GPT-OSS 20B: para qué sirve de verdad (benchmark en español)

Lo mejor que tiene es Coding, y aun así queda abajo (#67 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.14 contra 8.88). Está en el tercio más barato del ranking: $0.219 por cada 1.000 llamadas.

Nota de calidad7.91/10#77 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.219más barato que 90 de 97

Al mes, uso típico$0.32950 llamadas por día, todos los días

Velocidad95 tok/s22.4 s de espera media

⬡ Open source · Apache 2.0 ⚒ Puede usar herramientas ⌸ Le caben ~220 páginas a la vez ⛨ Cae ante instrucciones ocultas · 2.1/10

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 8.88 (-0.20 vs mediana)

Contenido 8.45 (+0.07 vs mediana)

Razonamiento 7.49 (-0.46 vs mediana)

Agentes 7.14 (-0.41 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 31 tareas medidas es 7.37. 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) — 8.92 (+1.55 contra su media). Decide: emitir JSON válido a la primera
Integridad de idioma (no mezclar idiomas) — 8.71 (+1.34 contra su media). Decide: no meter otro idioma en medio del texto
Contenido startup (newsletter, actualidad) — 8.51 (+1.14 contra su media). Decide: escribir para una audiencia de negocio
Razonamiento general (lógica, decisiones) — 8.46 (+1.09 contra su media). Decide: razonar con varias piezas a la vez

Donde se cae

Resistencia a prompt injection — 3.47 (-3.90 contra su media). Decide: resistir una fuga de datos
Seguir instrucciones al pie de la letra — 5.78 (-1.59 contra su media). Decide: hacer exactamente lo que se pidió
Ventas en frío (cold email, campañas) — 6.15 (-1.22 contra su media). Decide: escribir para vender
Tool calling (llamada de funciones) — 6.28 (-1.09 contra su media). Decide: llamar bien las funciones

Si GPT-OSS 20B 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
Qwen 3.7 Flash Mejor nota, precio parecido	8.49	$0.204	28.5 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-OSS 20B 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	6.40
Resistencia a prompt injection	2.13
Precio
Precio por millón · entrada	$0.029
Precio por millón · salida	$0.140
Rendimiento y límites
Latencia total media	22.4 s
Ventana de contexto	131.072

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a GPT-OSS 20B 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-OSS 20B Este modelo	7.91	$0.219
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 8% más (8.52 contra 7.91) y cuesta 4 veces más por llamada.
Claude Opus 4.8 (el caro que todos conocen) rinde 7% más (8.48 contra 7.91) y cuesta 178 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-OSS 20B 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)	4.307	13.445	16.806 (piso)
Auditar números (detectar el error plantado)	1.917	3.983	4.978
Razonamiento general (lógica. decisiones)	2.048	3.827	4.783
Presentaciones (slides. reportes)	3.162	3.162	3.952
Contenido startup (newsletter. actualidad)	2.048	2.699	3.373
Decisiones de negocio (prioridades. plan)	2.048	2.048	2.560
Generación de código (Python. SQL. debug)	1.636	2.048	2.560
Creatividad (hooks. analogías. narrativa)	1.967	2.048	2.560
Razonamiento profundo (matemática. Fermi)	2.048	2.048	2.560
Anti-alucinación (citas. contexto)	455	2.048	2.560
OCR / extracción desde imágenes	1.213	2.048	2.560
Ventas en frío (cold email. campañas)	1.073	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
Noticias + SEO (artículos completos)	1.714	2.033	2.541
Multi-turno (debugging. requisitos)	1.708	1.970	2.462
JSON estructurado (extracción. schemas)	444	1.767	2.208
Contenido con datos verificables (no inventar)	819	1.763	2.203
Traducción (es↔en)	556	1.761	2.201
Orquestación (flujos de varios pasos)	297	1.471	1.838
Integridad de idioma (no mezclar idiomas)	1.200	1.388	1.735
Resúmenes y extracción de datos	1.198	1.198	1.497
Contenido genérico (blog. email. social)	913	997	1.246
No inventar herramientas (abstenerse cuando no hay)	245	935	1.168
Seguir instrucciones al pie de la letra	560	699	873
Capacidades de agente (delegación. skills)	346	656	820
Precisión literal (hex. JWT. configs)	329	492	615
Soporte al cliente (clasificar y responder)	247	469	586
Verificar un dato contra su fuente	196	390	487
Tool calling (llamada de funciones)	62	273	341
Resistencia a prompt injection	167	265	331

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 GPT-OSS 20B

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 GPT-OSS 20B es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →