Claude: ¿Haiku, Sonnet, Opus o Fable?
Anthropic tiene una escalera de precios de 10× entre su modelo de entrada y el de arriba. La medimos toda con la misma suite. Si la calidad subiera igual que el precio, esta página no existiría.
La respuesta corta
Los 8 tiers empatan en calidad: la diferencia entre ellos es más chica que el margen de error de la medición. Y el más caro cuesta 10× lo que el más barato.
Costos a 3.000 llamadas/mes (≈100 por día). Ajústalo a tu volumen en la calculadora. Y baja un poco: hay un caso donde el caro sí vale la pena, y no es el que te venden.
Los 8 tiers, uno al lado del otro
| Tier | Calidad | Coding | Contenido | Razon. | Agentes | Costo/mes | Latencia | Score |
|---|---|---|---|---|---|---|---|---|
| Haiku 4.5 ← el más barato | 8.19 | 9.1 | 8.2 | 8.1 | 7.8 | ≈$23/mes | 9.8s | 6.22 |
| Sonnet 5 | 7.94 | 9.4 | 8.0 | 7.4 | 7.5 | ≈$47/mes | 21.0s | 3.98 |
| Opus 4.8 | 8.37 | 9.1 | 8.7 | 8.5 | 7.7 | ≈$117/mes | 22.0s | 6.24 |
| Opus 4.6 | 8.34 | 8.7 | 8.8 | 8.5 | 7.8 | ≈$117/mes | 34.5s | 5.85 |
| Opus 4.7 | 8.28 | 9.2 | 8.3 | 8.3 | 7.8 | ≈$117/mes | 32.0s | 5.57 |
| Opus 5 | 7.55 | 8.2 | 8.1 | 7.4 | 6.8 | ≈$117/mes | 32.9s | 1.37 |
| Fable 5 | 8.27 | 7.9 | 9.0 | 8.3 | 7.4 | ≈$234/mes | 36.0s | 5.27 |
| Opus 5 Fast | 7.42 | 7.6 | 8.2 | 7.1 | 6.8 | ≈$234/mes | 13.7s | 0.80 |
Opus 5 Fast cuesta 10 veces más que Haiku 4.5 y no gana en ninguna categoría. La escalera de precios no está comprada con calidad: está comprada con otra cosa (contexto, límites de uso, prioridad en cola).
| Qué le pedís | Haiku 4.5$7.80 | Sonnet 5$15.60 | Opus 4.8$39.00 | Opus 4.6$39.00 | Opus 4.7$39.00 | Opus 5$39.00 | Fable 5$78.00 | Opus 5 Fast$78.00 | ¿El precio compra algo? |
|---|---|---|---|---|---|---|---|---|---|
| Auditar un negocioEncontrar el error en un P&L, la causalidad falsa, la métrica envenenada | 6.80 | 7.60 | 8.20 | 7.90 | 8.40 | 6.67 | 8.00 | 7.20 | Gana Opus 4.7 |
| PlanificarArmar un plan cuya aritmética cierre y respete las restricciones | 8.90 | 8.80 | 9.20 | 9.20 | 9.20 | 9.20 | 9.20 | 9.20 | Gana Opus 4.8 |
| Escribir con restriccionesNo repetir el dato falso del brief, no meter el CTA prohibido | 6.67 | 10.00 | 9.20 | 10.00 | 9.20 | 9.20 | 10.00 | 10.00 | Gana Sonnet 5 |
| Razonamiento profundoMatemática, lógica formal, estimaciones Fermi | 8.20 | 5.83 | 7.36 | 7.92 | 6.99 | 6.25 | 6.95 | 5.28 | Va al revés: gana el barato |
| CódigoGenerar y corregir código que funcione | 9.26 | 8.04 | 9.30 | 9.08 | 9.08 | 8.62 | 9.02 | 8.02 | Gana Opus 4.8 |
| Agentes largosMantener el hilo y las restricciones a lo largo de muchos turnos | 7.96 | 7.71 | 8.08 | 9.10 | 8.10 | 6.92 | 6.60 | 7.08 | Gana Opus 4.6 |
| Multi-turnoConversaciones de ida y vuelta sin perder el contexto | 7.38 | 7.00 | 8.50 | 8.00 | 7.67 | 7.88 | 7.50 | 7.50 | Gana Opus 4.8 |
| Tool callingLlamar herramientas con los parámetros correctos | 6.75 | 5.70 | 5.35 | 5.70 | 5.56 | 4.65 | 4.65 | 4.65 | Va al revés: gana el barato |
Cómo leer esto sin equivocarte
Que dos tiers empaten no significa que sean idénticos: significa que esta medición no los distingue. Con 103 corridas, cada número tiene un margen alrededor; cuando ese margen se solapa, la diferencia que ves es ruido, no señal. Si volviera a correr el test mañana, el orden podría darse vuelta sin que nada haya cambiado en los modelos.
La consecuencia práctica es simple: si la calidad empata, la decisión es de precio y de velocidad. Y si el proveedor quiere que pagues más, que te diga exactamente qué compras — con su margen de error al lado.
Antes de migrar, haz esto
Ya sabes cuál gana en el papel. No lo cambies a ciegas: toma el mejor de cada familia y pásales cinco prompts reales tuyos, de los que ya corres en producción. Una comparación general te dice quién arranca adelante; tu caso decide quién gana. Son veinte minutos y te ahorran una migración equivocada.
Y una advertencia: este resultado se recalcula con cada lote de modelos nuevos. Como el score de cada modelo es relativo a todos los demás, un modelo nuevo mueve a todos. El ganador de hoy puede no serlo el mes que viene.
Cada vez que corro un lote nuevo, publico el recálculo ahí — con los datos crudos y lo que cambió de lugar. Es también donde hay gente tomando esta misma decisión. Entrar es gratis.
¿Qué mide este benchmark?
No es un benchmark académico (para eso están MMLU, HumanEval o SWE-bench). Es un benchmark aplicado para emprendedores hispanohablantes: mide qué modelo conviene poner en producción para casos reales, con lo que los benchmarks oficiales no cubren — costo en provider real, velocidad, español neutro y agentes multi-turno.
Contamos con 192 modelos catalogados, 138 testeados y 30.000+ runs reales evaluados por un LLM-as-Judge local (Phi-4, de Microsoft — sin conflicto de interés), en 4 pilares:
- Coding — generar código, JSON estructurado y debugging en tareas reales (plugins WordPress, scripts, templates de N8N).
- Contenido y marketing — blogs, copy y textos largos en español neutro (no traducción del inglés).
- Razonamiento — matemáticas, lógica formal y planificación multi-paso.
- Agentes y operaciones — multi-turno largo, tool calling y flujos tipo N8N / Hermes.
Dos números distintos, no los confundas. Las tablas por tarea de esta página se ordenan por calidad en esa tarea: capacidad pura, sin mezclar precio. Es la respuesta a "¿quién lo hace mejor?".
El score global es otra cosa: una función ponderada (calidad 70% + costo 15% + velocidad 7,5% + latencia 7,5%) que responde "¿qué conviene poner en producción?". Ahí un modelo barato y rápido sí puede superar a uno más capaz pero caro. Los dos números sirven — para preguntas distintas.
Tool calling va como insignia aparte (no suma al score global): indica si el modelo soporta herramientas, no su calidad. Límite conocido: el juez es Phi-4 (14B) y varios modelos evaluados son más capaces que él — ordena bien, pero comprime las diferencias en la cima. Leé un empate como "el juez no los distingue", no como "son idénticos". Metodología y tests completos.