2 benchmarks · 121 variantes puntuadas · hace 21 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

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

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

Gemini 3.7 Flashhigh

1× más barato que el líder, con el 75% de su calidad.

41/100$2.81/tarea

03 uno bueno
sin mirar precio

Gemini 3.8 Flashhigh

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

55/100$4.11/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 → · 2 variantescalidad ↑ · $/tarea → · 2 variantes · 2 en el frontier, unidas por la línea

Otras 6 variantes están medidas por un solo benchmark y no compiten por las tres respuestas. cuáles y por qué