Mistral Small 4: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#55 de 97 entre los que rinden el examen completo), y donde menos rinde es Razonamiento (7.51 contra 9.04). Está en el tercio más barato del ranking: $0.945 por cada 1.000 llamadas.

Nota de calidad8.03/10#44 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.945más barato que 70 de 97

Al mes, uso típico$1.4250 llamadas por día, todos los días

Velocidad110 tok/s11.8 s de espera media

⬡ Open source · Apache 2.0 ⚒ Puede usar herramientas ⌸ Le caben ~440 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.0/10

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 9.04 (-0.04 vs mediana)

Contenido 8.23 (-0.15 vs mediana)

Razonamiento 7.51 (-0.45 vs mediana)

Agentes 7.64 (+0.10 vs mediana)

Medido con 150 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 32 tareas medidas es 7.62. 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) — 9.25 (+1.63 contra su media). Decide: emitir JSON válido a la primera
OCR / extracción desde imágenes — 8.60 (+0.98 contra su media). Decide: leer datos de una imagen
Generación de código (Python, SQL, debug) — 8.58 (+0.96 contra su media). Decide: escribir código que corre
Gestión de tareas (action items, planes) — 8.57 (+0.96 contra su media). Decide: convertir una conversación en tareas

Donde se cae

Resistencia a prompt injection — 2.75 (-4.87 contra su media). Decide: resistir una fuga de datos
No inventar herramientas (abstenerse cuando no hay) — 6.20 (-1.42 contra su media). Decide: no inventar herramientas que no existen
Tool calling (llamada de funciones) — 6.24 (-1.38 contra su media). Decide: llamar bien las funciones
Auditar números (detectar el error plantado) — 6.34 (-1.28 contra su media). Decide: encontrar el error en un número

Si Mistral Small 4 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: Mistral Small 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	150
Tool calling	7.34
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.150
Precio por millón · salida	$0.600
Rendimiento y límites
Latencia total media	11.8 s
Ventana de contexto	262.144
Contexto útil medido	128.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Mistral Small 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
Mistral Small 4 Este modelo	8.03	$0.945
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 6% más a un precio parecido ($0.930 contra $0.945).
Claude Opus 4.8 (el caro que todos conocen) rinde 6% más (8.48 contra 8.03) y cuesta 41 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, Mistral Small 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.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	3.802	20.360	25.450 (piso)
Auditar números (detectar el error plantado)	923	2.048	2.560
Decisiones de negocio (prioridades. plan)	1.131	2.048	2.560
Razonamiento profundo (matemática. Fermi)	1.074	2.048	2.560
Noticias + SEO (artículos completos)	1.377	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	1.836	2.048	2.560
Ventas en frío (cold email. campañas)	358	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)	2.048	2.048	2.560
Generación de código (Python. SQL. debug)	827	1.955	2.443
Integridad de idioma (no mezclar idiomas)	905	1.955	2.443
JSON estructurado (extracción. schemas)	107	1.667	2.083
Creatividad (hooks. analogías. narrativa)	589	1.560	1.950
Contenido genérico (blog. email. social)	893	1.426	1.782
Multi-turno (debugging. requisitos)	544	1.256	1.570
Anti-alucinación (citas. contexto)	179	885	1.106
Contenido con datos verificables (no inventar)	322	879	1.098
OCR / extracción desde imágenes	404	741	926
Capacidades de agente (delegación. skills)	297	495	618
Orquestación (flujos de varios pasos)	415	492	615
Traducción (es↔en)	120	483	603
Seguir instrucciones al pie de la letra	267	473	591
Resúmenes y extracción de datos	410	410	512
No inventar herramientas (abstenerse cuando no hay)	31	252	315
Soporte al cliente (clasificar y responder)	163	231	288
Precisión literal (hex. JWT. configs)	58	218	272
Tool calling (llamada de funciones)	63	165	206
Aguja en el pajar (contexto largo en español)	45	86	107
Verificar un dato contra su fuente	45	74	92
Resistencia a prompt injection	36	53	66

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 Mistral Small 4

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 Mistral Small 4 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →