// ranking
Mejor LLM para resumir textos (2026)
Resumir no es solo acortar: es conservar lo importante y descartar el ruido. Ranking por la suite de summarization del benchmark.
// tabla
Ranking: Mejor LLM para resumir textos (2026)
| # | Modelo | Summarization | Calidad | Puesto en calidad | US$ in / out por M | Velocidad |
|---|---|---|---|---|---|---|
| ≈ | Claude Sonnet 5.5grupo de cabeza | 9.0 | 8.79 | #21 de 74 | $2.00 / $10.00 | 113 tok/s |
| ≈ | Fugu Maxgrupo de cabeza | 8.5 | 8.73 | #30 de 74 | $2.00 / $6.00 | 113 tok/s |
| ≈ | GLM 5.3 Flashgrupo de cabeza | 8.4 | 8.88 | #7 de 74 | $0.15 / $0.50 | 69 tok/s |
| ≈ | GLM 5.3grupo de cabeza | 8.3 | 9.00 | #1 de 74 | $1.40 / $4.40 | 70 tok/s |
| ≈ | Nemotron 3.5 Lightninggrupo de cabeza | 8.3 | 7.18 | #68 de 74 | $0.08 / $0.20 | 181 tok/s |
| ≈ | Qwen 3.6 27B base (OpenRouter FP8)grupo de cabeza | 8.2 | 8.81 | #15 de 74 | $0.30 / $2.00 | 55 tok/s |
| ≈ | GPT-6.1 Solgrupo de cabeza | 8.2 | 8.69 | #34 de 74 | $2.00 / $10.00 | 50 tok/s |
| ≈ | Gemini 3.5 Flash Litegrupo de cabeza | 8.2 | 8.67 | #36 de 74 | $0.30 / $2.50 | 158 tok/s |
// por lo que cuesta
La misma capacidad, por lo que cuesta
| # | Modelo | Calidad×precio | Summarization | US$ por 1.000 llamadas | Velocidad |
|---|---|---|---|---|---|
| 1 | Nemotron 3.5 Lightning | 8.65 | 8.3 | $0.32 | 181 tok/s |
| 2 | GPT-OSS 120B | 8.64 | 8.2 | $0.28 | 88 tok/s |
| 3 | GPT-OSS 20B | 8.59 | 8.0 | $0.22 | 116 tok/s |
| 4 | Ministral 14B | 8.47 | 8.1 | $0.36 | 46 tok/s |
| 5 | Nemotron 3 Nano 30B | 8.45 | 8.0 | $0.32 | 80 tok/s |
| 6 | Step 3.5 Flash | 8.43 | 8.2 | $0.48 | 87 tok/s |
| 7 | GLM 5.3 Flash | 8.37 | 8.4 | $0.80 | 69 tok/s |
| 8 | Granite 4.2 8B | 8.30 | 7.9 | $0.39 | 101 tok/s |
// cómo leerlo
Cómo interpretar este ranking de summarization
Este ranking no mide «inteligencia general» ni el score global. Mide qué modelo rinde mejor para summarization en casos reales: resumen de documentos largos, síntesis de reuniones, abstracts, digest de noticias, resumen de soporte al cliente. El orden depende solo de la nota de esa tarea, no del costo, la velocidad ni la latencia.
En esta dimensión el benchmark no separa a estos 60 modelos de la cima. Rondan los 9.0/10 y la diferencia entre ellos es menor que el margen de error de la medición. Si tu prioridad es costo, velocidad o privacidad, el orden puede cambiar: el score global de la calculadora pondera calidad (70 %), costo (15 %), velocidad (7.5 %) y latencia (7.5 %). Ajusta esos pesos en la calculadora para tu caso.
Solo entran modelos del ranking vigente: rindieron el examen completo, con al menos 50 runs.
// los tres primeros
El grupo de cabeza: 60 modelos que el benchmark no separa
Con la regla del ruido: dentro del margen de error se marca «≈» y va primero el más barato; un modelo que se separa de los demás conserva su puesto. La diferencia entre ellos es menor que el margen de error de la medición: la decisión es de precio.
≈ Ling 3.0 Flash · 7.5/10
Ling 3.0 Flash (openrouter, open source) cuesta $0.02 / $0.06 por millón de tokens y rinde a 54 tok/s. Está en el grupo de cabeza: su nota no se distingue de la del resto del grupo. Tiene pesos abiertos, así que puedes correrlo en varios proveedores o local.
≈ DeepSeek V4 Flash 0731 · 7.4/10
DeepSeek V4 Flash 0731 (openrouter, open source) cuesta $0.06 / $0.12 por millón de tokens y rinde a 149 tok/s. Está en el grupo de cabeza: su nota no se distingue de la del resto del grupo. Tiene pesos abiertos, así que puedes correrlo en varios proveedores o local.
≈ Qwen 3.7 Flash · 7.3/10
Qwen 3.7 Flash (openrouter, propietario) cuesta $0.03 / $0.13 por millón de tokens y rinde a 76 tok/s. Está en el grupo de cabeza: su nota no se distingue de la del resto del grupo.
// quiénes encabezan
Quiénes encabezan
Para summarization (resumir textos largos sin perder información clave), el benchmark no separa a estos 60 modelos de la cima: Claude Sonnet 5.5, Fugu Max, GLM 5.3 Flash, GLM 5.3, Nemotron 3.5 Lightning, Qwen 3.6 27B base (OpenRouter FP8), GPT-6.1 Sol, Gemini 3.5 Flash Lite y 52 más. La diferencia entre ellos es menor que el margen de error de la medición, y ordenarlos por puesto sería inventar una diferencia que la medición no tiene.
Dentro del grupo, el más barato es Ling 3.0 Flash, a $0.02 / $0.06 por millón de tokens. Antes de pagar más por otro del grupo, pruébalos con tus propios prompts.
// costo real
Costo real para volumen
Los tres de arriba, a 1.000 y 10.000 llamadas al mes (300 tokens de entrada y 1.500 de salida por llamada, el promedio del benchmark):
| Modelo | US$ por M tokens | 1.000 llamadas/mes | 10.000 llamadas/mes |
|---|---|---|---|
| Ling 3.0 Flash | $0.02 / $0.06 | $0.10 | $1.00 |
| DeepSeek V4 Flash 0731 | $0.06 / $0.12 | $0.20 | $2.00 |
| Qwen 3.7 Flash | $0.03 / $0.13 | $0.20 | $2.00 |
// frontier
¿Dónde quedan los modelos frontier?
Mucha gente llega buscando a los laboratorios grandes. De cada familia, su modelo mejor ubicado en esta tarea concreta, por su lugar en esta tabla y no por lo que cuesta (dentro del grupo de cabeza no hay puesto: el benchmark no los separa):
- Claude (Anthropic) Claude Sonnet 5.5 ≈ grupo de cabeza 9.0/10
- GPT (OpenAI) GPT-6.1 Sol ≈ grupo de cabeza 8.2/10
- Gemini (Google) Gemini 3.5 Flash Lite ≈ grupo de cabeza 8.2/10
- Grok (xAI) Grok 4.7 ≈ grupo de cabeza 7.9/10
// antes de migrar
Antes de migrar, haz esto
Ya tienes un candidato. No lo cambies a ciegas: toma los dos primeros de la tabla y pásales cinco prompts reales tuyos, de los que ya corres en producción. Un benchmark general te dice quién arranca adelante; tu caso decide quién gana.
// alcance
Qué mide esta página y qué no
Lo que sostiene el veredicto
- Resúmenes y extracción de datos — resumir sin perder lo que importa · saturada, no los distingue
Lo que no medimos
- Programar con un agente durante horas en un repositorio (Claude Code, Cursor): SWE-Bench Pro (tareas largas de ingeniería de software en repositorios abiertos, por tasa de resolución) · Terminal-Bench 4.1 (si un agente completa tareas de trabajo real en una terminal, con su costo y tokens) · SWE-bench Verified (si un agente resuelve issues reales de repositorios de Python con un parche que pasa los tests; OpenAI dejó de reportarlo en febrero de 2026 por contaminación y tests defectuosos; se lee junto a SWE-Bench Pro)
- Agentes que usan herramientas y atienden a una persona en varios turnos: τ²-bench (agentes con herramientas que atienden a un usuario que también actúa (retail, aerolínea, telecomunicaciones), con pass^k; en 2026 salió τ³-bench (tareas corregidas, banca con base de conocimiento y voz); la misma página publica los dos)
- Qué respuesta prefiere la gente, votando a ciegas: Arena (antes LMArena) (qué respuesta prefieren las personas en comparaciones a ciegas, por categoría (texto, desarrollo web, visión y otras))
- Precio y velocidad por proveedor, medidos en continuo: Artificial Analysis (precio, velocidad y latencia de cada modelo y de cada proveedor que lo sirve, más su índice de inteligencia)
// metodología
¿Qué mide este benchmark?
No es un benchmark académico. 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 un proveedor real, velocidad, español neutro y agentes de varios turnos.
Hay 244 modelos catalogados, 193 medidos y 88.000+ runs reales evaluados por un LLM-as-Judge (Phi-4, de Microsoft, vía OpenRouter, 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. La tabla se ordena por calidad, sin mezclar precio: responde «¿quién lo hace mejor?». El score global de la calculadora pondera calidad (70 %), costo (15 %), velocidad (7.5 %) y latencia (7.5 %): responde «¿qué conviene poner en producción?».
Límite conocido: el juez es un modelo chico y varios evaluados son más capaces que él. Ordena bien, pero comprime las diferencias en la cima: un empate quiere decir que el juez no los distingue, no que sean idénticos. Metodología y tests completos.
// relacionadas
Comparaciones relacionadas
// preguntas
Preguntas frecuentes sobre summarization
¿Cuál es el mejor LLM para summarization hoy?
En summarization, el benchmark no separa a estos 60 modelos de la cima. El más barato del grupo es Ling 3.0 Flash. No hay un único «mejor»: la diferencia entre ellos es menor que el margen de error de la medición.
¿Para qué casos NO sirve este ranking?
Si tu caso es muy distinto a summarization (por ejemplo, necesitas razonamiento profundo, tool calling crítico o privacidad extrema), probablemente haya mejores opciones. Usa la calculadora para ajustar pesos por caso.
¿De dónde salen estos datos?
De un benchmark abierto con 88.000+ runs reales y LLM-as-Judge (Phi-4, de Microsoft, vía OpenRouter, sin conflicto de interés). Código y resultados en GitHub.
¿Cada cuánto se actualiza?
Con cada lote de modelos nuevos. La fecha de actualización está al inicio. Filtra la versión más reciente en la calculadora.
// calculadora
Prueba la calculadora con tu caso real
Ajusta presupuesto, calidad mínima y tipo de tarea sobre 193 modelos medidos.
Ir a la calculadora →