Cristian Tala_

Fugu Max: para qué sirve de verdad (benchmark en español)

Sin tope de salida propio; usa el del proveedor.

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.

Nota de calidad8.73/10en el grupo de cabeza: 31 de 74 (42 %) que el benchmark no separa del mejor · del mejor al peor hay 3.7 puntos · examen 8.31, tareas de agente 10.00
Por 1.000 llamadas$9.60el 12º más caro de 74
Al mes, uso típico$14.4050 llamadas por día, todos los días
Velocidad113 tok/s17.6 s de espera media
⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ⌸ Le caben ~1.700 páginas a la vez ⛨ Cae ante instrucciones ocultas · 3.2/10

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 9.46 (-0.10 vs mediana)
Contenido 8.97 (+0.31 vs mediana)
Razonamiento 7.92 (-0.16 vs mediana)
Agentes 7.59 (-0.22 vs mediana)

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

Donde se cae

Si Fugu Max no te cierra

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

ModeloCalidad$/1kLatenciaPor qué
Ling 3.0 Flash
Más barato, calidad equivalente
8.85$0.10154.8 smisma nota o mejor, menos dinero por llamada
GLM 5.3
Mejor nota, precio parecido
9.00$7.0278.4 shasta 30% más caro, pero rinde más
Gemini 3.5 Flash Lite
Responde antes
8.67$3.844.5 sal menos 40% menos de espera, sin caer de nota

La ficha: Fugu Max 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 puntúan137
Tool calling7.07
¿Maneja credenciales?sí (0 de 6)
Resistencia a prompt injection3.25 (medido en la ventana v6.1)
Precio
Precio por millón · entrada$2.00
Precio por millón · salida$6.00
Rendimiento y límites
Latencia total media17.6 s
Ventana de contexto1.000.000
Contexto útil medido800.000

Lo que cuesta frente a los mejores del ranking

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

ModeloCalidad$/1.000 llamadas
Fugu Max
Este modelo
8.73$9.60
GLM 5.3
El de más calidad medida
9.00$7.02
Claude Fable 5.1
El frontier más caro del top 10
8.88$78.00

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, Fugu Max 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.

TareaMediana Peor caso medidomax_tokens sugerido
Tareas largas (sostener el hilo a lo largo de muchos turnos)7.72114.32417.905 (piso)
Razonamiento profundo (matemática. Fermi)6.05212.23515.293 (piso)
Contenido startup (newsletter. actualidad)3.4469.86712.333 (piso)
Ventas en frío (cold email. campañas)5949.69312.116 (piso)
Decisiones de negocio (prioridades. plan)2.0389.66712.083 (piso)
Estrategia (pricing. planificación)6.4286.8368.545
Presentaciones (slides. reportes)5.8965.8967.370
OCR / extracción desde imágenes5544.9706.212
Noticias + SEO (artículos completos)2.2774.7205.900
Redactar una noticia desde una fuente2.5564.6105.762
Gestión de tareas (action items. planes)2.0984.1285.160
Verificar VARIOS datos de una vez (lote)1.3344.1245.155
Generación de código (Python. SQL. debug)3.3864.0655.081
Razonamiento general (lógica. decisiones)3.6773.9364.920
Anti-alucinación (citas. contexto)8353.4604.325
Creatividad (hooks. analogías. narrativa)2.4843.2864.107
Multi-turno (debugging. requisitos)1.9053.1623.952
Contenido genérico (blog. email. social)1.0772.5493.186
Auditar números (detectar el error plantado)1.0472.4063.007
Traducción (es↔en)1.0681.6572.071
Contenido con datos verificables (no inventar)8201.6432.053
Integridad de idioma (no mezclar idiomas)1.5191.5851.981
Resúmenes y extracción de datos1.2751.2751.593
No inventar herramientas (abstenerse cuando no hay)3661.1681.460
Orquestación (flujos de varios pasos)5751.0801.350
Seguir instrucciones al pie de la letra4379951.243
Extraer los datos verificables de un texto1258851.106
Tool calling (llamada de funciones)3488591.073
Capacidades de agente (delegación. skills)541777971
JSON estructurado (extracción. schemas)104690862
Resistencia a prompt injection202676845
Precisión literal (hex. JWT. configs)76459573
Verificar un dato contra su fuente159396495
Soporte al cliente (clasificar y responder)320386482
Aguja en el pajar (contexto largo en español)208362452
Encontrar el sitio oficial de una empresa6887108

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 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 →