Encuentra el modelo de IA perfecto para tu caso
Una calculadora, no un ranking. Basada en 27.000+ pruebas reales sobre 170 modelos de IA. Cuéntanos qué quieres hacer y cuánto lo vas a usar; te decimos cuál conviene —y cuánto cuesta.
¿Recién empiezas con la IA y no tienes claro qué diferencia a un modelo de otro? En la comunidad tenemos un curso gratis de introducción a los LLMs. Empieza por ahí y después vuelve a la calculadora.
Qué es este benchmark (y qué no es)
No reemplaza a los benchmarks académicos (HumanEval, MMLU, SWE-bench, LMSYS Arena): los complementa con lo que a quien emprende le importa y ellos no miden —costo en el proveedor real, latencia desde LATAM, español neutro y agentes multi-turno (N8N, Hermes, soporte). Para investigación académica → los oficiales. Para decidir qué poner en producción en español → esto. El score global pondera 70% calidad + 15% costo + 7,5% velocidad + 7,5% latencia, con referencia congelada (agregar un modelo no cambia el score de los demás). Cross-references con los oficiales.
Paso 1 de 3
¿Para qué lo vas a usar principalmente?
Paso 2 de 3
¿Cuánto vas a usarlo?
Define cuánto pesa el precio. Más volumen → el precio importa más.
Paso 3 de 3
¿Algo que sea obligatorio?
Opcional. Filtra por restricciones duras de tu caso.
Tus criterios
Presets por presupuesto:
Presets por caso de uso (ajustan pesos automáticamente):
Pesos del score global Quality 70 · Costo 15 · Velocidad 7.5 · Latencia 7.5 (clic para ajustar)
Todos los pesos están en 0. El score no puede calcularse.
No existe un "mejor modelo" universal. El score global es solo una forma de ordenar según tus prioridades. Cada dimensión se estandariza antes de ponderar (z-score v4.0), así que el peso refleja influencia real. Los pesos se normalizan automáticamente a 100%. Para decisiones concretas, usa los presets por caso de uso arriba o las tablas de MODELOS.md.
Tool calling se sigue mostrando como columna informativa en la tabla pero ya no pondera el score global (v4.0: peso = 0). Filtra por "Sólo con tool calling" si es requisito duro, o usa el pilar "Agentes" para ordenar por esa dimensión.
💡 ¿Qué tipo de modelo necesitas? Guía rápida
Tool calling
Casi todos los modelos modernos lo soportan. La calidad varía: el score "Agentes" del benchmark mide esto directamente.
Thinking models
Consumen ~4× tokens (razonamiento interno facturado como output). Más lentos pero más precisos en lógica.
Multimodal
Limitación actual: testea text-only. Multimodal real está en roadmap.
Open-source vs propietario
Apache 2.0 / MIT permiten uso comercial sin restricción. Llama 3 tiene cláusula de >700M MAU (irrelevante para 99% startups).
Velocidad alta (>200 tok/s)
Groq es el rey de velocidad (270+ tok/s). Trade-off: catálogo limitado vs OpenRouter.
Cobertura completa
El benchmark corre 91 tests por modelo. Modelos en cola sumarán cobertura en próximos lotes.
Mejores modelos para ti
¿Querés ir más a fondo?
En la comunidad Cágala, Aprende, Repite compartimos workshops, casos reales y el behind-the-scenes de cómo emprendedores latinoamericanos están usando IA para crecer sin financiamiento.
Unirme a la comunidad →Cómo se mide (el z-score y la referencia congelada)
La explicación sin estadística
Todos los modelos rinden el mismo examen: tareas de negocio reales, en español, por el mismo camino (OpenRouter) — así comparas modelos, no infraestructuras. La calidad la evalúa un juez neutral (Phi-4, de Microsoft, que no compite en el ranking) más una capa de verificación de hechos: muchos tests llevan una trampa plantada con respuesta correcta verificable — un error aritmético, un dato inventado, un secreto que no se debe filtrar. La cazas o no la cazas; ahí no hay opinión.
El score es una nota con curva, como en la universidad. No mide "qué tan bueno eres del 1 al 10" en abstracto — mide a qué distancia estás del promedio de todos los que compiten. Eso es el z-score. Un modelo exactamente promedio saca 5.5; arriba es mejor que el promedio del mercado, abajo es peor. Usamos z-score, y no una nota cruda, porque cada dimensión vive en otra escala —dólares, tokens/segundo, milisegundos— y sumarlas directo dejaría que el costo mandara más de lo que dice su peso. Estandarizar cada una primero hace que el peso que ves sea la influencia real: calidad 70%, costo 15%, velocidad 7.5%, latencia 7.5%. Los pesos son ajustables en el panel de filtros: tu caso manda.
La referencia está congelada por versión — tus números no se mueven solos. Antes, medir un modelo nuevo recalculaba la nota de todos (cambiaba el promedio del curso). Desde la v4.0 ya no: el promedio y la dispersión de cada dimensión se congelan como referencia, y cada modelo nuevo se puntúa contra esa referencia fija. Agregar un modelo no cambia el score de los demás. La referencia solo se recalcula cuando publicamos una versión nueva del benchmark (v4.1, v5.0…): un evento deliberado y anunciado, no algo automático. Aun así, buena práctica: cita el hallazgo ("los de arriba empatan en calidad") y enlaza acá, no el número suelto — entre versiones sí puede cambiar.
Lo que NO entra al score — a propósito: contexto largo y seguridad se muestran como columnas y filtros aparte, porque necesitarlos depende de tu caso (castigar a un modelo chico por no tener 800K de contexto haría el ranking peor para quien escribe posts). Rehusar una acción peligrosa —filtrar un secreto, ceder ante ingeniería social— no penaliza: negarse es la conducta correcta y se puntúa como tal. Y para rankear exigimos 50+ ejecuciones por modelo (con 20+ se reporta como "en evaluación"): con muestra chica, un modelo lidera por azar.
Los datos se versionan en JSON en el repo y se regeneran tras cada lote — esta calculadora lee
directamente docs/data/models.json.
Ver metodología completa →
Preguntas frecuentes
¿Cuál es la mejor alternativa a Claude para agentes N8N?
Hoy los mejores modelos abiertos del ranking — GLM 5.2 (MIT), DeepSeek R1 (MIT), Ministral 14B (Apache 2.0) — dan calidad al nivel de los premium por una fracción del precio. Pero el ranking se recalcula con cada lote, así que la respuesta con los números de hoy está siempre en esta calculadora: elige el preset de tu caso (agentes, coding, contenido) o ajusta los sliders. Si tu agente maneja credenciales o datos de clientes, mira también la columna de seguridad — ahí el orden cambia.
¿Vale la pena pagar GPT-5 o Claude Opus si hay alternativas más baratas?
En calidad medida sobre tareas aplicadas en español, los caros empatan con los mejores abiertos — pagar más no compra calidad de respuesta. Donde los premium sí compran algo verificable: seguridad (resisten mejor la fuga de credenciales ante inyección de prompts) y debugging agéntico real (ahí la referencia es SWE-bench Verified, que mide otra cosa que este benchmark). Para volumen alto de tareas comunes, los abiertos baratos son la compra racional; el benchmark te muestra el delta por tarea para tu caso.
¿Qué modelos open-source recomiendan para correr local en una DGX Spark?
Con 128GB de RAM unificada corres cómodo modelos de hasta ~120B cuantizados. Lo que mejor ha funcionado en la práctica: Qwen 3.6 35B (Apache 2.0 — con vLLM y cuantización NVFP4 corre a ~76 tok/s, velocidad de nube), Gemma 4 (Apache 2.0), Nemotron 3 Nano y GPT-OSS 120B. Ojo con la letra chica: la velocidad en tu máquina es de tu máquina, no del modelo — por eso los self-hosted se miden aparte y no compiten en el ranking principal.
¿Por qué usan Phi-4 como LLM-as-Judge y no GPT-4 o Claude?
Phi-4 (Microsoft, 14B, licencia MIT) es un juez sin conflicto de interés: ningún proveedor evaluado es también el juez. Corre con la misma rúbrica en español (publicada en el repo) vía OpenRouter u Ollama local — mismo modelo abierto en ambos casos. Y hay un matiz que aprendimos midiendo: a un juez LLM no le preguntamos "¿esto está bien?" (a eso todos contestan que sí — lo medimos con 6 jueces de 14B a 671B y todos saturan). Le preguntamos hechos verificables: ¿el texto repite el dato falso?, ¿filtró el secreto?, ¿la suma cierra? El juez verifica, no opina.
¿Por qué cambió el score de un modelo si el modelo no cambió?
Dentro de una misma versión, no cambia: desde la v4.0 la referencia del z-score está congelada, así que agregar un modelo nuevo no mueve la nota de los demás. Lo que sí puede reajustar el número es una versión nueva del benchmark (v4.1, v5.0…): ahí recalculamos la referencia contra toda la población actualizada y, como el score es una nota con curva —mide la distancia de cada modelo al promedio—, las notas se reajustan aunque el modelo no haya cambiado. El orden casi no se mueve (solo vecinos muy pegados pueden intercambiar puesto). Por eso citamos hallazgos ("los de arriba empatan en calidad") y no números sueltos: el hallazgo sobrevive al recálculo, el número puede cambiar entre versiones.
¿Cómo se calcula el costo mensual estimado en la calculadora?
Usamos un perfil promedio de 300 tokens input + 1,500 tokens output por call (típico de un agente N8N o asistente de contenido). Multiplicamos por las calls/mes y aplicamos los precios oficiales de cada proveedor (OpenRouter, OpenAI directo, Groq, Ollama Cloud). Los precios se actualizan manualmente con cada lote del benchmark.
¿El benchmark incluye tests de contexto largo y seguridad?
Sí, desde v2.8. El benchmark incluye NIAH-es (Needle-in-a-Haystack en español) que mide retrieval real a 8K, 64K, 128K, 256K, 512K y 800K tokens. El campo "Ctx" en la tabla muestra el contexto usable real: la ventana máxima donde el modelo mantiene retrieval ≥7, que puede ser menor al contexto declarado por el proveedor. Por ejemplo, MiniMax M3 declara 1M tokens pero su contexto efectivo medido es 512K.
La columna "Seg" mide resistencia a fuga de credenciales (suite prompt_injection_es): se planta un secreto en el documento y se evalúa si el modelo lo filtra. "Seguro" (≥7) significa que rechaza correctamente — importante para agentes que procesan documentos de terceros. Multimodal real (imágenes, audio) está en roadmap.
¿Puedo usar este benchmark para decidir qué modelo poner en producción?
Sí — para eso fue diseñado. Pero recomendamos validar en tu caso específico antes del switch: replicar 5-10 prompts típicos de tu producto contra los 2-3 modelos finalistas del ranking. El benchmark es buen filtro inicial pero ningún benchmark sustituye prompts reales de tu negocio. Para ayudarte con esa validación, en la comunidad Skool publicamos plantillas y workshops.
¿No sabes por dónde empezar?
La calculadora es para cuando ya sabes qué buscas. Si todavía no, empieza por una de estas — cada una termina en una recomendación concreta, no en una tabla.
¿Qué versión de cada modelo elijo?
El proveedor te vende una escalera: más caro, mejor. Acá auditamos si es cierto.
Cara a cara
Buscas reemplazar el que usas hoy
Ya elegiste el modelo. ¿Y por dónde lo llamas?
Elegir el modelo es la mitad de la decisión. La otra mitad casi nadie la mide.