Qué m*ldito modelo uso

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 · 1 cambiado

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.

basta un benchmark para poder ser respuesta · Solo GPT

quitar filtros

3 benchmarks · 121 variantes puntuadas · hace 16 h

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.

03 uno bueno
sin mirar precio

GPT-6.1 Solmaxconfianza baja

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

›3 alternativas

GPT-5.6 Luna xhigh50 · $0.40
GPT-5.6 Luna high39 · $0.22
GPT-6 Luna maxconfianza baja28 · $0.16

86/100$1.43/tarea

calidad de 3 benchmarks nivelados · el $/tarea es un índice, no tu factura cómo se calcula

Lo que hay en medio se queda en 50 de calidad y hacen falta 65 para poder recomendarlo. Está en el gráfico, pero no como respuesta.

calidad ↑ · $/tarea → · 28 variantescalidad ↑ · $/tarea → · 28 variantes · 6 en el frontier, unidas por la línea

Qué maldito modelo uso