// 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.
// 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.
// tabla
Los 3 tiers del ranking vigente, uno al lado del otro
| Tier | Calidad | Coding | Contenido | Razon. | Agentes | Costo al mes | Latencia | Score |
|---|---|---|---|---|---|---|---|---|
| MiniMax M3.1 Flash← el más barato | 8.35 | 9.5 | 7.8 | 8.1 | 7.2 | ≈$1/mes | 48.7 s | 4.18 |
| MiniMax M2.5 | 8.48 | 9.6 | 8.7 | 7.9 | 7.7 | ≈$5/mes | 10.7 s | 6.74 |
| MiniMax M3 | 8.33 | 9.5 | 7.6 | 8.2 | 7.2 | ≈$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 | 7.65 | 7.00 | 8.25 | Suite saturada: no los distingue |
| PlanificarArmar un plan cuya aritmética cierre y respete las restricciones | 8.80 | 9.20 | 8.40 | Suite saturada: no los distingue |
| Escribir con restriccionesNo repetir el dato falso del brief, no meter el CTA prohibido | 8.67 | 9.33 | 10.00 | Suite saturada: no los distingue |
| Razonamiento profundoMatemática, lógica formal, estimaciones Fermi | 7.08 | 7.50 | 6.67 | Suite saturada: no los distingue |
| CódigoGenerar y corregir código que funcione | 9.16 | 9.38 | 9.25 | Suite saturada: no los distingue |
| Agentes largosMantener el hilo y las restricciones a lo largo de muchos turnos | 9.58 | 8.42 | 8.96 | Arriba no se separan M3.1 Flash y M3 |
| Multi-turnoConversaciones de ida y vuelta sin perder el contexto | 7.00 | 7.38 | 7.50 | Suite saturada: no los distingue |
// 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
- Porque rindió el examen completo antes de la ventana de v5: se publica en el histórico, con su era y sin puesto: MiniMax M2.7.
// alcance
Qué mide esta página y qué no
Lo que sostiene el veredicto
- Capacidades de agente (delegación, skills) — delegar y usar lo que tiene a mano
- Tareas largas (sostener el hilo a lo largo de muchos turnos) — sostener una tarea larga
- Auditar números (detectar el error plantado) — encontrar el error en un número · saturada, no los distingue
- Decisiones de negocio (prioridades, plan) — armar un plan que se sostiene · saturada, no los distingue
- Generación de código (Python, SQL, debug) — escribir código que corre · saturada, no los distingue
- Contenido genérico (blog, email, social) — escribir un texto correcto
- Contenido con datos verificables (no inventar) — escribir sin caer en la trampa del brief · saturada, no los distingue
- Creatividad (hooks, analogías, narrativa) — encontrar un ángulo que no es el obvio · saturada, no los distingue
- Soporte al cliente (clasificar y responder) — clasificar y responder un ticket
- Razonamiento profundo (matemática, Fermi) — resolver un problema difícil sin atajos · saturada, no los distingue
- Anti-alucinación (citas, contexto) — no inventar cuando no sabe · saturada, no los distingue
- Integridad de idioma (no mezclar idiomas) — no meter otro idioma en medio del texto
- Multi-turno (debugging, requisitos) — no perderse en una conversación larga · saturada, no los distingue
- Noticias + SEO (artículos completos) — escribir un artículo publicable · saturada, no los distingue
- OCR / extracción desde imágenes — leer datos de una imagen · saturada, no los distingue
- Orquestación (flujos de varios pasos) — coordinar un flujo de varios pasos
- Seguir instrucciones al pie de la letra — hacer exactamente lo que se pidió · saturada, no los distingue
- Presentaciones (slides, reportes) — estructurar una presentación
- Razonamiento general (lógica, decisiones) — razonar con varias piezas a la vez
- Ventas en frío (cold email, campañas) — escribir para vender
- Contenido startup (newsletter, actualidad) — escribir para una audiencia de negocio
- Estrategia (pricing, planificación) — elegir entre opciones de negocio · saturada, no los distingue
- JSON estructurado (extracción, schemas) — emitir JSON válido a la primera · saturada, no los distingue
- Resúmenes y extracción de datos — resumir sin perder lo que importa
- Gestión de tareas (action items, planes) — convertir una conversación en tareas
- No inventar herramientas (abstenerse cuando no hay) — no inventar herramientas que no existen
- Traducción (es↔en) — traducir sin deformar el sentido · saturada, no los distingue
- Verificar un dato contra su fuente — decidir si una fuente respalda una afirmación · saturada, no los distingue
- harbor-conciliar
- harbor-cotizar
- harbor-facturacion
- harbor-incidente
- harbor-leads-correo
- harbor-reunion
- harbor-ruteo
- harbor-verificar-entorno
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)
// 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.
// 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.