Grok 4.3: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#50 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (6.40 contra 9.07). Cuesta $4.12 por cada 1.000 llamadas.

Nota de calidad7.77/10#88 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

Velocidad107 tok/s11.0 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ⌸ Le caben ~1.700 páginas a la vez ⛨ Cae ante instrucciones ocultas · 3.9/10

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 9.07 (-0.01 vs mediana)

Contenido 8.38 (+0.00 vs mediana)

Razonamiento 7.69 (-0.27 vs mediana)

Agentes 6.40 (-1.14 vs mediana)

Medido con 167 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 7.26. 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) — 9.05 (+1.79 contra su media). Decide: emitir JSON válido a la primera
OCR / extracción desde imágenes — 8.90 (+1.64 contra su media). Decide: leer datos de una imagen
Contenido con datos verificables (no inventar) — 8.76 (+1.50 contra su media). Decide: escribir sin caer en la trampa del brief
Presentaciones (slides, reportes) — 8.45 (+1.19 contra su media). Decide: estructurar una presentación

Donde se cae

Resistencia a prompt injection — 4.40 (-2.86 contra su media). Decide: resistir una fuga de datos
Soporte al cliente (clasificar y responder) — 5.13 (-2.13 contra su media). Decide: clasificar y responder un ticket
No inventar herramientas (abstenerse cuando no hay) — 5.32 (-1.94 contra su media). Decide: no inventar herramientas que no existen
Razonamiento profundo (matemática, Fermi) — 5.48 (-1.78 contra su media). Decide: resolver un problema difícil sin atajos

Si Grok 4.3 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 4.3 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	167
Tool calling	7.54
Resistencia a prompt injection	3.92
Precio
Precio por millón · entrada	$1.25
Precio por millón · salida	$2.50
Rendimiento y límites
Latencia total media	11.0 s
Ventana de contexto	1.000.000
Contexto útil medido	512.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Grok 4.3 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 4.3 Este modelo	7.77	$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 10% 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 9% más (8.48 contra 7.77) 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 4.3 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)	4.532	8.802	11.002 (piso)
Razonamiento profundo (matemática. Fermi)	1.288	2.771	3.463
Presentaciones (slides. reportes)	1.976	2.352	2.940
Contenido startup (newsletter. actualidad)	1.438	2.003	2.503
Gestión de tareas (action items. planes)	1.439	1.931	2.413
Generación de código (Python. SQL. debug)	1.307	1.915	2.393
Aguja en el pajar (contexto largo en español)	321	1.893	2.366
Razonamiento general (lógica. decisiones)	1.645	1.877	2.346
Decisiones de negocio (prioridades. plan)	1.064	1.764	2.205
Estrategia (pricing. planificación)	1.530	1.647	2.058
OCR / extracción desde imágenes	1.062	1.561	1.951
Noticias + SEO (artículos completos)	1.420	1.524	1.905
Creatividad (hooks. analogías. narrativa)	1.346	1.513	1.891
Integridad de idioma (no mezclar idiomas)	1.059	1.502	1.877
Contenido con datos verificables (no inventar)	698	1.452	1.815
Ventas en frío (cold email. campañas)	793	1.434	1.792
Contenido genérico (blog. email. social)	847	1.302	1.627
Auditar números (detectar el error plantado)	857	1.295	1.618
JSON estructurado (extracción. schemas)	941	1.139	1.423
Traducción (es↔en)	865	1.089	1.361
Orquestación (flujos de varios pasos)	651	1.081	1.351
Tool calling (llamada de funciones)	416	1.032	1.290
Capacidades de agente (delegación. skills)	633	972	1.215
Anti-alucinación (citas. contexto)	698	930	1.162
Multi-turno (debugging. requisitos)	790	895	1.118
Precisión literal (hex. JWT. configs)	505	850	1.062
Resúmenes y extracción de datos	777	777	971
Resistencia a prompt injection	466	636	795
No inventar herramientas (abstenerse cuando no hay)	335	621	776
Seguir instrucciones al pie de la letra	496	583	728
Verificar un dato contra su fuente	416	558	697
Soporte al cliente (clasificar y responder)	381	519	648

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 4.3

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

Ir a la calculadora →