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

Donde mejor rinde es Coding (#45 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.55 contra 9.09). Cuesta $24.00 por cada 1.000 llamadas.

Nota de calidad8.39/10#13 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$24.00el 9º más caro de 97

Al mes, uso típico$36.0050 llamadas por día, todos los días

Velocidad60 tok/s13.6 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ◈ Razona antes de responder ⛨ Resiste bien instrucciones ocultas · 8.9/10

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 9.09 (+0.02 vs mediana)

Contenido 8.52 (+0.14 vs mediana)

Razonamiento 8.29 (+0.33 vs mediana)

Agentes 7.55 (+0.01 vs mediana)

Medido con 148 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 33 tareas medidas es 7.49. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Encontrar el sitio oficial de una empresa — 8.97 (+1.48 contra su media). Decide: elegir el dominio real, o abstenerse
Extraer los datos verificables de un texto — 8.90 (+1.41 contra su media). Decide: sacar TODOS los datos, no solo los fáciles
JSON estructurado (extracción, schemas) — 8.82 (+1.33 contra su media). Decide: emitir JSON válido a la primera
OCR / extracción desde imágenes — 8.41 (+0.92 contra su media). Decide: leer datos de una imagen

Donde se cae

Razonamiento profundo (matemática, Fermi) — 6.18 (-1.31 contra su media). Decide: resolver un problema difícil sin atajos
Tool calling (llamada de funciones) — 6.23 (-1.26 contra su media). Decide: llamar bien las funciones
Noticias + SEO (artículos completos) — 6.35 (-1.14 contra su media). Decide: escribir un artículo publicable
Capacidades de agente (delegación, skills) — 6.39 (-1.10 contra su media). Decide: delegar y usar lo que tiene a mano

Si GPT-5.4 no te cierra

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

Modelo	Calidad	$/1k	Latencia	Por qué
Poolside Laguna XS 2.1 Más barato, calidad equivalente	8.26	$0.198	9.7 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: GPT-5.4 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	148
Tool calling	7.36
Resistencia a prompt injection	8.95
Precio
Precio por millón · entrada	$5.00
Precio por millón · salida	$15.00
Rendimiento y límites
Latencia total media	13.6 s
Ventana de contexto	—

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a GPT-5.4 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 Este modelo	8.39	$24.00
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 2% más y además es más barato: $0.930 contra $24.00. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 1% más (8.48 contra 8.39) 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, GPT-5.4 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)	3.875	12.560	15.700 (piso)
Decisiones de negocio (prioridades. plan)	1.450	5.434	6.792
Auditar números (detectar el error plantado)	1.117	3.614	4.517
Creatividad (hooks. analogías. narrativa)	630	2.048	2.560
Razonamiento profundo (matemática. Fermi)	1.451	2.048	2.560
Noticias + SEO (artículos completos)	1.532	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	2.048	2.048	2.560
Ventas en frío (cold email. campañas)	403	2.048	2.560
Contenido startup (newsletter. actualidad)	2.048	2.048	2.560
Estrategia (pricing. planificación)	2.048	2.048	2.560
Gestión de tareas (action items. planes)	1.336	2.048	2.560
Integridad de idioma (no mezclar idiomas)	754	1.448	1.810
Multi-turno (debugging. requisitos)	1.186	1.374	1.717
Generación de código (Python. SQL. debug)	711	1.273	1.591
JSON estructurado (extracción. schemas)	74	1.234	1.542
OCR / extracción desde imágenes	347	1.206	1.507
Contenido genérico (blog. email. social)	656	742	927
Anti-alucinación (citas. contexto)	208	719	898
Contenido con datos verificables (no inventar)	294	688	860
Capacidades de agente (delegación. skills)	293	515	643
Orquestación (flujos de varios pasos)	319	487	608
Resúmenes y extracción de datos	375	375	468
Traducción (es↔en)	103	326	407
No inventar herramientas (abstenerse cuando no hay)	31	320	400
Seguir instrucciones al pie de la letra	236	249	311
Extraer los datos verificables de un texto	86	217	271
Precisión literal (hex. JWT. configs)	44	192	240
Soporte al cliente (clasificar y responder)	68	124	155
Tool calling (llamada de funciones)	99	123	153
Verificar un dato contra su fuente	46	70	87
Encontrar el sitio oficial de una empresa	47	65	81
Resistencia a prompt injection	47	65	81

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.

¿Es el mejor para TU caso?

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

Ir a la calculadora →