GPT-5.4 Mini: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#49 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.44 contra 9.08). Cuesta $2.40 por cada 1.000 llamadas.

Nota de calidad8.17/10#25 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$2.40más barato que 53 de 97

Al mes, uso típico$3.6050 llamadas por día, todos los días

Velocidad99 tok/s6.7 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ◈ Razona antes de responder ⛨ Resiste instrucciones ocultas · 7.5/10

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 9.08 (+0.00 vs mediana)

Contenido 8.11 (-0.27 vs mediana)

Razonamiento 8.10 (+0.14 vs mediana)

Agentes 7.44 (-0.10 vs mediana)

Medido con 154 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 7.82. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 9.11 (+1.29 contra su media). Decide: emitir JSON válido a la primera
OCR / extracción desde imágenes — 8.91 (+1.09 contra su media). Decide: leer datos de una imagen
Estrategia (pricing, planificación) — 8.78 (+0.96 contra su media). Decide: elegir entre opciones de negocio
Integridad de idioma (no mezclar idiomas) — 8.75 (+0.93 contra su media). Decide: no meter otro idioma en medio del texto

Donde se cae

Noticias + SEO (artículos completos) — 5.73 (-2.09 contra su media). Decide: escribir un artículo publicable
No inventar herramientas (abstenerse cuando no hay) — 6.34 (-1.48 contra su media). Decide: no inventar herramientas que no existen
Tool calling (llamada de funciones) — 6.48 (-1.34 contra su media). Decide: llamar bien las funciones
Resistencia a prompt injection — 6.96 (-0.86 contra su media). Decide: resistir una fuga de datos

Si GPT-5.4 Mini no te cierra

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

Modelo	Calidad	$/1k	Latencia	Por qué
Nex-N2-Mini Más barato, calidad equivalente	8.13	$0.158	17.1 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

La ficha: GPT-5.4 Mini 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	154
Tool calling	6.87
Resistencia a prompt injection	7.45
Precio
Precio por millón · entrada	$0.500
Precio por millón · salida	$1.50
Rendimiento y límites
Latencia total media	6.7 s
Ventana de contexto	—

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a GPT-5.4 Mini 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
GPT-5.4 Mini Este modelo	8.17	$2.40
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 4% más y además es más barato: $0.930 contra $2.40. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 4% más (8.48 contra 8.17) y cuesta 16 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, GPT-5.4 Mini 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.

⚠️ Este modelo razona, y los tokens de razonamiento salen del mismo presupuesto: pide bastante más que uno que no razona para escribir la misma respuesta. Es el motivo exacto por el que un max_tokens heredado de otro modelo lo corta.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	2.420	6.439	8.048
Decisiones de negocio (prioridades. plan)	1.029	3.580	4.475
Estrategia (pricing. planificación)	2.212	2.672	3.340
Razonamiento profundo (matemática. Fermi)	696	2.580	3.225
Noticias + SEO (artículos completos)	1.559	2.387	2.983
Razonamiento general (lógica. decisiones)	1.657	2.048	2.560
Contenido startup (newsletter. actualidad)	1.996	2.048	2.560
Gestión de tareas (action items. planes)	1.226	2.048	2.560
Creatividad (hooks. analogías. narrativa)	509	1.892	2.365
Presentaciones (slides. reportes)	1.864	1.864	2.330
Auditar números (detectar el error plantado)	866	1.778	2.222
Ventas en frío (cold email. campañas)	384	1.702	2.127
Integridad de idioma (no mezclar idiomas)	621	1.241	1.551
JSON estructurado (extracción. schemas)	74	1.166	1.457
Anti-alucinación (citas. contexto)	208	1.142	1.427
Generación de código (Python. SQL. debug)	570	1.028	1.285
Multi-turno (debugging. requisitos)	379	929	1.161
OCR / extracción desde imágenes	354	787	983
Contenido genérico (blog. email. social)	735	756	945
Orquestación (flujos de varios pasos)	358	652	815
Contenido con datos verificables (no inventar)	260	647	808
Traducción (es↔en)	101	577	721
Capacidades de agente (delegación. skills)	216	332	415
Resúmenes y extracción de datos	330	330	412
No inventar herramientas (abstenerse cuando no hay)	28	258	322
Seguir instrucciones al pie de la letra	221	238	297
Soporte al cliente (clasificar y responder)	119	220	275
Precisión literal (hex. JWT. configs)	44	198	247
Tool calling (llamada de funciones)	75	129	161
Resistencia a prompt injection	31	62	77
Verificar un dato contra su fuente	44	54	67

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si GPT-5.4 Mini es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →