2 benchmarks · 121 variantes puntuadas · hace 18 h

Qué maldito modelo uso

¿Cansado de buscar cuál es el mejor modelo para programar? Tres respuestas, al día.

qué modelos

Solo GPT Solo Claude Solo Gemini Solo Grok Solo Open Weight

cuánto gastar por tarea

hasta $1 hasta $3 hasta $8 sin tope

filtrar modelos

Desmarca los que no puedes usar, o los que no quieres, para sacarlos de las tres respuestas y del gráfico.

más ajustes · 3 cambiados

evidencia mínima para ser respuesta

al menos 2 benchmarks al menos 1 benchmark

Casi todo lo open weight lo ha medido un solo benchmark. Bajar el mínimo a uno los deja competir, con el precio de que su nota sale de una única medición, la del benchmark que les tocó: entran marcados como confianza baja.

CursorBench 4.0

cuenta no cuenta

CursorBench ya no puede medir los modelos de OpenAI, así que pon «no cuenta» si quieres evitar ese sesgo.

Puntúa con DeepSWE v1.1 y Terminal-Bench 4.0 · nada por encima de $8 la tarea · Solo Claude

quitar filtros

respuestamodelocalidad$/tareaLo que costó resolver las tareas de los benchmarks, con las tres fuentes puestas en la misma escala. Sirve para comparar modelos entre sí; no es lo que vas a pagar tú, que depende de tu repo, de tu prompt y de tu harness.

01 barato
bajo riesgo

Claude Opus 5low

1× más barato que el líder, con el 77% de su calidad.

59/100$4.87/tarea

03 uno bueno
sin mirar precio

Claude Opus 5medium

Lo más capaz que hay medido. Y se nota en la factura.

76/100$6.94/tarea

calidad de 2 benchmarks nivelados · el $/tarea es un índice, no tu factura cómo se calcula

Con estos filtros solo quedan 2 intercambios distintos, y para tres respuestas hacen falta tres.

calidad ↑ · $/tarea → · 8 variantescalidad ↑ · $/tarea → · 8 variantes · 4 en el frontier, unidas por la línea

Otras 20 variantes están medidas por un solo benchmark y no compiten por las tres respuestas. cuáles y por qué