{"meta":{"title":"Comparación de modelos de IA mediante diferentes tareas","intro":"Explora ejemplos reales de tareas comunes para desarrolladores junto con mensajes de ejemplo, respuestas e instrucciones para ayudarte a elegir el modelo de inteligencia artificial adecuado para tu flujo de trabajo.","product":"GitHub Copilot","breadcrumbs":[{"href":"/es/enterprise-cloud@latest/copilot","title":"GitHub Copilot"},{"href":"/es/enterprise-cloud@latest/copilot/tutorials","title":"Tutoriales"},{"href":"/es/enterprise-cloud@latest/copilot/tutorials/compare-ai-models","title":"Comparación de modelos de inteligencia artificial"}],"documentType":"article"},"body":"# Comparación de modelos de IA mediante diferentes tareas\n\nExplora ejemplos reales de tareas comunes para desarrolladores junto con mensajes de ejemplo, respuestas e instrucciones para ayudarte a elegir el modelo de inteligencia artificial adecuado para tu flujo de trabajo.\n\n## Información general\n\nCada modelo de inteligencia artificial admitido en Copilot Chat tiene diferentes fortalezas. Para ayudarte a decidir qué modelo usar, en este artículo se proporcionan ejemplos reales de tareas comunes para desarrolladores junto con mensajes de ejemplo, respuestas e instrucciones sobre por qué un modelo determinado es una buena opción.\n\nEn estos ejemplos se muestra cómo los modelos varían en su estilo de razonamiento, profundidad de respuesta y capacidad para controlar la entrada visual. Úsalos para comparar la calidad de salida y elegir el modelo adecuado para tu flujo de trabajo específico.\n\nPara obtener una lista completa de los modelos admitidos y comparaciones de características en paralelo, consulta [Comparación de modelos de IA](/es/enterprise-cloud@latest/copilot/reference/ai-models/model-comparison).\n\n## GPT-4.1\n\nGPT-4.1 es una opción adecuada para tareas de desarrollo comunes que se benefician de la velocidad, la capacidad de respuesta y el razonamiento de uso general. Si trabajas en tareas que necesitan un amplio conocimiento, iteración rápida o comprensión básica del código, probablemente GPT-4.1 sea el modelo que debes usar.\n\n### Escenario de ejemplo\n\nConsidere un escenario en el que está escribiendo funciones auxiliares para access control en un servicio de Python. Quieres agregar docstrings para aclarar el propósito de la función.\n\nA continuación se muestra la función auxiliar que concede al editor access a un documento:\n\n```python id=grant-editor-access\ndef grant_editor_access(user_id, doc_id):\n    access = AccessManager()\n    access.assign_role(\n        resource_type=\"document\",\n        resource_id=doc_id,\n        role=\"editor\",\n        user_id=user_id\n    )\n```\n\n### Ejemplos de indicaciones\n\n```copilot prompt copy ref=grant-editor-access\nAdd a docstring to the function that explains what it does.\n```\n\n### Respuesta de ejemplo\n\n> \\[!NOTE] La respuesta siguiente es un ejemplo. Las respuestas de Copilot Chat no son deterministas, por lo que puedes obtener una respuesta diferente a la aquí mostrada.\n\n```python\ndef grant_editor_access(user_id, doc_id):\n    \"\"\"\n    Grants editor access to a specific document for a given user.\n\n    This function uses the AccessManager to assign the \"editor\" role\n    to the specified user for the provided document ID.\n\n    Args:\n        user_id (str): The ID of the user to grant access to.\n        doc_id (str): The ID of the document to which access is being granted.\n    \"\"\"\n    access = AccessManager()\n    access.assign_role(\n        resource_type=\"document\",\n        resource_id=doc_id,\n        role=\"editor\",\n        user_id=user_id\n    )\n```\n\n### ¿Por qué GPT-4.1 es una buena opción?\n\n* La función es corta e independiente, lo que lo convierte en ideal para la generación rápida de docstring.\n* GPT-4.1 puede reconocer el patrón y proporcionar una explicación clara y concisa.\n* La tarea no necesita un razonamiento profundo ni una lógica compleja.\n\n## GPT-5 mini\n\nOpenAI GPT-5 mini es un modelo rápido y rentable diseñado para tareas de codificación sencillas o repetitivas. Ofrece respuestas confiables y concisas con una latencia muy baja, lo que lo convierte en ideal para sugerencias en tiempo real y flujos de trabajo de desarrollo ligeros.\nGPT-5 mini está optimizado para velocidad y capacidad de respuesta, por lo que puede iterar rápidamente en pequeños cambios de código o obtener comentarios instantáneos sobre mensajes sencillos.\n\n### Escenario de ejemplo\n\nImagina que vas a crear un script de utilidad y necesitas filtrar una lista de registros de usuario para incluir solo usuarios activos, ordenados por su fecha de registro. La tarea es sencilla y no necesita razonamiento profundo o lógica de varios pasos.\n\nEsta es una lista de usuarios de ejemplo:\n\n```python id=user-list\nusers = [\n    {\"name\": \"Alice\", \"active\": True, \"signup_date\": \"2023-12-10\"},\n    {\"name\": \"Bob\", \"active\": False, \"signup_date\": \"2023-11-05\"},\n    {\"name\": \"Charlie\", \"active\": True, \"signup_date\": \"2024-01-15\"}\n]\n```\n\n### Ejemplos de indicaciones\n\n```copilot prompt copy ref=user-list\nFilter the list of users to only include active users, and sort them by signup_date.\n```\n\n### Respuesta de ejemplo\n\n> \\[!NOTE] La respuesta siguiente es un ejemplo. Las respuestas de Copilot Chat no son deterministas, por lo que puedes obtener una respuesta diferente a la aquí mostrada.\n\n```python\n# Filter to only include active users\nactive_users = [user for user in users if user[\"active\"]]\n\n# Sort active users by signup_date\nactive_users_sorted = sorted(active_users, key=lambda user: user[\"signup_date\"])\n\nprint(active_users_sorted)\n```\n\n### ¿Por qué GPT-5 mini es una buena opción?\n\n* La tarea es sencilla y se beneficia de respuestas rápidas y de baja latencia.\n* GPT-5 mini está optimizado para costo y velocidad, lo que lo convierte en ideal para ediciones rápidas, creación de prototipos y código de utilidad.\n* Usa este modelo cuando quieras respuestas confiables para preguntas de programación sencillas sin esperar una profundidad innecesaria.\n\n## GPT-5.2\n\nGPT-5.2 admite la entrada de imágenes para que los desarrolladores puedan incorporar contexto visual a tareas como inspección de la interfaz de usuario, análisis de diagramas o depuración de diseño. Esto hace que GPT-5.2 especialmente útil para escenarios en los que la entrada basada en imágenes mejore la resolución de problemas, como preguntar Copilot para analizar una captura de pantalla de la interfaz de usuario para problemas de accesibilidad o para ayudar a comprender un error visual en un diseño.\n\n### Escenario de ejemplo\n\nVas a diseñar un sistema de carro de la compra y tienes un diagrama de clases UML en el que se describen las relaciones entre `Cart`, `Product`, `User` y `Order`. En lugar de escribir el sistema desde cero, quiere cargar la imagen del diagrama y pedir Copilot que genere las clases.\n\n![Recorte de pantalla de un diagrama UML del carro de la compra, en el que se muestran los detalles de las clases Cart, Product, User y Order.](/assets/images/help/copilot/shopping-cart-uml.png)\n\n### Ejemplos de indicaciones\n\n```copilot copy\nUse this UML diagram to generate the classes for a shopping cart system.\n```\n\n### Respuesta de ejemplo\n\n> \\[!NOTE] La respuesta siguiente es un ejemplo. Las respuestas de Copilot Chat no son deterministas, por lo que puedes obtener una respuesta diferente a la aquí mostrada.\n\nCopilot generará una clase para cada una de las clases del diagrama, incluidas las relaciones entre ellas. Este es el código de ejemplo generado para la clase `Cart`:\n\n```python\nfrom cart_item import CartItem\nfrom order import Order\n\nclass Cart:\n    def __init__(self, cart_id, user_id):\n        self.cart_id = cart_id\n        self.user_id = user_id\n        self.items = []\n\n    def add_item(self, item):\n        self.items.append(item)\n\n    def remove_item(self, item):\n        self.items = [i for i in self.items if i != item]\n\n    def calculate_total(self):\n        return sum(item.quantity * item.product.price for item in self.items)\n\n    def place_order(self):\n        # Implementation for placing an order\n        return Order(\"\", None, 0)\n```\n\n### ¿Por qué GPT-5.2 es una buena opción?\n\n* Puede interpretar recursos visuales, como diagramas UML, marcos de pantalla o diagramas de flujo, para generar esqueleto de código o sugerir arquitectura de software.\n* Puede ser útil para revisar recortes de pantalla de diseños de interfaz de usuario o diseños de formulario y generar.\n\n## Claude Haiku 4.5\n\nClaude Haiku 4.5 es una buena opción para el apoyo diario a la codificación, como la redacción de documentación, la respuesta a preguntas específicas del lenguaje o la generación de código repetitivo. Ofrece respuestas útiles y directas sin complicar la tarea en exceso. Si trabaja dentro de restricciones de costos, se recomienda Claude Haiku 4.5 ya que ofrece un rendimiento sólido en muchas de las mismas tareas que Claude Sonnet 4.5, pero con un uso de recursos inferior.\n\n### Escenario de ejemplo\n\nImagina un escenario en el que vas a implementar pruebas unitarias y de integración para una aplicación. Quieres asegurarte de que las pruebas sean completas y cubren los casos perimetrales en los que puedas haber pensado y no.\n\nPara ver un tutorial completo del escenario, consulte [Escritura de pruebas con GitHub Copilot](/es/enterprise-cloud@latest/copilot/tutorials/write-tests).\n\n### ¿Por qué Claude Haiku 4.5 es una buena opción?\n\n* Funciona bien en tareas diarias de programación como generación de pruebas, estructuras estándar, y lógica de validación.\n* La tarea se inclina hacia el razonamiento de varios pasos, pero sigue dentro de la zona de confianza de un modelo menos avanzado porque la lógica no es demasiado profunda.\n\n## Claude Sonnet 4.5\n\nClaude Sonnet 4.5 se destaca en todo el ciclo de vida del desarrollo de software, desde el diseño inicial hasta las correcciones de errores, el mantenimiento y las optimizaciones. Es especialmente adecuado para la refactorización de varios archivos o la planificación arquitectónica, donde es importante comprender el contexto entre componentes.\n\n### Escenario de ejemplo\n\nImagina un escenario en el que vas a modernizar una aplicación COBOL heredada y reescribirla en Node.js. El project implica comprender el código fuente desconocido, convertir la lógica entre lenguajes, compilar de forma iterativa el reemplazo y comprobar la corrección a través de un conjunto de pruebas.\n\nPara ver un tutorial completo del escenario, consulte [Modernización del código heredado con GitHub Copilot](/es/enterprise-cloud@latest/copilot/tutorials/modernize-legacy-code).\n\n### ¿Por qué Claude Sonnet 4.5 es una buena opción?\n\n* Claude Sonnet 4.5 controla bien el contexto complejo, lo que resulta adecuado para los flujos de trabajo que abarcan varios archivos o lenguajes.\n* Su arquitectura de razonamiento híbrida le permite cambiar entre respuestas rápidas y una solución de problemas paso a paso más profunda.\n\n## Información adicional\n\n* [Comparación de modelos de IA](/es/enterprise-cloud@latest/copilot/reference/ai-models/model-comparison)\n* [Recetario de GitHub Copilot](/es/enterprise-cloud@latest/copilot/tutorials/copilot-cookbook)"}