Saltar al contenido Saltar al contenido
Flockbay

El mejor LLM para Godot

Doce de 28 modelos de IA superaron a la primera las 15 tareas verificadas de programación en Godot 4 de Flockbay, con cada archivo ejecutado en modo headless en el Godot 4.7.2 oficial: Claude Opus 5.5, Claude Sonnet 5.5 y GPT-6.1 Sol como agentes de programación el 6 de octubre de 2026, y DeepSeek V4.1 Flash, Ember-1, Gemini 3.1 Pro Preview, Muse Wonder, Kimi K3, GPT-5.6 Luna, GPT-6 Luna, Hy4 preview y Pareto 26.10 mediante su API el 18 de octubre. En las builds de juego, Opus 5.5 quedó por delante de GPT-6.1 Sol en tres de cinco y costó de 3 a 11.5 veces más a precios de API: Opus para los sistemas más difíciles, Sol para el trabajo diario en Godot. Flockbay los ejecuta con tu propio Claude o ChatGPT, o con su IA alojada si no tienes ninguno de los dos, gratis para tu primera versión jugable.

Por Eduardo Orellana · Publicado el 2026-09-28 · Guides

Read this page in English

Doce de 28 modelos superaron a la primera las 15 tareas de Godot 4

Cada uno de los doce que superaron las 15 a la primera tiene una página del benchmark con cada tarea, el GDScript que escribió y lo que imprimió Godot: Claude Opus 5.5, Claude Sonnet 5.5, GPT-6.1 Sol, DeepSeek V4.1 Flash, Ember-1, Gemini 3.1 Pro Preview, Muse Wonder, Kimi K3, GPT-5.6 Luna, GPT-6 Luna, Hy4 preview y Pareto 26.10. Cuatro de los 28 se ejecutaron el 6 de octubre de 2026 como agentes de programación, con permiso para leer y escribir archivos y nada más: Claude Code para los tres modelos de Claude, Codex para GPT-6.1 Sol. Los otros 24 se ejecutaron el 18 de octubre mediante su API, sin herramientas y con una solicitud por intento, como Flockbay accede a sus modelos alojados.

Los agentes no tuvieron una ventaja clara en estas tareas. Claude Opus 5.5, Claude Sonnet 5.5 y GPT-6.1 Sol obtuvieron 15 de 15, igual que nueve modelos consultados sin herramientas, y Claude Haiku 4.5 como agente obtuvo 11. El precio tampoco los ordenó: tres de los cinco modelos alojados más baratos que se midieron, según su tasa de uso en Flockbay, superaron las 15: DeepSeek V4.1 Flash, GPT-6 Luna y GPT-5.6 Luna. Claude Haiku 5.5, MiMo-V2.6-Pro-UltraSpeed y GLM 5.2 superaron 14, y luego las 15 tras una corrección. Las diferencias están abajo: cinco modelos fallaron cuatro tareas o más a la primera y Nova 2 Lite superó dos.

Cada tarea pide un archivo GDScript con una API indicada, en un proyecto de Godot nuevo: mover un CharacterBody2D con una acción de entrada, guardar un diccionario como JSON, pintar celdas en un TileMapLayer, lanzar un rayo de física, encontrar un camino en una cuadrícula rodeando paredes, esperar una señal o un tiempo límite. Una escena de comprobación carga el archivo y lo ejecuta en modo headless en el Godot 4.7.2 oficial a 60 fotogramas por segundo fijos. Pulsa acciones de entrada, avanza la física paso a paso, espera temporizadores y señales, y compara lo que pasó con lo que pedía la tarea. Una tarea que falla recibe una vez la salida de la comprobación y una oportunidad de corregir el archivo.

Cada tarea toca una API que cambió entre Godot 3 y Godot 4, o que llegó después: move_and_slide, FileAccess, señales, tweens, nodos Timer, PackedScene, TileMapLayer, consultas de rayos, AStarGrid2D, AnimationLibrary y lambdas. Las 15 tareas, sus comprobaciones y el ejecutor son de código abierto bajo MIT en github.com/flockbay/godot-llm-bench, así que cualquier modelo se puede medir con las mismas pruebas.

Lo que hace fallar a los modelos es la sincronización, no la sintaxis

En 2024, la queja habitual sobre la IA y Godot era que los modelos escribían Godot 3: yield en vez de await, KinematicBody2D en vez de CharacterBody2D, export var en vez de @export. En estos 28 modelos eso prácticamente ha desaparecido. Sin contar Nova 2 Lite, la tarea que más falló a la primera fue esperar una señal o un tiempo límite, lo que ocurra primero: 13 de los otros 27 se equivocaron. Cinco devolvieron false para una señal que llegaba en 0.2 segundos con un tiempo límite de 1 segundo, cuatro nunca terminaron dentro de 10 segundos de tiempo de juego y cuatro dieron un error de parseo.

Después vino crear y reproducir una animación desde código, con 10 fallos, todos con el mismo error: el sprite seguía visible en cada muestra, así que nunca parpadeó. Buscar un camino en una cuadrícula rodeando paredes falló 6 veces, una de ellas porque GDScript rechazó una lambda independiente. La salud con señales falló 3 veces, dos de ellas por emitir died dos veces. Los hábitos de Godot 3 ahora son los fallos raros, y son los que cubren las respuestas de Godot 4: FileAccess.MODE_WRITE, que no existe, JSON.parse() llamado como función estática y una declaración := cuyo tipo se infiere a partir de un Variant.

Esto cambia en qué debes fijarte cuando una IA escribe código para Godot. Revisa la sincronización: awaits, timers, señales que pueden activarse dos veces y pistas de animación. Ahí es donde un script que parece correcto puede hacer algo mal sin mostrar ningún error.

Tres modelos superaron las 15 tareas de Godot 4 como agentes de programación, y Haiku 4.5 falló cuatro

Cuando se le pidió un Node2D que parpadea, Claude Haiku 4.5 llamó a AnimationPlayer.add_animation, y Godot 4.7.2 se detuvo en esa línea: Nonexistent function 'add_animation' in base 'AnimationPlayer'. Esa llamada es de Godot 3. En Godot 4, una animación va primero a una AnimationLibrary. Fue una de las cuatro tareas de 15 que Haiku 4.5 hizo mal a la primera. Claude Opus 5.5, Claude Sonnet 5.5 y GPT-6.1 Sol no fallaron ninguna.

Los otros tres fallos de Haiku 4.5 son las trampas habituales de Godot 4. Su script de vida emitió la señal died dos veces. Su camino en cuadrícula devolvió un Array sin tipo desde una función declarada como Array[Vector2i], y Godot lo detuvo con un error de script. Su corrutina que espera una señal o un tiempo límite nunca terminó dentro de 10 segundos de tiempo de juego. Al ver el error, corrigió tres de los cuatro. La corrutina siguió fallando: devolvió false para una señal que llegaba en 0.2 segundos con un tiempo límite de 1 segundo.

Arriba, la velocidad estuvo reñida. La mediana por tarea fue de 8 segundos para el agente con Opus 5.5 y Sonnet 5.5, 10 con GPT-6.1 Sol y 14 con Haiku 4.5, medida desde que arranca el agente hasta su respuesta, así que el propio arranque de Claude Code y de Codex va incluido. La página del benchmark de Claude Haiku 4.5 tiene cada uno de sus cuatro fallos con lo que imprimió Godot.

En las builds de juego, Opus 5.5 quedó por delante más veces y GPT-6.1 Sol costó una fracción

Quince scripts pequeños dicen si un modelo conoce Godot 4. No dicen si puede construir un sistema de juego y probarlo. Así que los mismos modelos asumieron trabajos más grandes en Flockbay por MCP: un camión con física, un caminante de seis patas, puertas, dos veces un personaje con rig y un sistema de guardado, con el mismo prompt para todos los modelos de cada build. Pulsaron Play por su cuenta y decidieron cuándo habían terminado. Después, los dos lados se jugaron o se grabaron de la misma forma, y cada video terminó con un veredicto.

Opus 5.5 se llevó el camión con física, con un rastro más del doble de largo, y las puertas, donde una regla sobre qué cuenta como obstáculo atascó las puertas de Sol y dejó atrapado a su guardia. También quedó primero de cuatro con un personaje con rig hecho con el modelador de Flockbay. GPT-6.1 Sol se llevó el mismo personaje hecho en Blender, y le ganó a Sonnet 5.5 con un caminante de seis patas: el de Sonnet podía meterse en un sitio del que nunca salía. Guardar y cargar fue un empate, con los dos juegos iguales a la partida que se dejó en marcha en 25 de 26 cargas.

La factura fue en sentido contrario. En las cinco builds en las que participaron tanto Opus como Sol, las ejecuciones de Opus salieron de $2.93 a $10.48 a precios públicos de API y las de Sol de $0.63 a $1.55, así que Opus costó de 3 a 11.5 veces más por el mismo trabajo. El caminante de Sonnet 5.5 costó unas siete veces lo que el de Sol, al mismo precio por token. Todas estas ejecuciones pasaron por una suscripción, así que las cifras en dólares son estimaciones a precios de API, no lo que se facturó por ellas.

Claude Opus 5.5. Veredicto: el modelo más fuerte en Godot en estas builds de juego, 15 de 15 y por delante en tres de cinco, a entre 3 y 11.5 veces el costo de GPT-6.1 Sol.

GPT-6.1 Sol. Veredicto: la opción con mejor relación calidad-precio, 15 de 15 con dos builds ganadas y un empate, y cada una de sus builds contra Opus costó de $0.63 a $1.55 a precios de API.

Claude Sonnet 5.5. Veredicto: a la par de Opus en GDScript corto, 15 de 15 con la misma mediana de 8 segundos, pero perdió el caminante de seis patas frente a Sol a unas siete veces el costo.

Claude Haiku 4.5. Veredicto: bien para scripts sencillos cuando ve los errores de Godot, con 11 de 15 a la primera y 14 tras una corrección.

Una edición de GDScript, una edición de escena y un bucle de agente de una hora piden modelos distintos

Una función de GDScript es una tarea de programación corta con un entorno de ejecución estricto. El modelo tiene que generar nombres de Godot 4, con tipos donde el proyecto usa tipos, y una conexión de señal que exista de verdad. En ese trabajo empatan doce modelos a 15 de 15, así que elige por velocidad y precio. De los cuatro agentes, Opus 5.5 y Sonnet 5.5 tuvieron la mediana más baja, 8 segundos, y el 3 de octubre las páginas de Anthropic indicaban para Sonnet 5.5 la mitad del precio de API de Opus. Haiku 4.5 resuelve las sencillas: un script de movimiento, una etiqueta, un archivo de guardado. Revisa sus señales, arrays con tipo y corrutinas, porque ahí estuvieron tres de sus cuatro fallos, y el cuarto fue una llamada de Godot 3.

Editar escenas por MCP es uso de herramientas. El modelo lee una escena, llama a una herramienta, lee el resultado de la herramienta y llama a la siguiente. Todas las builds de arriba fueron ese trabajo, hecho con las herramientas MCP de Flockbay, y en las puertas la diferencia fue con cuánta exigencia probó cada modelo su propio trabajo. Opus hizo 67 llamadas al modelo y 5 Plays, y escribió una prueba de estrés de tres minutos con el jugador en el marco de las puertas. Sol hizo 23 llamadas y 2 Plays, y sus 46 comprobaciones sacaban primero al jugador de la casa. La documentación de Claude, leída el 3 de octubre de 2026, dice que Opus 5.5 y Sonnet 5.5 devuelven un error cuando una petición fuerza una herramienta concreta, así que un bucle de agente con ellos debería dejar que el modelo elija.

Un bucle de agente largo es un problema de ventana de contexto antes que de calidad. Cada resultado de herramienta se queda en la conversación hasta que algo lo resume. En sus propias páginas, leídas el 3 de octubre de 2026, Claude Opus 5.5, Claude Sonnet 5.5 y Gemini 3.8 Flash publican cada uno una ventana de alrededor de un millón de tokens, y OpenAI publica 1,050,000 para GPT-5.5 en la API pero 400K para GPT-5.5 en Codex. Las builds muestran el lado del costo del mismo bucle. En el camión, el caminante y las puertas, Opus y Sonnet releyeron de 8 a 17 millones de tokens en caché por ejecución, y Sol de 1.3 a 2.9 millones. Con una suscripción, eso es uso. Con una clave de API, es la factura.

Un modelo barato escribe código de Godot 4 que funciona cuando ve el error

Haiku 4.5 pasó de 11 de 15 a 14 de 15 con un solo vistazo a la salida de Godot. Ese es el hallazgo útil para un modelo barato: el bucle de errores importa más que el primer borrador. Un modelo que ejecuta el juego, lee los errores de análisis de GDScript y el depurador, y lo vuelve a intentar recupera la mayor parte de lo que hizo mal.

Claude Haiku 5.5 salió después de la ejecución con agentes e hizo las 15 tareas mediante su API el 18 de octubre: 14 a la primera, con el fallo en la animación creada desde código, y las 15 tras una corrección. En su diario de desarrollo construyó un salto al estilo de Celeste en Godot a través del servidor MCP de Flockbay, recibiendo las mediciones después de cada pasada y nunca la solución. Su primera pasada cumplió 4 de 6 criterios, entre ellos el coyote time y el jump buffering. La tercera cumplió los 6. Las tres pasadas salieron por unos $0.86 a precios de API, y los mismos tokens con Opus 5.5 habrían salido por unos $7.60.

Un modelo local es el más barato de todos, y ninguno hizo estas tareas. Si usas uno, dale el mismo bucle: una ejecución headless y el texto completo del error después de cada cambio. Hacer juegos con LLM locales explica la configuración.

Una tarde con tu propio juego vale más que cualquier comparación, incluida esta

Elige una tarea que tu juego realmente necesite, como un sistema de guardado o un timer cancelable, y pídesela a la IA que estás considerando. Luego ejecútala y prueba la sincronización a propósito: activa la señal antes de tiempo, actívala dos veces y cierra el juego a medio camino.

Un proyecto pequeño te dice más en una tarde que una tabla. La página del benchmark de cada modelo tiene el código que escribió y la salida de Godot, para que veas exactamente dónde se equivocó antes de confiarle el tuyo.

El modelo es la mitad de la respuesta, y la herramienta que lo rodea decide cuánto código es tuyo

Cuando se pregunta por la mejor IA para Godot, la pregunta también es qué tipo de herramienta pone el modelo a trabajar. Las mejores herramientas de IA para Godot recoge cada una con su precio y un veredicto. Los tipos se reducen a cuánto del código quieres que sea tuyo.

Un asistente de programación como Copilot, Cursor o Claude Code, conectado a la carpeta de tu proyecto, te deja como programador: hace borradores y corrige, y funciona mejor cuando le dices tu versión de Godot y pegas los errores completos. Un plugin del editor ve la escena y el script que tienes abiertos. Un servidor MCP para Godot permite que un agente como Claude Code o Codex abra el editor, edite escenas, ejecute el juego y lea sus errores, y aun así te toca evaluar lo que construyó.

Flockbay es una app de escritorio gratuita para Windows, macOS y Linux que funciona con Godot 4.6+, con el Godot oficial dentro. Su IA escribe el GDScript, ejecuta el juego para revisar su trabajo, lee los errores de Godot y lo juega. Tú lo juegas y decides si está bien, y el proyecto es un proyecto normal de Godot que puedes abrir en el editor cuando quieras.

Un ranking es cierto el día en que se hizo, así que este se repite

Una tabla que nombra un único mejor modelo para Godot está equivocada el día que sale el siguiente modelo. Claude Opus 5.5 salió el 22 de septiembre de 2026 y Claude Sonnet 5.5 el 28 de septiembre. Con seis días de diferencia, los dos reemplazaron la recomendación que un artículo de primavera seguiría publicando.

Por eso cada puntuación lleva aquí el día en que se midió. Los cuatro agentes de programación hicieron las 15 tareas el 6 de octubre de 2026 y los 24 modelos mediante su API el 18 de octubre, y las builds de juego salieron entre el 5 y el 10 de octubre. Cuando sale un modelo, las mismas tareas se vuelven a ejecutar en el motor que incluye Flockbay, el modelo recibe su propia fila con fecha y esta URL no cambia.

Lo que dura más que una puntuación es el trabajo. Una función de GDScript, una edición de escena mediante una llamada a herramienta MCP y un bucle de agente que dura una hora no le piden lo mismo a un modelo. Las secciones de cada proveedor, más abajo, llevan la fecha de la página de la que se leyeron.

Hasta dónde llegan estas cifras

Las 15 tareas son pequeñas, de un solo archivo y se comprueban ejecutándolas. Dicen si el código de Godot 4 de un modelo funciona. No dicen si diseña un buen nivel, elige una buena dirección de arte o mantiene coherente un proyecto de 50 archivos.

Cada build de juego es una ejecución por modelo y el veredicto de un solo revisor, así que toma una victoria aislada como un dato, no como un ranking. Los tiempos son los de los cuatro agentes, con el arranque incluido, así que Claude Code y Codex son parte de lo que miden. Los 24 modelos consultados mediante su API no tenían herramientas y tuvieron una solicitud por intento, así que su puntuación es el GDScript del propio modelo, sin un agente alrededor. Y las cifras en dólares son estimaciones a precios públicos de API de ejecuciones que pasaron por suscripciones.

Claude Opus 5.5 está hecho para ejecuciones agénticas largas, a $4 y $20 por millón de tokens

Con fecha del 3 de octubre de 2026, según la página del modelo de Anthropic. Lanzado el 22 de septiembre de 2026. ID del modelo: claude-opus-5-5. Anthropic lo describe como hecho para programación agéntica de larga duración y trabajo de conocimiento. Ventana de contexto de 1M tokens, salida máxima de 128K, pensamiento adaptativo siempre activo, esfuerzo predeterminado medio, fecha de corte de conocimiento junio de 2026. Precio de API en esa página: $4 por millón de tokens de entrada y $20 por millón de tokens de salida.

Para una sesión larga de Godot, esa es la línea que importa: programación agéntica de larga duración y una ventana de 1M. La limitación, en la misma página, es que forzar el uso de una herramienta devuelve un error, y el pensamiento no se puede desactivar. La página no menciona Godot, GDScript ni MCP. Las ejecuciones de Flockbay son la evidencia en Godot: 15 de 15, y por delante de GPT-6.1 Sol en tres de cinco builds de juego.

Claude Sonnet 5.5 tiene la misma ventana a la mitad del precio de Opus

Con fecha del 3 de octubre de 2026, según la página del modelo de Anthropic. Lanzado el 28 de septiembre de 2026. ID del modelo: claude-sonnet-5-5. Anthropic lo llama la mejor combinación de velocidad e inteligencia. Ventana de contexto de 1M tokens, salida máxima de 128K, pensamiento adaptativo, esfuerzo predeterminado alto, latencia comparativa rápida, fecha de corte de conocimiento junio de 2026. Precio de API en esa página: $2 por millón de tokens de entrada y $10 por millón de tokens de salida.

Forzar el uso de una herramienta también devuelve un error en este modelo. Poner temperature, top_p o top_k en un valor distinto del predeterminado devuelve un 400. La página no menciona Godot. En las ejecuciones de Flockbay superó 15 de 15 con la mediana de tiempo más baja, y luego perdió el caminante de seis patas frente a GPT-6.1 Sol a unas siete veces el costo de Sol.

GPT-5.5 tiene un millón de tokens en la API y 400K en Codex

Con fecha del 3 de octubre de 2026, según la página del modelo en la API de OpenAI y el anuncio del 23 de abril de 2026. La página de la API llama a GPT-5.5 un modelo insignia para trabajo profesional complejo, con una ventana de contexto de 1,050,000 tokens, un máximo de 128,000 tokens de salida y una fecha de corte de conocimiento del 1 de diciembre de 2025. Precio de API en esa página: $5 por millón de tokens de entrada y $30 por millón de tokens de salida. Los prompts de más de 272K tokens de entrada se cobran a un precio más alto durante toda la sesión.

El anuncio dice que GPT-5.5 en Codex tiene una ventana de contexto de 400K, en Plus, Pro, Business, Enterprise, Edu y Go. Un inicio de sesión de ChatGPT funciona en Flockbay con cualquier plan, Free incluido, y construye a través de Codex. Ninguna de las dos páginas publica una puntuación en Godot. GPT-5.5 no estuvo en las ejecuciones de Flockbay: GPT-6.1 Sol se ejecutó en Codex, y GPT-6 Luna, GPT-5.6 Luna y GPT-5.4 mediante la API. La página de OpenAI de GPT-6.1 Sol no se leyó para esta edición.

Gemini 3.8 Flash publica una ventana de un millón de tokens y ninguna puntuación en Godot

Con fecha del 3 de octubre de 2026, según la página del modelo en la API de Gemini de Google, que da Gemini 3.8 Flash como estable. Google lo describe como su modelo Flash más inteligente, para ingeniería de software de largo horizonte y agentes autónomos. Límite de tokens de entrada: 1,048,576. Límite de tokens de salida: 65,536. Admite llamadas a funciones, ejecución de código y salidas estructuradas. Computer use figura como vista previa. El pensamiento admite low, medium y high, y la página dice que minimal devuelve un error. La línea de última actualización de la página dice septiembre de 2026. No menciona Godot.

Gemini no es uno de los inicios de sesión del chat de Flockbay, y Gemini 3.8 Flash no estuvo en las ejecuciones de Flockbay. Gemini 3.1 Pro Preview sí, mediante su API el 18 de octubre, y superó las 15 tareas a la primera. Gemini CLI se conecta por el servidor MCP de Flockbay como cualquier otro agente. El modelo Flash está en esta comparativa porque lo que se busca es un modelo.

Qwen3-Coder es la opción de pesos abiertos, con la ventana más pequeña de esta comparativa

Con fecha de la publicación del equipo de Qwen del 22 de julio de 2025, que es la ficha de pesos abiertos que usa esta edición. Qwen3-Coder-480B-A35B-Instruct es un modelo de mezcla de expertos, con 480B de parámetros y 35B activos. La publicación dice que admite 256K tokens de contexto de forma nativa y 1M con extrapolación, y que se entrenó para programación agéntica y uso de herramientas. La misma publicación lo compara con Claude Sonnet 4, que está dos generaciones por detrás de los modelos de Claude de arriba. Toma esa comparación como histórica.

Un contexto nativo de 256K es la ventana más pequeña de este grupo. Un bucle de agente largo en Godot que conserva los resultados de las herramientas la llenará antes que una ventana de 1M. Ejecutar los pesos tú mismo es la razón para elegirlo: la máquina es tuya, y no hay una página de proveedor contabilizando el turno. Qwen3-Coder no estuvo en las ejecuciones de Flockbay, y la publicación no trae ninguna puntuación en Godot. Qwen3.7 Max sí, mediante su API el 18 de octubre: 13 de 15 a la primera y 14 tras una corrección.

Claude, ChatGPT y tu propio agente funcionan en Flockbay, gratis para empezar

Flockbay construye un juego de Godot completo y le hace playtest, gratis para tu primera versión jugable con la IA de Flockbay o tu propio Claude o ChatGPT, sobre el motor oficial de Godot. Con un plan de Claude, Pro o Max, el menú de modelos muestra los modelos que Claude Code ofrece a tu cuenta. Con la sesión iniciada en ChatGPT, en cualquier plan, Free incluido, muestra los modelos de tu cuenta. Tu propio agente, como Claude Code, Codex o Cursor, se conecta por el servidor MCP de Flockbay y trae su propio modelo. Sin ninguno de estos, el modelo alojado de Flockbay, Flockbay en el menú de modelos, es gratis para tu primera versión jugable. Después, los planes añaden IA alojada, y las cuentas nuevas construyen con su propia IA con un plan. Claude Free no funciona aquí. La configuración está en Claude o ChatGPT con Godot.

Flockbay's own runs, not vendor claims. The 15 coding tasks ran headless on the official Godot 4.7.2 at a fixed 60 frames per second on 6 October 2026, with one fix allowed after the test's output, and the time is the coding agent's, start-up included. The head-to-heads are game builds in Flockbay over MCP, published between 5 and 10 October 2026. Costs are estimates at public API prices for runs that went through a subscription.

Cuatro modelos con el mismo trabajo en Godot 4, medidos por Flockbay Comprobado: 2026-10-06.
ModelTareas de Godot 4 superadas, a la primeraTras una correcciónMediana de tiempo por tareaAgenteBuilds cara a caraCosto estimado de API por buildFuentes
Claude Opus 5.515 of 1515 of 158 sClaude CodeTook the physics truck and the doors from GPT-6.1 Sol, and came first of four on the modeled character. Lost the Blender character to Sol. Drew save and load.$2.93 to $10.48 over five buildsCoding test, Truck, Doors, Four models, Blender character, Save and load
GPT-6.1 Sol15 of 1515 of 1510 sCodexTook the Blender character from Opus 5.5 and the six-legged walker from Sonnet 5.5. Lost the truck and the doors to Opus, and finished behind it on the modeled character. Drew save and load.$0.63 to $1.55 over the same five builds; $0.86 for the walkerCoding test, Truck, Walker, Doors, Four models, Blender character, Save and load
Claude Sonnet 5.515 of 1515 of 158 sClaude CodeLost the six-legged walker to GPT-6.1 Sol: its walker could walk into a spot it never walked out of. On the modeled character, no hands and a pickaxe through the floor every other step.$6.05 for the walker's first pass; $0.64 for the characterCoding test, Walker, Four models
Claude Haiku 4.511 of 1514 of 1514 sClaude CodeIn its one head-to-head, the modeled character, it made a figure of stacked blocks.$0.45 for the characterCoding test, Four models

Preguntas frecuentes

¿Cuál es el mejor modelo de IA para Godot?
En las 15 tareas verificadas de programación en Godot 4 de Flockbay, ejecutadas en el Godot 4.7.2 oficial, doce de 28 modelos superaron las 15 a la primera: Claude Opus 5.5, Claude Sonnet 5.5 y GPT-6.1 Sol como agentes de programación el 6 de octubre de 2026, y DeepSeek V4.1 Flash, Ember-1, Gemini 3.1 Pro Preview, Muse Wonder, Kimi K3, GPT-5.6 Luna, GPT-6 Luna, Hy4 preview y Pareto 26.10 mediante su API el 18 de octubre. En las builds de juego, Opus 5.5 quedó por delante de GPT-6.1 Sol en tres de cinco, y sus ejecuciones costaron de 3 a 11.5 veces más a precios de API. Opus para los sistemas más difíciles, Sol para el trabajo diario.
¿Qué IA es la mejor en GDScript?
En tareas cortas de GDScript empatan doce modelos a 15 de 15 a la primera, entre ellos Opus 5.5, Sonnet 5.5 y GPT-6.1 Sol, con medianas de tiempo del agente de 8, 8 y 10 segundos. Donde los modelos fallaron, casi siempre fue la sincronización: una corrutina que hacía competir una señal contra un temporizador, una pista de animación que nunca parpadeó, una señal emitida dos veces. Las llamadas de Godot 3 como FileAccess.MODE_WRITE ahora son los fallos raros.
¿Qué tareas de Godot 4 fallan más los modelos de IA?
La sincronización. Sin contar un caso atípico, 13 de 27 modelos fallaron a la primera una corrutina que espera una señal o un tiempo límite, 10 crearon desde código una animación que nunca parpadeó y 6 fallaron un camino en una cuadrícula rodeando paredes. La salud con señales falló 3 veces. Guardar un diccionario como JSON falló 3 veces: por FileAccess.MODE_WRITE, por JSON.parse() llamado como función estática y por un tipo inferido a partir de un Variant.
¿Es mejor Claude o ChatGPT para Godot?
Ninguno gana en todo. Claude Opus 5.5 le ganó a GPT-6.1 Sol en un camión con física, en las puertas y en un personaje hecho con el modelador de Flockbay. Sol ganó con el mismo personaje hecho en Blender y le ganó a Claude Sonnet 5.5 en un caminante de seis patas, y guardar y cargar fue un empate. Frente a Opus, Sol fue siempre el lado más barato: Opus costó de 3 a 11.5 veces más a precios de API.
¿Puede un modelo barato escribir código de Godot 4?
Casi siempre, si ve los errores de Godot. Tres de los cinco modelos alojados más baratos que se midieron, DeepSeek V4.1 Flash, GPT-6 Luna y GPT-5.6 Luna, superaron las 15 tareas a la primera. Claude Haiku 4.5 superó 11 y luego 14 tras una corrección con la salida de la prueba, y Claude Haiku 5.5 superó 14 y luego las 15. En un diario de desarrollo, Haiku 5.5 construyó un salto al estilo de Celeste que cumplía sus seis criterios en la tercera pasada, por unos $0.86 a precios de API.
¿Cada cuánto se mide esto?
Los cuatro agentes de programación hicieron las 15 tareas el 6 de octubre de 2026 y 24 modelos mediante su API el 18 de octubre, y las builds de juego salieron entre el 5 y el 10 de octubre. Las tareas se vuelven a ejecutar cuando sale un modelo, cada puntuación conserva el día en que se midió y esta URL no cambia.
¿Qué plan funciona en Flockbay?
El modelo alojado de Flockbay, gratis para tu primera versión jugable. También Claude Pro o Max, cualquier plan de ChatGPT, Free incluido, tu propio agente por MCP o tu propia clave de API, gratis hasta tu primera versión jugable. Claude Free no funciona aquí. Los planes propios de Flockbay, Hobby, Indie Developer y Studio, añaden más IA alojada y, en las cuentas nuevas, tu propia IA después de la primera versión jugable.
¿Gana una ventana de contexto más grande en un bucle de agente largo?
Gana la parte del bucle que consiste en "¿sobrevivió el resultado de la herramienta anterior?". Opus 5.5, Sonnet 5.5 y Gemini 3.8 Flash publican alrededor de un millón de tokens. GPT-5.5 publica 1,050,000 en la API y 400K en Codex. Qwen3-Coder publica 256K nativos.

Descarga Flockbay

La IA de Flockbay o tu propio Claude o ChatGPT, gratis para tu primera versión jugable, sobre el motor oficial de Godot. Windows, macOS y Linux.

Descargar para macOSDescargar para WindowsDescargar para LinuxDescargar para ChromebookDescargando…

AppImage, x86_64. Ubuntu 22.04, Debian 12, Fedora 39 o posterior.

Chromebook Intel o AMD, con Linux activado.

Descargar para macOSDescargar para Windows

Flockbay es una app de escritorio para Windows, macOS y Linux. Regístrate y envía la descarga a tu equipo.

Registrarse

Usa Claude o ChatGPT con Godot, gratis para empezar

Sigue leyendo