Fugu Max: para qué sirve de verdad (benchmark en español)
Lo mejor que tiene es Coding, y aun así queda abajo (#54 de 74 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.59 contra 9.46). Cuesta $9.60 por cada 1.000 llamadas.
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.
Medido con 137 runs que puntúan, juez Phi-4 vía OpenRouter · actualizado 2026-11-12 · datos abiertos
Tareas de agente: hasta que la tarea se corrija, no cuentan los checks cuya trampa el agente no podía conocer por el enunciado (en facturación, 3 de sus 8). La nota de agente y «N de 4» se calculan sin ellos.
Qué hace bien y qué no
Su media entre las 36 tareas medidas es 7.47. Un promedio esconde justo lo que te importa, así que acá están los extremos.
Donde rinde por encima de sí mismo
- Precisión literal (hex, JWT, configs) — 8.96 (+1.49 contra su media).
- Encontrar el sitio oficial de una empresa — 8.94 (+1.47 contra su media).
- JSON estructurado (extracción, schemas) — 8.79 (+1.32 contra su media).
- Redactar una noticia desde una fuente — 8.45 (+0.98 contra su media).
Donde se cae
- Resistencia a prompt injection — 3.69 (-3.78 contra su media).
- Capacidades de agente (delegación, skills) — 5.43 (-2.04 contra su media).
- Tool calling (llamada de funciones) — 5.63 (-1.84 contra su media).
- Orquestación (flujos de varios pasos) — 5.74 (-1.73 contra su media).
Si Fugu Max no te cierra
| Modelo | Calidad | $/1k | Latencia | Por qué |
|---|---|---|---|---|
| Ling 3.0 Flash | 8.85 | $0.101 | 54.8 s | misma nota o mejor, menos dinero por llamada |
| GLM 5.3 | 9.00 | $7.02 | 78.4 s | hasta 30% más caro, pero rinde más |
| Gemini 3.5 Flash Lite | 8.67 | $3.84 | 4.5 s | al menos 40% menos de espera, sin caer de nota |
La ficha: Fugu Max en números
| Calidad medida | |
|---|---|
| Runs que puntúan | 137 |
| Tool calling | 7.07 |
| ¿Maneja credenciales? | sí (0 de 6) |
| Resistencia a prompt injection | 3.25 |
| Precio | |
| Precio por millón · entrada | $2.00 |
| Precio por millón · salida | $6.00 |
| Rendimiento y límites | |
| Latencia total media | 17.6 s |
| Ventana de contexto | 1.000.000 |
| Contexto útil medido | 800.000 |
Lo que cuesta frente a los mejores del ranking
| Modelo | Calidad | $/1.000 llamadas |
|---|---|---|
| Fugu Max | 8.73 | $9.60 |
| GLM 5.3 | 9.00 | $7.02 |
| Claude Fable 5.1 | 8.88 | $78.00 |
- GLM 5.3 (el techo medido) rinde 3% más y además es más barato: $7.02 contra $9.60. Acá no hay que elegir.
- Claude Fable 5.1 (el caro que todos conocen) rinde 2% más (8.88 contra 8.73) y cuesta 8 veces más por llamada.
Cuánto max_tokens darle, por tarea
| Tarea | Mediana | Peor caso medido | max_tokens sugerido |
|---|---|---|---|
| Tareas largas (sostener el hilo a lo largo de muchos turnos) | 7.721 | 14.324 | 17.905 |
| Razonamiento profundo (matemática. Fermi) | 6.052 | 12.235 | 15.293 |
| Contenido startup (newsletter. actualidad) | 3.446 | 9.867 | 12.333 |
| Ventas en frío (cold email. campañas) | 594 | 9.693 | 12.116 |
| Decisiones de negocio (prioridades. plan) | 2.038 | 9.667 | 12.083 |
| Estrategia (pricing. planificación) | 6.428 | 6.836 | 8.545 |
| Presentaciones (slides. reportes) | 5.896 | 5.896 | 7.370 |
| OCR / extracción desde imágenes | 554 | 4.970 | 6.212 |
| Noticias + SEO (artículos completos) | 2.277 | 4.720 | 5.900 |
| Redactar una noticia desde una fuente | 2.556 | 4.610 | 5.762 |
| Gestión de tareas (action items. planes) | 2.098 | 4.128 | 5.160 |
| Verificar VARIOS datos de una vez (lote) | 1.334 | 4.124 | 5.155 |
| Generación de código (Python. SQL. debug) | 3.386 | 4.065 | 5.081 |
| Razonamiento general (lógica. decisiones) | 3.677 | 3.936 | 4.920 |
| Anti-alucinación (citas. contexto) | 835 | 3.460 | 4.325 |
| Creatividad (hooks. analogías. narrativa) | 2.484 | 3.286 | 4.107 |
| Multi-turno (debugging. requisitos) | 1.905 | 3.162 | 3.952 |
| Contenido genérico (blog. email. social) | 1.077 | 2.549 | 3.186 |
| Auditar números (detectar el error plantado) | 1.047 | 2.406 | 3.007 |
| Traducción (es↔en) | 1.068 | 1.657 | 2.071 |
| Contenido con datos verificables (no inventar) | 820 | 1.643 | 2.053 |
| Integridad de idioma (no mezclar idiomas) | 1.519 | 1.585 | 1.981 |
| Resúmenes y extracción de datos | 1.275 | 1.275 | 1.593 |
| No inventar herramientas (abstenerse cuando no hay) | 366 | 1.168 | 1.460 |
| Orquestación (flujos de varios pasos) | 575 | 1.080 | 1.350 |
| Seguir instrucciones al pie de la letra | 437 | 995 | 1.243 |
| Extraer los datos verificables de un texto | 125 | 885 | 1.106 |
| Tool calling (llamada de funciones) | 348 | 859 | 1.073 |
| Capacidades de agente (delegación. skills) | 541 | 777 | 971 |
| JSON estructurado (extracción. schemas) | 104 | 690 | 862 |
| Resistencia a prompt injection | 202 | 676 | 845 |
| Precisión literal (hex. JWT. configs) | 76 | 459 | 573 |
| Verificar un dato contra su fuente | 159 | 396 | 495 |
| Soporte al cliente (clasificar y responder) | 320 | 386 | 482 |
| Aguja en el pajar (contexto largo en español) | 208 | 362 | 452 |
| Encontrar el sitio oficial de una empresa | 68 | 87 | 108 |
Los números oficiales de Fugu Max
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.
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 Fugu Max es tu opción o hay algo mejor para lo que haces.
Ir a la calculadora →