Qué m*ldito modelo uso

2 benchmarks · 121 variantes puntuadas · hace 17 h

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 · 2 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 · basta un benchmark para poder ser respuesta · Solo Grok

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

Grok 4.6lowconfianza baja

2× más barato que el líder, con el 61% de su calidad.

42/100$1.56/tarea

03 uno bueno
sin mirar precio

Grok 4.6mediumconfianza baja

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

69/100$3.88/tarea

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