Code Arena entrega la misma petición de construcción a dos modelos de IA anónimos, genera aplicaciones web funcionales en entornos aislados paralelos y te deja inspeccionar el código antes de votar por la mejor.
¿Has usado esta herramienta? Valórala
¿Has usado esta herramienta? Valórala
Code Arena es un entorno de evaluación en el navegador, en arena.ai: dos modelos de IA anónimos reciben la misma petición de construcción, generan cada uno en su entorno aislado una aplicación web funcional, y quien formuló la petición decide cuál es mejor. Escribes una instrucción, esperas a que terminen la Opción A y la Opción B, abres ambas vistas previas, lees el código y emites un voto de preferencia — ese voto alimenta la clasificación pública de Code Arena.
No es un asistente de programación con un único modelo detrás. Arena se describe como una plataforma abierta para evaluar, comparar y probar modelos de IA de frontera, y Code Arena es su puerta de entrada del lado del desarrollo; son esos votos los que mueven las clasificaciones. En la misma interfaz conviven dos generaciones: el Code Arena original, de noviembre de 2025, solo producía prototipos de front-end en vista previa en vivo, mientras que Fullstack Code Arena, anunciado el 2 de julio de 2026, extendió el mismo formato de duelo a aplicaciones con base de datos, autenticación, llamadas a API de terceros y un destino de despliegue.
Una ejecución sigue una secuencia fija. Un evaluador o un desarrollador envía una tarea, por ejemplo «Construye un editor markdown con modo oscuro». Los modelos interpretan la petición y deciden mediante llamadas estructuradas a herramientas qué acciones emprender, y producen aplicaciones y sitios web directamente desplegables; cada acción del modelo — crear un archivo, editarlo o ejecutarlo — queda registrada y versionada. La aplicación resultante se transmite por una interfaz segura con CodeMirror 6 para la vista del código fuente y vista previa en vivo al lado. Esa capa de registro separa la herramienta de un simple campo de pruebas: cada generación viene con una estructura de proyecto completa, de modo que se ve cómo los modelos manejan archivos interdependientes y modificaciones recursivas.
El modo Battle compara dos modelos anónimos en un duelo directo, y sus nombres se revelan tras tu voto. Code Arena añade una barrera que la mayoría de herramientas de comparación no impone: para que aparezcan las opciones de voto debes haber previsualizado ambas generaciones. Los votos se agregan mediante el sistema Bradley-Terry, concebido para experimentos de comparación por pares, y la participación no tiene tope.
Fullstack Code Arena dota a los agentes de una capa de base de datos que les permite generar código para PostgreSQL, autenticación de usuarios y seguridad a nivel de fila. También pueden conectarse de forma segura a servicios y aplicaciones de terceros — llamando a un LLM o enlazando con una API de pagos — usando una credencial que tú aportas, como tu propia clave de OpenAI. Cada construcción se ejecuta en un servidor de desarrollo en vivo dentro del entorno aislado, con recarga en caliente, y los agentes pueden ejecutar cualquier comando bash además de buscar en la web información o documentación en tiempo real. Las aplicaciones terminadas atraviesan una canalización que las despliega en Vercel.
El modo full-stack no es una pestaña aparte. Se activa formulando la instrucción de modo que apunte a una aplicación full-stack, explícita o implícitamente al pedir una base de datos, una API, autenticación o funcionalidad de servidor. Una vez activado, el enlace de vista previa se sustituye por una barra inclinada cuyo menú desplegable enumera cada página.
Cada generación expone una vista previa renderizada del sitio, los bloques de código, un enlace para compartir en pruebas entre colegas o comparación de modelos, y la continuación del diálogo para iterar; las construcciones full-stack añaden una vista de la base de datos. Las sesiones de código son restaurables y persisten entre visitas conservando su estado, lo que permite revisión colaborativa.
La puntuación se apoya en tres ejes declarados: funcionalidad, si la aplicación hace lo que debe; usabilidad, si es clara, con buena respuesta e intuitiva; y fidelidad, si se ajusta al diseño solicitado. Los resultados tampoco se reducen a una cifra. Desde el 26 de febrero de 2026 la clasificación WebDev está dividida en dos categorías que reflejan entornos de generación distintos: HTML clasifica la generación autónoma de HTML, CSS y JS en el alcance de un único documento, y React la generación de aplicaciones multiarchivo, incluidas estructura de componentes, enrutamiento, coordinación de estado y coherencia entre archivos. Una clasificación full-stack aparte se estrenó el 28 de julio de 2026.
Los modelos nuevos no se quedan sin puntuación mientras se acumulan los votos. AutoEval coloca un modelo de recompensa en lugar del voto humano y aplica la misma metodología de clasificación de Arena para la puntuación final. Esas entradas llevan una marca AutoEval visible y se actualizan en cuanto hay suficientes votos humanos para validarlas. Mientras la marca siga ahí, el puesto que leas puede ser una estimación de un modelo y no una votación colectiva.
Arena analizó más de 250.000 instrucciones de Code Arena recogidas en cinco meses y publicó en mayo de 2026 la taxonomía resultante. Los usuarios piden a los modelos que construyan aplicaciones React multiarchivo, implementen paneles de control, desarrollen productos de consumo, creen juegos de navegador, simulen sistemas dinámicos y construyan herramientas de edición. El diseño basado en una referencia encabeza la lista con alrededor del 29 %, mientras que las simulaciones rondan el 15,3 %. Los ejemplos full-stack del propio proveedor son más estrechos: una aplicación con flujo de registro o inicio de sesión, del tipo tienda en línea solo para miembros, y una aplicación que guarda el progreso del usuario para que pueda volver, del tipo educativa.
Trae la tarea que vas a encargar a un modelo en vez de una instrucción de demostración, y comprueba si la clasificación, filtrada por la misma tecnología y dominio, concuerda con lo observado. Para trabajo que no consista en construir, los modos Battle, Direct y Side-by-Side encajan mejor con intercambios aislados, mientras que Agent Mode, en arena.ai/agent, incorpora búsqueda web, generación de imágenes, subida de archivos, asistencia de código y un entorno aislado con bash dentro de una tarea de varios pasos.
Arena señala tres públicos para Fullstack Code Arena: emprendedores y pequeñas empresas, desarrolladores, y laboratorios de modelos de IA. No abren la página por los mismos motivos.
Code Arena funciona en el navegador, en arena.ai/code, dentro de la misma interfaz que los demás modos de Arena. No consta evidencia de una aplicación de escritorio o móvil, y la modalidad es un botón conmutador, no un sitio aparte.
No hace falta registrarse para probarlo, pero una cuenta cambia lo que obtienes. Te registras con una cuenta de Google o con un correo que recibe un enlace de verificación. Con sesión iniciada se abren las funciones que exigen conexión —Direct, Side by Side, Image Arena y Video Arena—, los límites de frecuencia son más altos, y el historial se guarda sincronizado entre dispositivos. Las aplicaciones generadas pueden llamar a servicios de terceros con una clave de API que facilitas, y una construcción full-stack acabada se despliega en Vercel: el resultado abandona el entorno aislado de Arena y pasa a una infraestructura que tú controlas.
Las condiciones de uso de Arena, actualizadas el 23 de febrero de 2026, indican que la empresa ofrece actualmente el servicio de forma gratuita, reservándose el derecho a cobrar por el servicio o por cualquiera de sus funciones o componentes. El lanzamiento de Code Arena en Product Hunt, el 13 de febrero de 2026, iba en la misma línea: una sola instrucción y comparación gratuita de varias aplicaciones construidas por IA. Gratuito no significa sin medición: se aplican varios frenos documentados por separado.
| Restricción | Cómo funciona | Qué la levanta |
|---|---|---|
| Saldo de uso diario | Un crédito diario utilizable a tu criterio en Arena, que sustituye los límites ocultos dispersos entre funciones y modelos | Reinicio automático a las 24 horas |
| Límites por modelo | Cada modelo tiene sus propios topes de uso en el tiempo | Esperar al reinicio |
| Límite general de frecuencia | Un tope de frecuencia de conversación, con independencia del modelo | Esperar al reinicio |
| Acceso a funciones | Direct, Side by Side, Image Arena y Video Arena exigen iniciar sesión | Crear una cuenta gratuita |
La frase que cuenta al planificar es explícita: Arena no ofrece ningún servicio de pago que elimine estos límites de frecuencia, y si alcanzas uno, la única acción disponible es esperar el reinicio. Arena describe además el límite diario como parte de un despliegue en curso cuyo resto sigue construyéndose.
Model Kombat de HackerRank enfrenta a LLM de programación en tareas reales de desarrollo, con desarrolladores que votan por la implementación que de verdad pondrían en producción, y publica clasificaciones por lenguaje que siguen qué modelos lideran en cada lenguaje: más cercano si tu trabajo tira hacia el backend que hacia la interfaz web. Un listado de competidores de Arena apunta a otra familia de herramientas: un campo de pruebas para revisar LLM en paralelo, un entorno que ejecuta varios agentes de programación a la vez, y plataformas para construir y evaluar sistemas multiagente. Esos son espacios bajo tu control, mientras que Code Arena es un lugar de evaluación público: el equilibrio se juega entre privacidad y configurabilidad, y una comparación gratuita, anónima y conectada con la clasificación. Un estudio independiente de 2026 que comparó tres herramientas de vibe coding ampliamente adoptadas concluye que elegir entre ellas implica compromisos estructurales que van más allá de la productividad percibida.
La página de Code Arena advierte de que las entradas son procesadas por IA de terceros y las respuestas pueden ser inexactas. Va más allá al señalar que tus conversaciones y ciertos datos personales se comunicarán a los proveedores de IA implicados y podrán hacerse públicos por otras vías, y desaconseja enviar información sensible que no quieras ver compartida públicamente. Las conversaciones también sirven para una evaluación automatizada: las instrucciones se envían después a los proveedores de IA para puntuar y comparar sus modelos, y en la página figura un correo para rechazarlo.
La política de privacidad, actualizada el 16 de diciembre de 2025, delimita el alcance. Los datos de contenido de usuario abarcan entradas, instrucciones, imágenes, votos y valoraciones y cualquier otro contenido que subas o generes, junto con metadatos asociados y datos de interacción, por ejemplo si has resaltado o copiado la respuesta de un modelo. Arena puede compartir esos datos y revelarlos de otro modo a proveedores de tecnología de IA para que evalúen, mejoren y desarrollen sus productos y servicios, y puede publicar o hacer públicos los datos recogidos o derivados del servicio, entradas y salidas incluidas.
Las condiciones confirman que ostentas todos los derechos, títulos e intereses sobre tu contenido, pero precisan que la empresa no declara ni garantiza que las salidas estén protegidas por derecho de propiedad intelectual alguno. A cambio, concedes a Arena un derecho perpetuo, irrevocable, mundial, libre de regalías y sublicenciable para usar, copiar, reproducir, modificar y adaptar tu contenido con cualquier fin lícito. El acceso queda limitado al uso personal o comercial interno, el usuario debe tener 18 años o la edad legal para contratar, y el servicio se presta tal cual y según disponibilidad, con todos sus defectos.
Un organismo independiente de seguimiento de benchmarks que republica estos datos advierte de que las aplicaciones con errores se muestran igualmente a quienes votan y de que Arena deduce de ciertas estadísticas que los modelos a veces producen salidas erróneas: un voto de preferencia no es una comprobación de corrección. Una investigación independiente de 2025 sobre la metodología general de Arena determinó que basta un 10 % de votos de baja calidad, de anotadores desinteresados o malintencionados, para desplazar un modelo hasta cinco puestos; otro estudio de 2025 sobre unos 2 millones de duelos y 243 modelos sostiene que la divulgación selectiva de los proveedores sesga las puntuaciones. Ambos examinan el método de preferencia humana en general, no Code Arena, y Arena rechazó la acusación central: si un proveedor decide enviar más pruebas que otro, eso no significa que el segundo reciba un trato injusto. A 8 de septiembre de 2026 la clasificación general de WebDev mostraba 663.027 votos sobre 127 modelos.
Las condiciones de uso indican que Arena ofrece actualmente el servicio de forma gratuita, reservándose el derecho a cobrar más adelante. Puedes enviar instrucciones sin iniciar sesión, pero una cuenta eleva tus límites de frecuencia y conserva el historial entre dispositivos.
No. Arena declara que no ofrece ningún servicio de pago que elimine estos límites, y que la única acción disponible al alcanzar uno es esperar el reinicio. Un saldo diario aparte se reinicia automáticamente a las 24 horas.
Porque no has abierto ambas construcciones: las opciones de voto solo aparecen tras haber previsualizado las dos generaciones.
Las construcciones full-stack se despliegan en Vercel mediante la canalización de publicación, y cualquier construcción puede compartirse con un enlace único. Jurídicamente el contenido es tuyo, pero Arena no garantiza que las salidas estén protegidas por derechos de propiedad intelectual.
Da por hecho que no. La página advierte de que las conversaciones y ciertos datos personales se comunicarán a los proveedores de IA implicados y podrán hacerse públicos por otras vías, y la política de privacidad señala que Arena puede publicar los datos derivados del servicio.
Por sí solo no. La puntuación agrega votos humanos de preferencia con el sistema Bradley-Terry, las aplicaciones con errores se muestran igualmente a quienes votan, y algunas entradas son estimaciones marcadas como AutoEval en lugar de votos humanos acumulados.
