7 modelos gratis de opencode, un solo prompt: qué entregó realmente cada uno

opencode trae una tanda de modelos gratuitos y la pregunta obvia es cuál sirve. No encontré una comparativa que me convenciera, así que hice la mía: un prompt, siete modelos, cero ayudas. Lo que sigue es la bitácora de esa mañana.

Adelanto el resultado que no esperaba: el fallo más grave no fue de diseño ni de código. Fue algo que ningún review de código habría detectado, y para verlo tuve que hacer peticiones HTTP.

Las reglas: todo vanilla

Esto es importante porque define qué mide el experimento y qué no. La prueba fue deliberadamente cruda:

• Sin skills. Ninguna instrucción cargada.
• Sin MCPs. Ningún servidor de contexto conectado.
• Sin spec-driven development. Nada de documento de especificación previo, ni plan, ni fases.
• Sin técnicas de desarrollo agéntico. Sin chain-of-thought forzado, sin auto-crítica, sin iteración, sin "revisa tu trabajo".
• Un solo turno. Pegué el prompt, esperé, y lo que salió es lo que evalué. Sin correcciones ni segundas oportunidades.

Esto no mide el techo de cada modelo. Un buen andamiaje agéntico habría corregido la mitad de los problemas que encontré. Lo que mide es el piso: qué te entrega el modelo cuando le pides algo como se lo pedirías a un colega, sin ceremonia. Y para decidir cuál de los gratuitos vale la pena, el piso es justo lo que quieres saber.

El prompt, literal

Seis requisitos verificables, un negocio local real y suficientemente específico como para que el modelo no pueda salir del piloto automático. Sin más contexto: ni teléfono, ni precios, ni años de trayectoria, ni catálogo de cursos. Retén ese detalle, porque termina siendo el centro del artículo.

Los contendientes

Empecemos por el que ni siquiera llegó a la pista.

Nemotron 3 Ultra: el que anunció y no entregó

El único "Ultra" de la tanda y el único que no produjo una sola línea. El patrón se repitió idéntico en cada intento: procesaba el prompt, anunciaba que iba a crear el index.html… y moría con Streaming response failed. Nunca llegó a escribir el archivo.

No es un juicio sobre la capacidad del modelo — es un juicio sobre su disponibilidad, que para quien va a trabajar es lo mismo. Un modelo que no responde tiene calidad cero, independientemente de lo que pudiera hacer. Queda fuera de la comparativa por incomparecencia.

Cómo evalué a los seis que sí entregaron

Además de abrirlos en el navegador y mirarlos como los miraría un cliente, hice tres cosas que resultaron ser las que separaron el grano de la paja:

1. Renderizado completo a página entera con Firefox headless, desactivando loading="lazy" y forzando los reveals, para que la captura muestre la página real y no una a medio cargar.
2. Verificación HTTP de cada recurso externo: cada URL de Unsplash, cada CDN, cada hoja de estilos.
3. Lectura del JavaScript, no solo del HTML. Ahí es donde estaban escondidas las peores sorpresas.

---

Modelo por modelo

---

Los tres patrones que atraviesan todo

Lo individual es anecdótico. Lo que se repite en los seis es lo que de verdad importa.

1. Cinco de seis inventaron estadísticas de negocio

Nunca di un teléfono, ni precios, ni años de trayectoria, ni número de estudiantes. Esto es lo que apareció igual — lo conté a mano sobre los seis archivos:

• "500+ estudiantes" — Ling, Laguna, MiMo y Big Pickle
• "Desde 2018" — Ling, North, MiMo y Big Pickle. Laguna prefirió "desde 2014"
• "15+ profesores", "8 años", "10+ años de experiencia"
• Precios concretos en COP — Ling ($150.000 / $280.000 / $450.000) y North ($150.000 / $170.000 / $180.000)
• Horarios de atención, testimonios firmados con nombre y apellido, "Recital trimestral"

La excepción, y merece crédito: DeepSeek. Es el único de los seis que no fabricó una sola cifra. Ni estudiantes, ni años, ni precios, ni profesores. Se limitó a copy que no afirma nada verificable. Lo único que se inventó fue una oferta — "clase de prueba gratuita" — que sigue siendo un compromiso que nadie autorizó, pero está a años luz de atribuirle a un negocio 500 estudiantes que no tiene.

Un punto a favor de todos, eso sí: los seis usaron el mismo teléfono, +57 300 123 4567. Es un placeholder transparente — nadie va a confundirlo con un número real. Ahí sí señalaron el hueco en vez de taparlo, que es exactamente lo que debieron hacer con el resto.

2. La mitad falló la animación por el mismo motivo

Tres de seis (DeepSeek, Laguna, North) implementaron @keyframes que se disparan al cargar la página, sin IntersectionObserver. El resultado es idéntico en los tres: todo lo que está bajo el fold termina su animación antes de que el usuario llegue a esa altura.

Cumplen la letra del requisito 3 y no la intención. Si revisas el código, hay animación. Si abres la página, no la ves. Los otros tres (Big Pickle, MiMo, Ling) sí usaron IntersectionObserver, y la diferencia al navegar es enorme.

3. Todos rompieron el requisito de "colores azules" en el mismo punto

Cada modelo que puso un botón destacado de WhatsApp lo puso verde. Es incumplimiento del requisito 1 y es, casi seguro, la decisión correcta: el verde de WhatsApp es reconocimiento de marca instantáneo. Es el único caso del experimento donde desobedecer el brief mejora el resultado.

---

El hallazgo que no esperaba: cómo alucinan las imágenes

Cuando vi que North tenía las seis imágenes rotas, se me ocurrió cruzar todos los IDs de Unsplash de los seis modelos. Hay 30 IDs únicos en total, y el patrón que salió es limpísimo:

Los siete IDs compartidos funcionan todos. Ninguna excepción. Y casi la mitad de los que aparecen una sola vez están muertos.

El caso más elocuente son MiMo y Big Pickle, que eligieron la misma foto:

MiMo        photo-1598488035139-bdbb2231cb64   404
Big Pickle  photo-1598488035139-bdbb2231ce04   200
                         mismo prefijo ^   ^ sufijo alucinado

Ahí se ve el mecanismo: los modelos memorizan la parte estable del ID — el timestamp — y alucinan el hash final. Los IDs que varios modelos comparten son los que están genuinamente en los datos de entrenamiento: las fotos virales de Unsplash, vistas miles de veces. Los que aparecen una sola vez son, la mitad de las veces, invención pura con la forma correcta.

---

Tabla final

Qué me llevo

Sí, los modelos gratis de opencode sirven. Tres de siete entregaron algo que un freelance podría ajustar y cobrar el mismo día. Para prototipar, para arrancar un proyecto, para tener algo que enseñarle a un cliente en dos minutos: perfectamente utilizables.

Pero el experimento me dejó tres cosas más útiles que el ranking:

Uno: velocidad y calidad no correlacionan. El más rápido (DeepSeek, 42s) quedó cuarto. El segundo más lento (North, 4m17s) quedó último. Y el que más tiempo me costó (Laguna, 20 minutos) fue el penúltimo. Esperar más no compra nada.

Dos: revisar el código no basta. Este es el aprendizaje que me llevo de verdad. Las seis imágenes muertas de North, la fuente 404 de Laguna, su icono Pro inexistente y el formulario que le miente al usuario: ninguno de esos fallos se ve leyendo el HTML. Todos tienen sintaxis impecable. Aparecen al renderizar y al hacer peticiones HTTP. Si tu proceso de validación termina en "leí el diff y se ve bien", vas a publicar páginas rotas.

Tres: la alucinación de datos es el problema serio. Cinco de seis inventaron cifras de negocio con total naturalidad. Un enlace roto lo ves; un "500+ estudiantes satisfechos" falso pasa a producción sin que nadie parpadee. Y a diferencia del CSS, ese error tiene consecuencias legales para tu cliente. Que DeepSeek —el modelo más rápido y más simple— fuera el único que se abstuvo sugiere que no es una limitación técnica, sino una decisión de entrenamiento.

Última nota, y es la que más me hace pensar: todo esto se arregla con andamiaje. Un skill que obligue a verificar URLs. Un MCP que consulte la API real de Unsplash. Una instrucción que prohíba inventar datos no proporcionados. Un paso de spec-driven que fije el inventario de secciones antes de escribir una línea.

Nada de eso estaba aquí, y ese era el punto. Esta prueba mide el piso. La conclusión es que el piso de los modelos gratuitos está sorprendentemente alto en maquetación y sorprendentemente bajo en veracidad — y que la diferencia entre un resultado usable y uno peligroso no la pone el modelo. La pones tú, con lo que le montas encima.