Cristian Tala_

// variantes

MiniMax: ¿M2.7 o M3?

MiniMax tiene 3 tiers en el ranking vigente, y el más caro cuesta 4× lo que el más barato. Los medimos con el mismo examen, 137 corridas cada uno. Esto es lo que pasa cuando los pones a trabajar.

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

// la respuesta corta

La respuesta corta

En nuestras 28 suites del examen y 8 tareas agénticas (ver la lista), esta medición no distingue a los 3 tiers: la diferencia entre ellos es menor que su margen de error. En 15 de esas suites todos quedan dentro del margen de error del mejor modelo de cada suite: esas 15 están saturadas y no discriminan, así que no dicen si el caro rinde más en tu caso. El más caro cuesta 4× lo que el más barato.

Para tareas como estas, empieza por este MiniMax M3.1 Flash ≈$1/mes calidad 8.35/10 · 48.7 s de respuesta · el más barato
El más caro MiniMax M3 ≈$6/mes calidad 8.33/10 · 68.0 s. Esta medición no lo separa del primero; cuesta más y responde más lento.

Costos a 3.000 llamadas al mes (unas 100 por día). Ajústalo a tu volumen en la calculadora.

// tabla

Los 3 tiers del ranking vigente, uno al lado del otro

Ordenados por precio, del más barato al más caro, para que veas si la calidad sube con él. Los pilares son calidad pura en esa tarea, sin mezclar costo.

TierCalidad CodingContenidoRazon.Agentes Costo al mesLatenciaScore
MiniMax M3.1 Flash← el más barato 8.35 9.57.88.17.2 ≈$1/mes 48.7 s 4.18
MiniMax M2.5 8.48 9.68.77.97.7 ≈$5/mes 10.7 s 6.74
MiniMax M3 8.33 9.57.68.27.2 ≈$6/mes 68.0 s 3.59

// la escalera

¿Dónde compra algo el precio?

M3 cuesta 4 veces más que M3.1 Flash y no se separa arriba en ninguna de las 7 categorías. En 6 esta medición no distingue a ningún tier, y en el resto arriba queda más de uno o gana un tier que no es el más caro. En 6 de ellas todos quedan dentro del margen de error del mejor modelo de cada suite: esas 6 están saturadas y no discriminan. Eso no prueba que rindan igual en todo: prueba que estas pruebas no los separan.

Qué le pides M3.1 Flash
$0.47
M2.5
$1.70
M3
$1.89
¿El precio compra algo?
Auditar un negocioEncontrar el error en un P&L, la causalidad falsa, la métrica envenenada 7.657.008.25 Suite saturada: no los distingue
PlanificarArmar un plan cuya aritmética cierre y respete las restricciones 8.809.208.40 Suite saturada: no los distingue
Escribir con restriccionesNo repetir el dato falso del brief, no meter el CTA prohibido 8.679.3310.00 Suite saturada: no los distingue
Razonamiento profundoMatemática, lógica formal, estimaciones Fermi 7.087.506.67 Suite saturada: no los distingue
CódigoGenerar y corregir código que funcione 9.169.389.25 Suite saturada: no los distingue
Agentes largosMantener el hilo y las restricciones a lo largo de muchos turnos 9.588.428.96 Arriba no se separan M3.1 Flash y M3
Multi-turnoConversaciones de ida y vuelta sin perder el contexto 7.007.387.50 Suite saturada: no los distingue

Los números son calidad pura, sin costo ni velocidad, sobre los mismos tests rendidos por los 3 tiers. Bajo cada tier, lo que cuestan 1.000 llamadas. Arriba de cada suite queda el mejor y los que no se separan de él por más que el margen de error de esa suite; con pocos tests por suite, ese margen es amplio.

// cómo leerlo

Cómo leer esto sin equivocarte

Que dos tiers empaten no significa que sean idénticos: significa que esta medición no los distingue. Con 137 corridas por tier, cada número tiene un margen alrededor; cuando la diferencia cabe en ese margen, 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 esta medición no los distingue en lo que te importa, 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.

// versiones anteriores

Las que no están en el ranking vigente

Esta tabla compara solo modelos del ranking vigente. Estas 1 versiones de la familia MiniMax se midieron, pero no compiten hoy; cada una tiene su motivo.

Versiones anteriores →

// alcance

Qué mide esta página y qué no

Lo que sostiene el veredicto

28 suites, cada una con sus pruebas publicadas. 15 están saturadas para los modelos de esta página: todos quedan dentro del margen de error del mejor modelo en esa suite, así que no los distingue.

8 tareas agénticas, que el modelo ejecuta en un entorno real y verifica un test, no un juez:

Lo que no medimos

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

// antes de migrar

Antes de migrar, haz esto

No cambies de tier a ciegas: toma el que empieza la lista y el que pensabas contratar, y pásales unos cuantos prompts reales tuyos. Un benchmark general 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 →

// 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.