Grok: ¿cuál de las versiones?
xAI sacó versiones nuevas de Grok una detrás de otra. Las medimos todas con la misma suite, y el orden en que quedan no es el orden en que salieron.
La respuesta corta
Los 3 tiers empatan en calidad: la diferencia entre ellos es más chica que el margen de error de la medición. Y el más caro cuesta 2× 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 3 tiers, uno al lado del otro
| Tier | Calidad | Coding | Contenido | Razon. | Agentes | Costo/mes | Latencia | Score |
|---|---|---|---|---|---|---|---|---|
| 4.3 ← el más barato | 7.63 | 8.1 | 7.5 | 7.7 | 6.6 | ≈$12/mes | 13.0s | 4.83 |
| 4.20 | 7.58 | 7.8 | 8.0 | 7.6 | 7.0 | ≈$12/mes | 11.9s | 4.59 |
| 4.5 | 7.76 | 7.6 | 8.1 | 8.4 | 5.5 | ≈$29/mes | 29.6s | 4.98 |
4.5 cuesta 2 veces más que 4.3. Y sí compra algo — pero solo en 3 de 8 categorías: auditar un negocio, razonamiento profundo, agentes largos.
En las otras 5, o empatan o gana el barato. Si tu trabajo cae justo en esas 3, el tier de arriba te da algo real. Si no, estás pagando 2× por menos.
| Qué le pedís | 4.3$4.12 | 4.20$4.12 | 4.5$9.60 | ¿El precio compra algo? |
|---|---|---|---|---|
| Auditar un negocioEncontrar el error en un P&L, la causalidad falsa, la métrica envenenada | 8.20 | 7.00 | 8.60 | El precio compra algo |
| PlanificarArmar un plan cuya aritmética cierre y respete las restricciones | 9.20 | 9.20 | 9.20 | Empatan — el precio no compra nada |
| Escribir con restriccionesNo repetir el dato falso del brief, no meter el CTA prohibido | 10.00 | 8.00 | 10.00 | Va al revés: gana el barato |
| Razonamiento profundoMatemática, lógica formal, estimaciones Fermi | 5.42 | 6.11 | 6.53 | El precio compra algo |
| CódigoGenerar y corregir código que funcione | 8.27 | 9.41 | 8.92 | Gana 4.20 |
| Agentes largosMantener el hilo y las restricciones a lo largo de muchos turnos | 7.83 | 7.58 | 9.43 | El precio compra algo |
| Multi-turnoConversaciones de ida y vuelta sin perder el contexto | 7.00 | 8.50 | 7.50 | Gana 4.20 |
| Tool callingLlamar herramientas con los parámetros correctos | 5.00 | 7.10 | 5.23 | Gana 4.20 |
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 170 modelos catalogados, 120 testeados y 14.000+ 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.