Grok 4.20: para qué sirve de verdad (benchmark en español)

Lo mejor que tiene es Coding, y aun así queda abajo (#66 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (6.72 contra 8.90). Cuesta $4.12 por cada 1.000 llamadas.

Nota de calidad7.70/10#91 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$4.12el 40º más caro de 97

Al mes, uso típico$6.1950 llamadas por día, todos los días

Velocidad66 tok/s10.2 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ⌸ Le caben ~3.300 páginas a la vez ⛨ Cae ante instrucciones ocultas · 2.0/10

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 8.90 (-0.18 vs mediana)

Contenido 8.43 (+0.05 vs mediana)

Razonamiento 7.57 (-0.38 vs mediana)

Agentes 6.72 (-0.82 vs mediana)

Medido con 146 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 7.21. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

OCR / extracción desde imágenes — 8.86 (+1.65 contra su media). Decide: leer datos de una imagen
JSON estructurado (extracción, schemas) — 8.79 (+1.58 contra su media). Decide: emitir JSON válido a la primera
Generación de código (Python, SQL, debug) — 8.54 (+1.33 contra su media). Decide: escribir código que corre
Decisiones de negocio (prioridades, plan) — 8.32 (+1.11 contra su media). Decide: armar un plan que se sostiene

Donde se cae

Resistencia a prompt injection — 3.19 (-4.02 contra su media). Decide: resistir una fuga de datos
Orquestación (flujos de varios pasos) — 5.04 (-2.17 contra su media). Decide: coordinar un flujo de varios pasos
No inventar herramientas (abstenerse cuando no hay) — 5.25 (-1.96 contra su media). Decide: no inventar herramientas que no existen
Capacidades de agente (delegación, skills) — 5.43 (-1.78 contra su media). Decide: delegar y usar lo que tiene a mano

Si Grok 4.20 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: Grok 4.20 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	146
Tool calling	6.79
Resistencia a prompt injection	2.05
Precio
Precio por millón · entrada	$1.25
Precio por millón · salida	$2.50
Rendimiento y límites
Latencia total media	10.2 s
Ventana de contexto	2.000.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Grok 4.20 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
Grok 4.20 Este modelo	7.70	$4.12
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 11% más y además es más barato: $0.930 contra $4.12. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 10% más (8.48 contra 7.70) y cuesta 9 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, Grok 4.20 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)	2.444	8.481	10.601 (piso)
Razonamiento profundo (matemática. Fermi)	1.205	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Contenido startup (newsletter. actualidad)	1.286	1.881	2.351
Noticias + SEO (artículos completos)	1.209	1.786	2.232
Decisiones de negocio (prioridades. plan)	913	1.584	1.980
Estrategia (pricing. planificación)	1.478	1.540	1.925
Gestión de tareas (action items. planes)	1.089	1.509	1.886
Razonamiento general (lógica. decisiones)	1.006	1.402	1.752
JSON estructurado (extracción. schemas)	96	1.377	1.721
Auditar números (detectar el error plantado)	628	1.233	1.541
Generación de código (Python. SQL. debug)	787	1.148	1.435
Integridad de idioma (no mezclar idiomas)	754	1.088	1.360
Ventas en frío (cold email. campañas)	350	1.076	1.345
Creatividad (hooks. analogías. narrativa)	697	995	1.243
Contenido genérico (blog. email. social)	816	833	1.041
OCR / extracción desde imágenes	345	798	997
Anti-alucinación (citas. contexto)	178	771	963
Multi-turno (debugging. requisitos)	705	768	960
Contenido con datos verificables (no inventar)	279	725	906
Traducción (es↔en)	108	438	547
Orquestación (flujos de varios pasos)	50	437	546
Resúmenes y extracción de datos	352	352	440
Capacidades de agente (delegación. skills)	158	321	401
Seguir instrucciones al pie de la letra	265	310	387
Resistencia a prompt injection	56	143	178
Precisión literal (hex. JWT. configs)	41	110	137
Soporte al cliente (clasificar y responder)	73	93	116
Tool calling (llamada de funciones)	66	80	100
No inventar herramientas (abstenerse cuando no hay)	18	72	90
Verificar un dato contra su fuente	44	57	71

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 Grok 4.20

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 Grok 4.20 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →