los tamaños de los modelos de Hugging Face, y luego reconstruye todo el sitio, incluido el informe semanal del blog.
¿Puedo ejecutar estos modelos en mi ordenador?
Los modelos abiertos, sí, si caben en la memoria de tu GPU. La página Ejecútalo en casa estima la memoria y la velocidad para tu tarjeta exacta, de una a diez tarjetas, con la arquitectura real de cada modelo.
¿Por qué los modelos pequeños no tienen puntuación?
Arena vota sobre todo modelos grandes. Los modelos pequeños más populares de las páginas oficiales de los laboratorios en Hugging Face los listamos aparte y los marcamos como «Sin votos en Arena», para que aun así encuentres algo que funcione en una tarjeta de 4 a 12 GB.
Comparte esta página:XLinkedInRedditWhatsApp
¿Has visto un número incorrecto o un enlace roto? Avísanos del error