Cristian Tala_

// 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.

Última actualización: 2026-11-12 · datos abiertos en GitHub

// tabla

Ranking: Mejor LLM para resumir textos (2026)

Ordenado por la calidad en esta suite (summarization), sin ponderar costo ni velocidad. Al lado, la nota de calidad global y su puesto: un corte por eje sin el global es tan parcial como el global sin el eje. «≈» marca a los del grupo de cabeza: el benchmark no los separa.

#Modelo Summarization Calidad Puesto en calidad US$ in / out por MVelocidad
≈ 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

Filtra por presupuesto, calidad mínima o tarea en la calculadora interactiva.

// por lo que cuesta

La misma capacidad, por lo que cuesta

La tabla de arriba ordena por capacidad y nada más. Esta responde la pregunta de producción: de los que pueden, cuál conviene. Fórmula: 70 % capacidad y 30 % precio, con la misma curva de costo que usa el resto del benchmark.

Se publica porque los dos órdenes se parecen poco: la correlación entre los puestos de una tabla y de la otra es 0.31. Cuando es alta, la segunda tabla repetiría la primera y no se muestra.

#Modelo Calidad×precio Summarization US$ por 1.000 llamadasVelocidad
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):

ModeloUS$ por M tokens1.000 llamadas/mes10.000 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

Con volumen alto, un modelo más barato puede ahorrarte más de lo que pierdes en calidad. Valida con tu caso real en la calculadora.

// 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):

Para una comparación cara a cara, mira Claude vs ChatGPT o ajusta los pesos en la calculadora.

// 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.

Este resultado se recalcula con cada lote de modelos nuevos: el ganador de hoy puede no serlo el mes que viene.

Ver la comunidad →

// alcance

Qué mide esta página y qué no

Lo que sostiene el veredicto

1 suite, cada una con sus pruebas publicadas. 1 está saturada para los modelos de esta página: todos quedan dentro del margen de error del mejor modelo en esa suite, así que no los distingue.

Lo que no medimos

Para estas preguntas, este benchmark no tiene dato. Te dejamos dónde mirar (revisado el 12-11-2026):

// 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:

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 →