AIKIDO ARENA
Evaluaciones comparativas de modelos de IA para ciberseguridad
Consulta los mejores modelos para ciberseguridad. Evaluamos modelos avanzados frente a vulnerabilidades en software del mundo real. Se actualiza a medida que se lanzan nuevos modelos.
Registro de cambios
Noviembre 12, 2026
- Se han añadido los resultados del experimento «Gemini 4 Argon»
- Se constató que 28 de las 32 vulnerabilidades superaron la prueba «pass@3», lo que lo sitúa a la par con DeepSeek V4.1 Flash 1017 y a una de distancia de GPT-6 Astra.
- En una sola ejecución se obtuvo una media del 82,3 %; al combinar tres, se alcanzó el 87,5 %.
- Obtuvo una precisión del 93 %.
- A 59,59 dólares por cada CVE detectada, cuesta menos de la mitad que GPT-6 Astra (135,23 dólares).
- Se han añadido los resultados de Gemini 3.8 Flash Cyber
- Se constató que 25 de las 32 vulnerabilidades superaron la prueba «pass@3», lo que las sitúa a la par con el Xiaomi MiMo 2.6 Pro, el GLM-5.3 y el GPT-5.6 Sol.
- En una sola ejecución se obtuvo una media del 65,6 %; al combinar tres, se alcanzó el 78,1 %.
- Obtuvo una precisión del 80,4 %, la más baja de todos los modelos de la tabla.
- A 37,14 dólares por cada vulnerabilidad detectada, sale más caro que el Xiaomi MiMo 2.6 Pro (11,79 dólares) y el GLM-5.3 (19,65 dólares), que detectaron el mismo número.
- Muse Wonder 1.0, Kimi K3 y Qwen3.8 Max (retirados)
Octubre 28, 2026
- GPT-5.6 Terra (retirado), Grok 4.6, DeepSeek V4 Pro 0813, DeepSeek V4 Flash 0731, GLM-5.3 Flash y Claude Haiku 5.5
Octubre 27, 2026
- Se han añadido los resultados de DeepSeek V4.1 Flash 1017, que sustituyen a la instantánea 0910.
- Detectó que 28 de las 32 vulnerabilidades superaban el nivel 3, igualando a DeepSeek V4 Pro 0813 y quedando a una de distancia de GPT-6 Astra.
- Obtuvo una precisión del 86,4 %, lo que supone un aumento respecto al 78,9 % de la instantánea 0910 y el valor más alto de todos los modelos de DeepSeek de la tabla.
- En una sola ejecución se obtuvo una media del 70,8 %; al combinar tres, se alcanzó el 87,5 %.
- Con 2,40 dólares por cada CVE detectada, empata con Claude Haiku 5.5 y solo queda por detrás de GPT-6 Luna (2,01 dólares).
- Se han añadido los resultados de MiniMax M3.1 Flash
- Detectó que 24 de 32 vulnerabilidades superaban el nivel 3, frente a las 28 de 32 de DeepSeek V4.1 Flash 1017.
- Una ejecución alcanzó una media del 59,4 %, frente al 70,8 % de DeepSeek V4.1 Flash 1017; al combinar las tres, se alcanzó el 75 %.
- Obtuvo una precisión del 80,5 %, lo que supone una tasa de falsos positivos aproximadamente un 40 % superior a la de DeepSeek V4.1 Flash 1017.
- A 4,20 dólares por cada CVE detectada, el coste es bastante superior al de DeepSeek V4.1 Flash 1017 (2,40 dólares).
- Detectó un error de deserialización en spring-kafka en las tres ejecuciones, que Opus 5 y Qwen 3.8 Max no detectaron en ninguna de ellas.
- En los rastros, compara los permisos entre los terminales vecinos y comprueba qué acceso necesitaría ya un atacante, lo que evita que los informes contengan información irrelevante.
- También puede quedarse atascado en bucles de razonamiento; una investigación generó más de un millón de caracteres de razonamiento.
- Funciona bastante bien, pero, comparado con las alternativas actuales, no lo recomendaríamos para tareas de ciberseguridad.
- DeepSeek V4.1 Flash (0910) retirado
Octubre 13, 2026
- Se han añadido los resultados de Muse Wonder 1.0
- Se constató que 26 de las 32 vulnerabilidades superaban el nivel 3, el mismo número que Opus 5 y Grok 4.6.
- En una sola ejecución se obtuvo una media del 57,3 %; al combinar tres ejecuciones, se alcanzó el 81,3 %. Solo aparecieron 12 CVE en las tres ejecuciones, por lo que da mejores resultados cuando se ejecuta tres veces.
- Obtuvo una precisión del 80,8 %, solo superada por los modelos DeepSeek de la tabla. Los informes menos rigurosos daban por hecho que un atacante podría acceder al fallo o que el código posterior lo utilizaría de forma indebida, sin comprobar ninguna de las dos cosas.
- Descarta las teorías que no se sostienen. En una de las pistas, sospechó que faltaba una comprobación de titularidad, siguió a todas las personas que llamaron, comprobó que cada una de ellas estaba protegida y desistió tras 27 intentos.
- A 71,75 dólares por CVE detectado, sale más caro que Opus 5 (64,96 dólares). Solo el 41,3 % de sus datos de entrada procedía de la caché, frente al 79,5 % y el 91,1 % de los modelos GPT y Haiku que hemos analizado, por lo que se facturan muchos más tokens a precio completo.
Octubre 8, 2026
- Se han añadido los resultados de Claude Haiku 5.5
- Detectó que 17 de 32 vulnerabilidades superaban el nivel 3, igualando a GPT-6 Luna. Todas las CVE que detectó, Opus 5 también las detectó.
- Obtuvo una precisión del 94 %, superior al 87 % de Opus 5.
- Una ejecución alcanzó una media del 36,5 %; al combinar tres, se llegó al 53,1 %. Solo se detectaron 6 CVE en las tres ejecuciones, la cifra más baja de todos los modelos de la clasificación, por lo que realizar ejecuciones adicionales resulta más rentable para Haiku que para cualquier otro modelo que hayamos probado.
- A 2,40 dólares por CVE detectado, es el tercer modelo más barato de la tabla, por detrás de GPT-6 Luna y DeepSeek V4.1 Flash. Opus 5 cuesta 64,96 dólares por CVE detectado.
Octubre 2, 2026
- Se añadieron los resultados de Xiaomi MiMo 2.6 Pro
- Encontró 25/32 vulnerabilidades en pass@3, igualando a GPT-6.1 Sol, Kimi K3 y GLM 5.3, y situándose a solo una de Opus 5
- Obtuvo un 88 % de precisión, superando a todos los modelos Qwen y DeepSeek
- Una ejecución alcanzó un 64,6 % de media; al combinar tres, llegó al 78,1 %
- Todo ello por solo 11,79 $ por CVE encontrada
Septiembre 29, 2026
- Se añadieron los resultados de Grok 4.7
- 4.7 encontró 3 vulnerabilidades que 4.6 pasó por alto en todas las ocasiones, mientras que 4.6 encontró 2 que 4.7 pasó por alto. El equilibrio se encuentra en la repetibilidad. 4.7 encontró 18/32 en las tres ejecuciones, frente a las 21/32 de 4.6. Mayor alcance a cambio de un poco menos de consistencia.
- Se añadieron los resultados de GPT-6 Luna y GPT-6 Sol
- ¡Ejecutamos GPT-6 Luna y Sol en nuestra prueba comparativa de ciberseguridad de 32 CVE y los resultados fueron inesperados! Luna redescubrió el 53,1 %. Sol alcanzó el 68,8 %.
- Ninguno superó a las variantes de GPT-5.6 en exhaustividad. Pero ambos se abarataron MUCHO por vulnerabilidad encontrada: Luna de 3,43 $ a 2,01 $/CVE y Sol de 56,88 $ a 34,18 $/CVE.
Septiembre 11, 2026
- Se añadieron los resultados de GPT-6 Astra y GLM-5.3 Flash.
Un modelo potente es solo el principio.
El entorno de pruebas de Aikido convierte el razonamiento en hallazgos de seguridad de gran calidad en toda tu aplicación, ya sea mediante Code Security Audit analizando tu código fuente o Aikido Attack probando tu aplicación en ejecución.
Colaboradores
Consigue seguridad hoy mismo,
de forma rápida y gratuita.
Protege tu código, cloud y runtime en un sistema centralizado. Conecta un repositorio para descubrir lo que los agentes de razonamiento encuentran en tu código.
No se requiere tarjeta de crédito | Resultados del análisis en 32 segundos.
Con la confianza de más de 150k organizaciones




