Claude Sonnet 4.6: para qué sirve de verdad (benchmark en español)

Su fuerte es Contenido (#28 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.54 contra 8.57). Cuesta $23.40 por cada 1.000 llamadas.

Nota de calidad8.12/10#68 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$23.40el 11º más caro de 97

Al mes, uso típico$35.1050 llamadas por día, todos los días

Velocidad47 tok/s20.6 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ⛨ Resiste bien instrucciones ocultas · 9.3/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 8.17 (-0.91 vs mediana)

Contenido 8.57 (+0.19 vs mediana)

Razonamiento 7.55 (-0.40 vs mediana)

Agentes 7.54 (+0.00 vs mediana)

Medido con 171 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.09. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Contenido con datos verificables (no inventar) — 8.40 (+1.31 contra su media). Decide: escribir sin caer en la trampa del brief
OCR / extracción desde imágenes — 7.97 (+0.88 contra su media). Decide: leer datos de una imagen
Verificar un dato contra su fuente — 7.97 (+0.88 contra su media). Decide: decidir si una fuente respalda una afirmación
Integridad de idioma (no mezclar idiomas) — 7.97 (+0.88 contra su media). Decide: no meter otro idioma en medio del texto

Donde se cae

Noticias + SEO (artículos completos) — 4.91 (-2.18 contra su media). Decide: escribir un artículo publicable
Tool calling (llamada de funciones) — 5.23 (-1.86 contra su media). Decide: llamar bien las funciones
Capacidades de agente (delegación, skills) — 5.78 (-1.31 contra su media). Decide: delegar y usar lo que tiene a mano
Anti-alucinación (citas, contexto) — 5.95 (-1.14 contra su media). Decide: no inventar cuando no sabe

Si Claude Sonnet 4.6 no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash Más barato, calidad equivalente	7.98	$0.101	12.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: Claude Sonnet 4.6 en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	171
Tool calling	8.51
Resistencia a prompt injection	9.31
Precio
Precio por millón · entrada	$3.00
Precio por millón · salida	$15.00
Rendimiento y límites
Latencia total media	20.6 s
Ventana de contexto	—

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Claude Sonnet 4.6 para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Claude Sonnet 4.6 Este modelo	8.12	$23.40
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 5% más y además es más barato: $0.930 contra $23.40. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 4% más (8.48 contra 8.12) y cuesta 2 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Claude Sonnet 4.6 no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	3.015	19.834	24.792 (piso)
Auditar números (detectar el error plantado)	718	2.048	2.560
Decisiones de negocio (prioridades. plan)	1.049	2.048	2.560
Generación de código (Python. SQL. debug)	1.195	2.048	2.560
Razonamiento profundo (matemática. Fermi)	1.089	2.048	2.560
Noticias + SEO (artículos completos)	1.933	2.048	2.560
OCR / extracción desde imágenes	1.060	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	2.048	2.048	2.560
Contenido startup (newsletter. actualidad)	2.047	2.048	2.560
Estrategia (pricing. planificación)	2.048	2.048	2.560
JSON estructurado (extracción. schemas)	104	2.048	2.560
Gestión de tareas (action items. planes)	1.736	2.047	2.558
Ventas en frío (cold email. campañas)	897	2.012	2.515
Creatividad (hooks. analogías. narrativa)	835	1.715	2.143
Integridad de idioma (no mezclar idiomas)	817	1.547	1.933
Contenido genérico (blog. email. social)	981	1.147	1.433
Multi-turno (debugging. requisitos)	567	929	1.161
Orquestación (flujos de varios pasos)	500	821	1.026
Capacidades de agente (delegación. skills)	377	813	1.016
Contenido con datos verificables (no inventar)	362	742	927
Anti-alucinación (citas. contexto)	404	672	840
Traducción (es↔en)	123	664	830
Resúmenes y extracción de datos	606	606	757
No inventar herramientas (abstenerse cuando no hay)	133	597	746
Soporte al cliente (clasificar y responder)	398	460	575
Seguir instrucciones al pie de la letra	434	435	543
Tool calling (llamada de funciones)	230	322	402
Resistencia a prompt injection	134	268	335
Verificar un dato contra su fuente	66	231	288
Precisión literal (hex. JWT. configs)	56	197	246

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Claude Sonnet 4.6

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Claude Sonnet 4.6 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →