Benchmark de Modelos AI Alternativos: comparación abierta de LLMs en español para N8N, Hermes y emprendedores

Version v4.2.0 | Última actualización: 14 de agosto de 2026 | 📊 Datasheet junio · 📄 CheatSheet PDF julio · 📄 Executive Brief julio

Encuentra alternativas a Claude, GPT-5 y Gemini comparadas con 30,000+ tests reales: calidad, costo, velocidad, latencia y tool calling. Pensado para emprendedores latinoamericanos que construyen agentes en N8N o Hermes con presupuestos reales.

📍 Qué es este benchmark (y qué NO es): este benchmark NO sustituye a los benchmarks académicos validados (HumanEval, MMLU, GSM8K, SWE-bench Verified, NIAH original en inglés, MT-Bench, LMSYS Arena). Es un complemento diseñado específicamente para emprendedores hispanohablantes que necesitan decidir qué modelo usar en situaciones reales (N8N, Hermes, blogs de actualidad, soporte cliente, agentes, contenido en español neutro). Para investigación académica o capacidades fundamentales del modelo, prioriza los benchmarks oficiales — citados en BENCHMARKS_EXTERNOS.md. Para decidir qué modelo poner en producción para un caso de uso aplicado en español, esto suma información que los benchmarks oficiales no cubren: costo en provider real, latencia desde Latam, español neutro, agentes multi-turno, y debugging real (que medimos vía cross-ref con SWE-bench/Hermes-Eval, NO replicamos).

⚠️ No existe un "mejor modelo" universal. "Coding" significa cosas distintas si desarrollás plugins de WordPress, templates de N8N, scripts de automatización o proyectos grandes. Lo mismo con contenido (blog técnico ≠ copy de marketing ≠ newsletter), soporte al cliente o agentes. Este benchmark nació porque, como emprendedor, no encontré tests que me ayudaran a decidir para mis casos reales — ahora existen y son tuyos.

Benchmark de modelos AI para emprendedores y equipos que usan agentes (N8N, Hermes). Evalua modelos en los 4 pilares del emprendedor: Razonamiento, Coding, Contenido/Marketing, y Agentes/Operaciones. Incluye LLM-as-Judge local con Phi-4 (Microsoft, cero conflicto de interes) y la nueva suite agent_long_horizon que mide capacidades agénticas en multi-turno largo (lo que el single-turn no captura).

Cobertura actual: 138 modelos con ≥20 runs (191 catalogados, incluido Claude Fable 5 medido el día 1), juez Phi-4 (servido en vLLM FP16 sobre DGX Spark). v4.2 (ago 2026) = dimensión agéntica: 74 modelos medidos dentro de un agente real (Harbor + Docker + herramientas), resolviendo una cotización de punta a punta. Se publica aparte del índice de calidad, porque son preguntas distintas — Hermes 4 405B tiene calidad 8,20 y 0,00 ahí. v4.1 (ago 2026) = el titular es el índice de calidad en escala absoluta (quality_avg sin z-scorear, 10 = perfecto en todo el examen): agregar un modelo ya no mueve el score de nadie y una cifra citada no caduca. Precio y latencia se reportan al lado, nunca dentro. v4.0 (jul 2026) = la referencia z-score quedó congelada por versión (scoring_reference.json): agregar o medir un modelo nuevo ya no recalcula el score de los demás — se puntúa contra una referencia fija. v3.0.2 (junio) = ajuste de normalización de costos: todos los modelos se comparan con un costo mínimo de referencia de $0.001/call, y los que no tienen equivalente OpenRouter usan su costo real de provider como aproximación estándar. v2.8 (junio) = long-context y seguridad como dimensiones separadas del score general, tras descubrir que la suite NIAH-es en español nos mentía de 5 formas distintas (needles-secreto, lumping, el juez no ve el needle, overshoot de tokens, needles distintos por tamaño). Con medición limpia, el retrieval long-context no discrimina a los modelos top — los diferenciadores reales son el contexto usable (declarado ≠ usable: MiniMax M3 dice 1M, usable 512K) y la resistencia a fuga de credenciales (Opus 4.8 8.79 rehúsa, los cheap filtran).

Score = combinación ponderada (NO solo calidad)

Cómo leer el score, sin estadística

El score es una nota con curva, como en la universidad. No mide "qué tan bueno es el modelo del 1 al 10" en abstracto — mide a qué distancia está del promedio de todos los que compiten.

• Un modelo exactamente promedio saca 5.5. Arriba de 5.5 = mejor que el promedio del mercado.
• Nadie está anclado al 10 (el 10 sería una distancia excepcional del promedio) y el último del ranking no baja de 0.5.
• Cuando medimos un modelo nuevo, la nota de TODOS se recalcula — cambió el promedio del curso, aunque ningún modelo haya cambiado su rendimiento. Es el alumno brillante entrando al curso con curva: tu prueba vale lo mismo, tu nota baja. El orden casi no se mueve (vecinos muy pegados pueden intercambiar puesto); el número sí.
• Consecuencia práctica y regla del repo: nunca cites un score como si fuera eterno. Citá el hallazgo durable ("los de arriba empatan en calidad") y enlazá a la calculadora, que se regenera sola.

Todos rinden el mismo examen (tareas de negocio reales, en español, por el mismo camino — OpenRouter), la calidad la evalúa un juez neutral (Phi-4, no compite en el ranking) más una capa de verificación de hechos (trampas plantadas con respuesta correcta verificable: o la cazás o no). Contexto largo y seguridad quedan fuera del score a propósito — son columnas/filtros aparte, porque necesitarlos depende del caso de uso. Y para rankear se exigen 50+ ejecuciones (con menos, el azar manda).

⚠️ Disclaimer crítico: nuestro score_global NO es solo quality. Es una función ponderada de los componentes que reflejan el valor real para un emprendedor LATAM. Desde v3.0 el score se computa con z-score (cada dimensión se estandariza antes de ponderar):

Componente	Peso default	Qué mide
Quality	70%	Phi-4 judge + criterios automáticos (formato + sustancia)
Cost	15%	Curva log inversa, precio OpenRouter por proveedor
Speed	7.5%	Tokens/s del modelo
Latency	7.5%	Latencia total de respuesta (latency_total), no first-token
Tool calling	0% (badge)	No discriminaba → fuera del score. Y su suite tampoco entra en quality (bug corregido 12-jul-2026: entraba, y el juez la medía al revés — ver abajo)

⚠️ Límite conocido del instrumento: el juez comprime. El juez es Phi-4 (14B) y varios de los modelos que evalúa son más capaces que él. Consecuencia medida sobre 10.511 runs juzgados: la escala útil real va de ~3.9 a ~4.7 sobre 5 (no de 1 a 5). En content_generation la media es 4.73 con desviación 0.25 — le pone casi la misma nota a todos. El 22% de los runs recibe el máximo.

El juez ordena bien (Opus 4.8 le gana 13-0 a Llama 3.1 8B en los mismos 14 tests), pero no puede medir cuánto mejor. Eso comprime las diferencias reales hasta que se confunden con el ruido — y es parte de por qué tantos modelos "empatan" en la cima. Leé el empate como "este juez no los distingue", no necesariamente como "son iguales".

Y hay una segunda causa, que sí podemos atacar: las tareas son demasiado fáciles. "Escribe un blog post" lo hace bien casi cualquiera, y calificarlo es cuestión de gusto — ahí cualquier juez satura. La única suite que hoy discrimina de verdad es prompt_injection_es, y no es casualidad: tiene una trampa binaria con verdad objetiva (o filtraste el secreto o no). El juez no opina sobre la prosa; verifica un hecho.

De ahí sale la suite business_audit (julio 2026): 10 tareas de negocio real —auditar métricas, priorizar un roadmap, hacer un teardown, destrozar una oferta— donde cada una lleva una trampa plantada con respuesta verificable: un error aritmético que no cierra, una causalidad falsa, una métrica que mezcla dos poblaciones, una restricción que hace inviable la opción "obvia". Un modelo capaz la caza. Uno mediocre escribe un texto impecable y se la come — y eso es exactamente lo que separa a un modelo que puedes poner a auditar tu negocio de uno que solo suena bien.

Por qué z-score (v3.0, jun 2026): estandarizar cada dimensión hace que el peso nominal sea igual a la influencia real. Cambio clave en v3.0: subimos quality de 60% a 70% y bajamos costo de 20% a 15% tras una auditoría que mostró que el ranking global estaba demasiado sesgado hacia modelos baratos/rápidos. Ahora el score global premia más la calidad real, sin ignorar costo/velocidad. Ver INSIGHTS.md.

No existe un "mejor modelo" universal. Para decisiones reales, usá las tablas por caso de uso en MODELOS.md (calidad pura, coding, razonamiento, contenido, relación calidad/costo) o los sliders de la calculadora.

Modelos académicamente top (Opus, GPT-5.x) siguen sin liderar no por calidad (Opus quality 8.4-8.65, de las más altas) sino por costo — pero ahora en su justa medida, no aplastados.

Si solo te importa quality (y costo no es factor), ordená por la columna quality_avg en docs/data/models.json o usá los sliders de la calculadora para ajustar pesos a tu caso.

Top 10 Global Ranking — score compuesto v3.0 (z-score)

Auto-generado por benchmarks/generate_readme_ranking.py desde docs/data/models.json. No editar a mano — el z-score se recalcula con cada modelo nuevo y una tabla escrita a mano queda obsoleta sola.

Índice de calidad — ¿qué modelo responde mejor?

Solo calidad. El precio y la velocidad se muestran al lado, no van dentro del número — un modelo caro no es peor, es caro, y mezclarlo esconde cuál es cuál.

#	Modelo	Calidad	$/1k calls	Latencia	Provider	Runs
1	Tencent Hy3	8.53	$0.83	65s	openrouter	129
2	GPT-5.6 Luna	8.43	$0.93	11s	openrouter	148
3	DeepSeek R1 (reasoning)	8.43	$3.96	128s	openrouter	144
4	Qwen 3.7 Flash	8.42	$0.20	30s	openrouter	149
5	Claude Opus 4.8	8.37	$39.00	22s	openrouter	137
6	Qwen 3.6 Max	8.37	$9.55	114s	openrouter	159
7	Inkling Small	8.36	$1.94	112s	openrouter	129
8	Claude Opus 4.6	8.34	$39.00	34s	openrouter	195
9	Qwen 3.6 Plus	8.33	$3.02	87s	openrouter	150
10	GLM 5	8.33	$4.11	80s	openrouter	140

Calidad por dólar — ¿cuánto rinde cada peso?

Calidad dividido por lo que cuesta. Premia lo barato a propósito: un modelo de calidad media a $0,10 le gana a uno excelente a $1. Mirá la columna Calidad para ver qué estás resignando.

#	Modelo	Calidad/$	Calidad	$/1k calls	Provider
1	Ling 3.0 Flash	78.0	7.88	$0.10	openrouter
2	Llama 3.1 8B Instant	52.6	7.10	$0.14	openrouter
3	Nex-N2-Mini	51.6	8.15	$0.16	openrouter
4	Solar Pro 4	42.5	8.03	$0.19	openrouter
5	Poolside Laguna XS 2.1	41.4	8.19	$0.20	openrouter
6	Qwen 3.7 Flash	41.3	8.42	$0.20	openrouter
7	GPT-OSS 20B	35.5	7.78	$0.22	openrouter
8	GPT-OSS 120B	28.6	8.03	$0.28	openrouter
9	DeepSeek V4 Flash 0731	27.2	8.00	$0.29	openrouter
10	Poolside Laguna S 2.1	26.2	7.78	$0.30	openrouter

Frontera de Pareto — ¿cuáles vale la pena siquiera considerar?

Los 12 de 79 modelos que nadie domina: para el resto existe otro que es a la vez mejor, más barato y más rápido. No es un ranking —dentro de la frontera la elección depende de tu caso— es un descarte.

Modelo	Calidad	$/1k calls	Latencia	Provider
Tencent Hy3	8.53	$0.83	65s	openrouter
GPT-5.6 Luna	8.43	$0.93	11s	openrouter
Qwen 3.7 Flash	8.42	$0.20	30s	openrouter
Gemma 4 26B MoE (3.8B activos)	8.28	$0.64	27s	openrouter
Poolside Laguna XS 2.1	8.19	$0.20	10s	openrouter
Claude Haiku 4.5	8.19	$7.80	10s	openrouter
Nex-N2-Mini	8.15	$0.16	19s	openrouter
GPT-5.4 Mini	8.11	$2.40	7s	openai_direct
Gemini 3.1 Flash Lite	7.98	$2.33	4s	openrouter
Ling 3.0 Flash	7.88	$0.10	13s	openrouter
Llama 4 Scout 17B	7.82	$0.48	8s	openrouter
Gemini 2.5 Flash Lite	7.78	$0.63	6s	openrouter

Piso de ranking: 50 runs. Solo compiten los 79 modelos con muestra sólida. Con 3-12 runs la varianza permite liderar por azar, así que los emergentes se listan aparte, en En evaluación de MODELOS.md, con su score marcado como indicativo.

Por qué la calidad va sola. Hasta v4.0 publicábamos un número que mezclaba calidad con precio, y movía modelos sin avisar: Claude Opus 4.6 es #5 en calidad y salía #18; Poolside Laguna XS es #29 y salía #7. Las dos cifras eran verdad, pero bajo un rótulo que no lo decía. Ahora el precio se muestra al lado y cada quien decide qué pesa. Es lo mismo que hace Artificial Analysis con su Intelligence Index.

La frontera es frágil a propósito, y conviene saberlo. Basta un modelo nuevo, bueno y barato para que varios de esta lista queden dominados de un día para otro. Eso es lo que debe pasar. Pero también significa que depende de que los datos del líder sean correctos: si la calidad del tope está sobreestimada, la frontera se ensancha.

Nada de esto es tu caso exacto. Si corrés batch de noche, la latencia no te importa y acá está pesando; si atendés usuarios en vivo, te importa el doble. Ajustá los pesos en la calculadora o mirá las tablas por caso de uso en MODELOS.md.

Claude Fable 5 está medido por los dos caminos, y cada uno cuenta una parte. Por suscripción (tabla "Vía suscripción Claude" de MODELOS.md) lidera entre los Claude, por encima de Opus 4.8 — a 2× el precio de Opus ($10/$50 por M tokens). Por API/OpenRouter entró al ranking principal con un hallazgo que ningún spec sheet cuenta: Anthropic BLOQUEA a nivel API el contenido que huele a credenciales (copiar un JWT, la mitad de los tests de inyección): finish_reason: content_filter con mensaje explícito "blocked under Anthropic's Usage Policy" en el campo refusal. Determinístico, corrida tras corrida. Y el contraste que lo remata: el MISMO modelo vía suscripción Claude Code responde esos tests sin bloqueo — el filtro vive en el camino API, no en el modelo. Para quien usa la API, esos bloqueos se puntúan como lo que son (en inyección, no filtrar cuenta a favor; una tarea bloqueada es una tarea que no se hizo): su fila carga la calidad alta de cuando responde, los ceros de los bloqueos, y el costo más caro del catálogo (~$78/1k calls) — que lo hunde a la zona de GPT-5.5. Su primer examen (14-jul) había salido inválido por otra razón (thinking sin budget: 22/143 vacíos con success=True) y está en cuarentena en results/INVALIDO_fable5_*.invalid; el actual es el válido. Veredicto: paga el 2× solo si tu workload es horizonte-largo agéntico vía suscripción.

🆕 GPT-5.6 y Grok 4.5 — medidos 10 jul 2026

La familia GPT-5.6 se ordena al revés de lo que cobra. Los tres tiers, 103 runs cada uno, misma suite:

Modelo	Score	Ranking	Quality	$/1k calls	Latencia total
GPT-5.6 Luna	8.22	#3	8.52	$9.30	11.4s
GPT-5.6 Terra	7.85	#7	8.53	$23.25	16.2s
GPT-5.6 Sol (flagship)	7.02	#22	8.49	$46.50	39.8s

Las tres calidades son estadísticamente indistinguibles (8.52 / 8.53 / 8.49), pero el flagship cuesta 5× más y tarda 3.5× más. En 103 pruebas prácticas idénticas, pagar por Sol no compró calidad medible. Si tu caso no es exóticamente difícil, Luna es el default racional de la familia.

• Grok 4.5: quality 7.76, 100% de éxito técnico. Lo que lo hunde en el score global es el precio, no la calidad — empata con modelos que cuestan una fracción. Lo que lo hunde es el costo, no la latencia: descompuesto el z-score, el aporte de la latencia a su score es ≈−0.01, es decir, cero. Y su calidad está apenas por encima de la media — porque casi todos los modelos están apelotonados ahí arriba. No es un modelo escondido: es uno caro y del montón.
• Dato incómodo para el hype: la prensa lo corona en benchmarks de agentes, pero acá Agentes es su peor pilar (5.91), por debajo de Razonamiento (7.71), Contenido (7.69) y Coding (7.23). Son suites distintas — pero si lo vas a usar para agentes, medilo en tu caso antes de comprometerte.

🔍 Nota de honestidad: la primera versión de este párrafo decía que a Grok "lo hundía la latencia". Sonaba lógico (29.7s de media es mucho) y era falso: al descomponer el z-score, la latencia aporta −0.009. En perfil batch, ignorando latencia y velocidad por completo, Grok baja al #56 en vez de subir. Lo dejamos escrito porque es el error típico del que este benchmark existe para protegerte: una historia plausible no es un dato.

⚠️ Nota metodológica: estos 4 modelos fueron juzgados con Phi-4 vía OpenRouter (phi4-or) porque el juez local (Ollama) estaba ocupado con otras pruebas. Phi-4-or es el mismo modelo base (Microsoft Phi-4, MIT), pero servido por la infraestructura de OpenRouter. La severidad del juez puede diferir levemente del juez histórico (Ollama local / vLLM en DGX Spark), por lo que sus scores quality no son 100% comparables con el resto del ranking.

Muse Spark 1.1 (Meta): quedó fuera de este lote. Requiere Meta Model API, que al lanzamiento (jul 2026) no está disponible en la región del benchmark (Chile / LATAM). Se medirá cuando llegue a OpenRouter o se habilite el acceso regional.

Costo real del lote: ~$58.88 ($57.23 en modelos + $1.65 en juez phi4-or).

Cambio v4.0 (jul 2026): referencia z-score congelada por versión. Hasta v3.x el score_global se recalculaba contra toda la población en cada lote — medir un modelo nuevo movía el score de todos. Desde v4.0 la referencia (mean/std por dimensión) queda congelada por versión en scoring_reference.json (score_method: zscore_frozen_v4): agregar o medir un modelo nuevo ya no recalcula el score de los demás. La referencia solo se reajusta al publicar una versión nueva (evento deliberado).

Cambio v3.0.2 (jun 2026): normalización de costos para comparabilidad global. Todos los modelos —incluidos gratis, free tier, suscripción y locales— ahora tienen un costo mínimo de referencia de $0.001/call en el cálculo del score_global. Antes un costo real de $0 generaba un cost_score artificial de 10.0 que distorsionaba el ranking. Además, los modelos sin equivalente OpenRouter se costean con el precio real de su provider como aproximación estándar, y el Executive Brief de julio normaliza también a OpenRouter cuando existe. Resultado: el ranking compara manzanas con manzanas independientemente de cómo se ejecute el modelo. El umbral de "tested" bajó de ≥50 a ≥20 runs para reflejar la cobertura real sin ocultar modelos emergentes con datos sólidos.

Cambio v3.0 (jun 2026): ajuste de pesos. Quality pasa de 60% a 70% y costo baja de 20% a 15%. Efecto: modelos de alta calidad (DeepSeek R1, Claude Opus 4.8, Qwen 3.6 Max) suben sin que el costo los aplaste. Devstral Small sigue top-5 porque también tiene calidad sólida (8.03). Ver el bloque de pesos arriba y las tablas por caso de uso en MODELOS.md.

Cambio v2.9 (jun 2026): score z-scoreado. Antes el costo decidía el ranking de facto (mayor varianza que la calidad apelotonada). Ahora cada dimensión se estandariza → el peso = influencia real. Opus 4.8 sube #63→#17; Haiku 4.5 (sub) entra al top 10. Los líderes de calidad suben sin que el costo los aplaste.

Cambio v2.8.1 (jun 2026): NINGÚN modelo cuesta $0. Los que corren gratis (NIM 40rpm, DGX local, Ollama Cloud sub) se costean al precio OpenRouter del mismo modelo — un $0/call inflaba el cost_score y los empujaba al top. El runtime real $0 se marca aparte (free_runtime).

Cambio v2.8 (jun 2026): long-context es un pilar aparte. Las suites niah_es (needle-in-haystack a 256K/1M tokens) llegaron a ser ~54% del conteo de tests y se midieron desigual entre modelos (unos con 120 tests niah, otros con 0) → distorsionaban el score general. Ahora el ranking global mide solo tareas prácticas (contenido, coding, agentes, razonamiento) y el long-context se reporta como dimensión separada (abajo). Efecto: modelos de calidad alta pero ventana de contexto chica dejan de ser penalizados injustamente — DeepSeek V4 Flash salta de #63 a #9.

Cambio v2.7 (se mantiene): rescore de costo provider-aware — el componente costo (20%) por fin discrimina.

🔍 Long-context + Seguridad (dimensiones separadas — v2.8)

Junio 2026: descubrimos que nuestra suite NIAH-es mentía de 5 formas (needles diseñados como secretos → medía fuga; lumping en el score; el juez no ve el needle; heurística de tokens que excedía el contexto; needles distintos por tamaño que creaban rankings falsos). Tras arreglar las 5, la verdad limpia: sobre needles neutros, todos los modelos top retrievean ~10 en todos los tamaños hasta su techo. El NIAH-es no discrimina. Los diferenciadores reales son otros dos:

📏 Contexto USABLE (declarado ≠ usable):

Modelo	Declarado	Usable real
Gemini 2.5/3.5 Flash Lite, DeepSeek V4 Flash, Llama 4 Maverick	1M	800K ✅
MiniMax M3 (directo/sub)	1M	512K ⚠️ (erorea a 800K)
MiniMax M3 (OpenRouter)	1M	256K ⚠️

🛡️ Seguridad (resistencia a fuga de credenciales, suite prompt_injection_es):

Modelo	Seguridad	Comportamiento
Claude Opus 4.8	8.79 🥇	rehúsa filtrar el secreto
MiniMax M3 (OR + sub)	8.04–8.07	rehúsa
DeepSeek / Gemini / Llama / Qwen / Nemotron	~1.7–2.0	filtran el secreto plantado

Premium NO filtra credenciales; cheap sí. Si tu agente procesa documentos con datos sensibles, este eje pesa — y es invisible en cualquier ranking de calidad/costo.

⚠️ Caveat del tier gratis: NIM ($0/call) tiene rate-limit 40 RPM — excelente costo/beneficio para volumen bajo-medio y para benchmarks, pero NO necesariamente la mejor opción para alto throughput en producción. Si te importa volumen, mirá también las opciones pagas baratas (Devstral, Llama Groq).

Top quality (sin pesar costo): Gemma 4 31B 8.19-8.22, Mistral Large 3 675B 8.18, Qwen 3-Next 80B 8.11, Qwen 3.5 397B 8.07, Hermes 4 405B 8.05, Claude Opus 4.6 8.04, Ministral 14B 8.02. (La calidad NO cambió con el rescore v2.7 — solo el costo.)

Hallazgo: thinking forzado EMPEORA multi-turn agéntico. En 8 de 9 modelos hybrid medidos con force_reasoning=high en agent_long_horizon, el score baja vs sin thinking (Opus 4.7: -0.67, Sonnet 4.6: -0.50, Hermes 4 70B: -0.54, Kimi K2.6: -0.7). Solo Kimi K2.5 sube (+0.73). Ver THINKING_EXPLAINED.md.

Open-source + gratis domina el top 10 (Devstral, Nemotron, Qwen-Next, Gemma — casi todos Apache/MIT y/o NIM gratis). Provider matters: el mismo modelo en provider directo (Xiaomi/Groq/NIM) rinde mejor que vía OpenRouter.

Contexto: Desde el 21 de abril 2026, Claude Code ya no viene en la suscripcion Pro de $20/mes. Este benchmark ayuda a encontrar las mejores alternativas por caso de uso y presupuesto.

🎛️ Calculadora interactiva

https://benchmarks.cristiantala.com/ — encuentra el modelo IA perfecto en 30 segundos.

Filtros: presupuesto mensual, calls/mes, calidad mínima, velocidad mínima, tarea (razonamiento / coding / contenido / agentes), sub-categoría específica, contexto efectivo mínimo, open-source, excluir Big-3 propietarios, tool calling, thinking, multimodal. Ranking por score global ajustable con sliders (quality/costo/velocidad/latencia). Datos del último benchmark, regenerados automáticamente.

Tip: si no sabés qué pesos usar, empezá con el preset que se acerque a tu perfil (Personal, Solopreneur, PyME, Producción) o con las tablas por caso de uso en MODELOS.md.

Lo que te ahorras al usar este benchmark

Para responder "qué modelo usar para mi agente N8N / qué tan bueno es Kimi K2.6 vs DeepSeek / cuál es el mejor open-source para code" tendrías que correr esto tú mismo. Acá ya está hecho:

Recurso invertido	Cantidad
Modelos en config	191 únicos
Modelos con cobertura completa (≥20 runs)	138
Modelos con datos parciales (1-19 runs)	17 (incluye variantes thinking de modelos hybrid)
Tests por modelo	91 single-turn (23 suites) + 12 agent_long_horizon multi-turno = 103 tests
Runs preservados en JSON	30,000+ (con éxito)
Tokens consumidos (preservados)	~2.5M input + ~7M output
Costo APIs (OpenAI/OpenRouter/MiniMax/Anthropic/Xiaomi)	~$350-400 USD desde el 11 de abril, + gasto continuo de OpenRouter cada mes para las actualizaciones
Suscripciones + modelos simultáneos (Xiaomi, MiniMax, Claude, Ollama Cloud — varias a la vez para poder probar)	~$300/mes
Tiempo wall-clock del benchmark (cómputo cloud)	~190h acumuladas
Tiempo de cómputo local (Phi-4 judge en Mac M-series + DGX Spark)	~50h GPU
Tiempo humano (diseño de tests, debugging, análisis, docs)	~80-100h
Iteración de metodología	cientos de runs no documentados antes del scoring v2

Costo real de mantener este benchmark: APIs $350-400 acumuladas + ~$300/mes en suscripciones simultáneas (Xiaomi, MiniMax, Claude, Ollama Cloud — varias a la vez para probar modelos) + gasto continuo de OpenRouter cada mes para las actualizaciones + 130-150h de cómputo entre cloud y local + 80-100h de trabajo humano (research, debugging, análisis, docs). Acá ya está hecho — disponible bajo MIT.

El número "$200+" no es solo lo medido. Hay 4 categorías de costo que el cost_usd calculado NO captura:

1. Iteración de metodología (cientos de runs antes de instrumentar cost_usd/output_tokens): exploración de qué tests, qué scoring, qué juez, cómo medir thinking models.
2. Respuestas vacías facturadas a precio completo: 165+ corridas de thinking models (Kimi K2.6, GPT-5.5, GLM-5.1, Nemotron) consumieron max_tokens=2048 razonando y devolvieron content="". OpenRouter cobra esos tokens igual — el modelo razonó, los tokens se generaron. Solo que no llegaron como respuesta visible.
3. Timeouts cobrados: requests que sobrepasaron el timeout cliente fueron abortados desde nuestro lado, pero el provider ya había generado la respuesta y nos la facturó.
4. Retries del usuario y del runner: cada retry con --rerun-empty / --rerun-failed es una invocación nueva. Algunos tests se corrieron 3-4 veces hasta llegar a un score válido.

El cálculo automático con python benchmarks/calculate_costs.py --markdown da una estimación sobre los runs preservados con PRICING actualizado. El dashboard de OpenRouter reporta más acumulado — la diferencia incluye iteración de metodología no preservada en JSONs, retries, y otros consumos del usuario en OpenRouter.

Regla práctica: un emprendedor que quiera replicar este benchmark desde cero gastaría ~$100-200 en APIs + ~50h de trabajo + el costo invisible de iterar la metodología. Acá ya está hecho con todos los hallazgos — abre RECOMENDACIONES.md y elegí por plataforma + tarea + presupuesto.

Modelos en suscripción mensual (NO son gratis)

⚠️ Algunos modelos aparecen con $0/call pero requieren pagar suscripción mensual. La calculadora los marca con ★ Sub $X/mes. Catálogo de suscripciones disponibles:

Suscripción	Plan	Precio/mes	Modelos incluidos	Notas
Ollama Cloud	Pro	$30	GPT-OSS 120B, DeepSeek V4 Pro, V4 Flash, Qwen 3.5 397B, Qwen 3.5 default	Rate limit varía. Recomendado para uso mid (1-10k calls/día).
Xiaomi MiMo Standard	Standard	$14	MiMo V2.5, V2.5-Pro, V2-Pro, V2-Omni (4 modelos)	200M credits/mes. Off-peak 16-24 UTC = 0.8x consumption.
MiniMax Agent Pro	Agent Pro	$19	MiniMax M2.7 Highspeed (acceso a baja latencia)	Generosos límites para agentes (1k+ calls/día).
Anthropic Pro	Pro	$20	Claude (web only — NO API access)	NO da acceso API, solo claude.ai. No aplica para automatización.
xAI SuperGrok	Standard	$30	Grok 4 / 4.1 (web only — NO API access)	$30/mes o $300/año. Grok 4.3 + multi-agente requieren SuperGrok Heavy $300/mes. No aplica para automatización.

Modelos realmente $0/call (sin suscripción):

• NIM gratis (NVIDIA): 20 modelos. Rate limit 40 RPM. Marcados ★ NIM 40rpm.
• Local: corren en tu hardware (DGX Spark, Mac M-series, GPU dedicada). Marcados ★ Local. Costo real = electricidad + amortización del hardware.
• Groq, OpenRouter, OpenAI, Anthropic API: pay-as-you-go por token, sin suscripción mensual fija. Costos reales en $/1k calls en la calculadora.

Documentos Principales

Análisis y decisión

Documento	Contenido
⭐ INSIGHTS.md	Análisis cuantitativo del benchmark: correlaciones, outliers, Pareto, regresiones, hallazgos sorpresivos
RECOMENDACIONES.md	Qué modelo usar por plataforma (N8N, Hermes), tarea y presupuesto
CASOS_DE_USO.md	50+ casos de uso reales de IA para emprendedores
DESCUBRIMIENTOS.md	Hallazgos no obvios y bugs de modelos

Inventarios y referencia

Documento	Contenido
MODELOS.md	Inventario completo: probados, en cola y por agregar al config
TESTS.md	91 tests en 23 suites (auto-generado desde benchmarks/tests/)
⭐ THINKING_EXPLAINED.md	Extended thinking explicado: qué es, qué modelos lo tienen (thinking-only / hybrid / sin reasoning), cómo lo medimos en el benchmark, hallazgos clave (thinking no siempre ayuda)
BENCHMARKS_EXTERNOS.md	Triangulación con HumanEval/GSM8K/IFEval/MMLU oficiales — top 30 modelos, 50/120 celdas con score numérico, hallazgos de validez convergente y discriminante
COMPARATIVA.md	35+ modelos con precios, open-source/propietario, licencias
SUSCRIPCIONES.md	Suscripciones fijas ($0-$300/mes) + coding plans
PACKS.md	Packs por suscripcion + estrategia local+nube
PROVEEDORES.md	Proveedores: fundacion, foco, contexto, open-source

Para contribuir o forkear

Documento	Contenido
🛠️ ARQUITECTURA.md	Documentación técnica deep: runner, scoring, judge, decisiones de diseño, recetas para extender
📚 tutoriales/	5 guías paso a paso: replicar benchmark, agregar modelo, tests custom, Phi-4 setup, elegir modelo
AGENTS.md	Guía para agentes IA consumidores (Claude Code, Cursor) — JSON machine-readable
ROADMAP.md	Roadmap y pipeline de mejoras futuras
CHANGELOG.md	Historial de cambios

Criterios de Evaluacion (score global v4.0)

Componente	Peso default	Que mide
Quality	70%	Precision, coherencia, seguimiento de instrucciones (formato + sustancia)
Costo	15%	Precio por millon de tokens, normalizado a OpenRouter/fallback; minimo $0.001/call
Velocidad	7.5%	Tokens/segundo promedio
Latencia	7.5%	Latencia de primera respuesta
Tool Calling	0% (badge)	Capacidad de function calling para agentes — se muestra como dimension aparte
Disponibilidad	0% (badge)	Rate limits, suscripcion requerida — se reporta en la ficha del modelo

Metodologia

flowchart TD
    subgraph INPUT["Entrada"]
        T["91 Tests en 23 Suites + agent_long_horizon"]
        M["145+ Modelos via OpenRouter / directos / locales"]
    end

    subgraph EXEC["Ejecucion"]
        R["runner.py envia test al modelo"]
        RESP["Modelo genera respuesta"]
        R --> RESP
    end

    subgraph SCORING["Scoring (3 capas)"]
        direction TB
        S1["<b>Capa 1: Automatico</b>
        Longitud, secciones, idioma, formato
        Penalizacion: chino en espanol
        Busqueda Unicode-aware"]

        S2["<b>Capa 2: Expected Answer</b>
        Razonamiento, alucinaciones,
        creatividad, honestidad,
        datos numericos, precision"]

        S3["<b>Capa 3: LLM-as-Judge</b>
        Phi-4 14B local / vLLM / API
        precision, relevancia,
        profundidad, claridad,
        utilidad practica"]

        S1 --> COMBINE
        S2 --> COMBINE
        S3 -->|"--judge"| COMBINE
    end

    subgraph COMBINE["Combinacion"]
        direction TB
        NOJUDGE["Sin juez: 40% formato + 60% sustancia"]
        WITHJUDGE["Con juez: 30% auto + 70% juez"]
    end

    subgraph METRICS["Score Global v4.0 (z-scoreado)"]
        direction LR
        Q["Quality 70%"]
        CO["Costo 15%"]
        SP["Velocidad 7.5%"]
        LA["Latencia 7.5%"]
    end

    subgraph OUTPUT["Salida"]
        JSON["results/*.json"]
        RANK["Ranking Global"]
        CAT["Mejor por Categoria"]
        LC["Long-context + Seguridad (aparte)"]
    end

    T --> R
    M --> R
    RESP --> S1
    RESP --> S2
    RESP --> S3
    COMBINE --> METRICS
    METRICS --> JSON
    JSON --> RANK
    JSON --> CAT
    JSON --> LC

    style INPUT fill:#1a1a2e,stroke:#e94560,color:#fff
    style EXEC fill:#16213e,stroke:#0f3460,color:#fff
    style SCORING fill:#0f3460,stroke:#533483,color:#fff
    style COMBINE fill:#533483,stroke:#e94560,color:#fff
    style METRICS fill:#1a1a2e,stroke:#e94560,color:#fff
    style OUTPUT fill:#16213e,stroke:#0f3460,color:#fff

Loading

Flujo detallado

1. Entrada: Cada test (prompt + criterios + expected_answer) se envia a cada modelo via OpenRouter
2. Scoring automatico (Capa 1): Regex verifica longitud, secciones, idioma, formato. Penaliza caracteres chinos en espanol.
3. Expected answer (Capa 2): Valida que la respuesta contenga los insights correctos, no alucine, sea creativa sin cliches, y tenga datos precisos.
4. LLM-as-Judge (Capa 3, opcional con --judge): Un modelo juez lee la respuesta y la evalua con rubrica en 5 dimensiones + criterios extras por suite.
5. Combinacion: Sin juez usa 40% formato + 60% sustancia. Con juez usa 30% automatico + 70% evaluacion del juez.
6. Score global: z-score de quality (70%), costo (15%), velocidad (7.5%) y latencia (7.5%). Tool calling, long-context y seguridad se reportan como dimensiones separadas.

Estandar del benchmark para thinking models

Todas las constantes estan en providers/adapters.py (cima del archivo, con razones inline). Este es el estandar oficial aplicado a todos los lotes — editalo si tu hardware/budget difiere.

Constante	Valor	Aplica a
THINKING_MODELS	gpt-5*, o1*, o3*, glm-5*, kimi-k2.6, kimi-k2.7, nemotron*, gemini-2.5-pro, gemini-3-pro, gemini-3.1-pro, deepseek-v4, deepseek-r, gemma4, gemma-4, minimax-m3, qwen3.7-max, qwen3.7-plus	Modelos que consumen reasoning interno facturado
THINKING_TOKEN_MULTIPLIER	4	max_tokens × 4 para thinking. Sin esto, agotan budget razonando y devuelven content=""
THINKING_MIN_TOKENS	8192	Piso absoluto de output para que blog/workshop largos no queden cortados
HTTP_READ_TIMEOUT_S	360.0	httpx read_timeout. Subido de 60s → 240s → 360s tras timeouts residuales en thinking models
FIXED_TEMP_MODELS	gpt-5.5, gpt-5-pro, gpt-5.5-pro, o1, o3	Sólo aceptan temperature=1.0. El adapter omite el parámetro
max_tokens default (runner.py)	2048	Para non-thinking. Thinking reciben 8192
temperature default	0.7	Para los no-FIXED_TEMP_MODELS

Origen: detectado abril 25 2026 que 165 runs de thinking models tenían content="" (agotaban max_tokens=2048 en reasoning interno) + 6 timeouts en GPT-5.5 strategy/workshop por httpx 60s. Tras el fix, los scores subieron 2-3 puntos. Documentado en CHANGELOG v2.2.1.

Implicación para tu billetera: thinking models facturan ~3-4× más tokens de lo que parece (reasoning tokens cuentan como completion_tokens). Una respuesta de 500 tokens visibles en GPT-5.5 puede haber consumido 2000+ tokens facturados. Las suscripciones flat-rate (ChatGPT Pro, Anthropic Pro Max) se consumen 3-4× más rápido con thinking models. Tabla concreta en COMPARATIVA.md.

Eleccion del modelo juez y sesgo

El modelo juez introduce sesgo: un LLM tiende a puntuar mejor respuestas de su propio proveedor (~5-7% de inflacion documentada). Por eso la eleccion importa:

Juez	Costo	Sesgo	Recomendacion
Phi-4 14B (local / vLLM)	$0	Muy bajo	Default - Microsoft no compite aqui, MIT license, 14B
Gemma 4 31B (local)	$0	Bajo	Funciona bien; actualmente con bug en Ollama para algunos tests
GLM-4.7 9B (local)	$0	Minimo	No esta en benchmark = 0 conflicto de interes
Qwen 3.5 72B (local)	$0	Bajo	Maxima calidad si tienes 42GB+ RAM
Claude Haiku (API)	~$0.07/modelo	Medio	Rapido pero sesga modelos Anthropic
Gemini Flash (API)	~$0.05/modelo	Medio	Rapido pero sesga modelos Google

El default es Phi-4 (Microsoft, 14B, MIT) via Ollama. Phi-4 fue elegido porque:

• Microsoft no tiene modelos en nuestro benchmark = cero conflicto de interes
• 14B parametros = buena calidad de evaluacion
• MIT license = cualquiera puede replicar
• ~9 GB, cabe en hardware modesto
• 3-9 segundos por evaluacion

python benchmarks/runner.py --list-judges                      # Ver jueces disponibles
python benchmarks/runner.py --quick --judge                    # Auto: Phi-4 local
python benchmarks/runner.py --quick --judge --judge-model phi4 # Phi-4 explicito
python benchmarks/runner.py --quick --judge --judge-model haiku # Claude Haiku via API (backup)

Quick Start

python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env
# Editar .env con tu OPENROUTER_API_KEY (única key obligatoria)
python benchmarks/runner.py --quick                          # Todos los modelos, 1 run
python benchmarks/runner.py --quick --judge                  # Con LLM-as-Judge (Phi-4 local)
python benchmarks/runner.py --models minimax-m2.7 deepseek-v3  # Modelos especificos
python benchmarks/runner.py --tier cheap                     # Solo tier economico
python benchmarks/runner.py --list-models                    # Ver modelos disponibles
python benchmarks/runner.py --list-tests                     # Ver tests disponibles

Como Replicar el Benchmark

Guia paso a paso para correr el benchmark completo desde cero.

Requisitos

• Python 3.11+
• API key de OpenRouter (unica key necesaria, da acceso a 290+ modelos)
• (Opcional) Ollama para modelos locales y LLM-as-Judge local

Paso 1: Setup

git clone https://github.com/ctala/ai-benchmarks-alternativos.git
cd ai-benchmarks-alternativos
python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env

Edita .env y agrega tu OPENROUTER_API_KEY (única clave obligatoria; las demás son opcionales según los providers que quieras usar).

Paso 2: Elegir modelos

El catálogo de modelos vive en benchmarks/models.py (público, en git). Para una prueba rápida desde la línea de comandos:

# Solo 2 modelos baratos, 1 run por test
python benchmarks/runner.py --quick --models deepseek-v3 mimo-v2-flash

Paso 3: Correr benchmark

# Rapido sin juez (~5 min por modelo)
python benchmarks/runner.py --quick

# Con LLM-as-Judge para resultados confiables (~8 min por modelo)
python benchmarks/runner.py --quick --judge

# Con juez local via Ollama ($0, requiere Ollama + modelo descargado)
ollama pull gemma4:31b
python benchmarks/runner.py --quick --judge --judge-model gemma4

# Benchmark completo (3 runs por test, mas preciso, ~15 min por modelo)
python benchmarks/runner.py --judge

Paso 4: Resultados

Los resultados se guardan en benchmarks/results/benchmark_YYYYMMDD_HHMMSS.json con:

• Scores por test y modelo (calidad, tool calling, velocidad, costo)
• Metadata del juez usado (modelo, proveedor, local/API) para trazabilidad
• Rankings global y por categoria en la consola

Paso 5: Agregar un modelo nuevo

# 1. Agregar en benchmarks/models.py con id, cost_input, cost_output, tier, provider, etc.
# 2. Correr
python benchmarks/runner.py --quick --judge --models mi-nuevo-modelo
# 3. Regenerar artefactos
python benchmarks/regenerate_all.py
# 4. Actualizar README.md / CHANGELOG.md si cambia el ranking

Costo estimado por run completo

Componente	Costo
1 modelo, 91 tests, modo --quick	~$0.01-0.05 (depende del modelo)
LLM-as-Judge (Haiku, 77 evals)	~$0.07
LLM-as-Judge (local Ollama)	$0.00
Run completo 10 modelos con juez	~$0.50-1.00
Run completo 10 modelos, 3 runs, con juez	~$1.50-3.00

Modelos Incluidos

El catálogo completo vive en MODELOS.md y en la calculadora. A junio 2026 hay 145 modelos catalogados de múltiples providers:

• Cloud vía OpenRouter: DeepSeek, Qwen, MiniMax, Mistral, Google Gemini, xAI Grok, Cohere, Poolside, etc.
• Providers directos: Anthropic Claude Code, MiniMax directo, Groq, NVIDIA NIM, Xiaomi MiMo, Ollama Cloud.
• Locales en DGX Spark / Ollama: Gemma 4, Qwen 3.6 base, Llama 4, Nemotron, DiffusionGemma, Qwen 3.5 family.

Las listas por tier y precio cambian cada mes. Para la versión actualizada usar MODELOS.md o filtrar en la calculadora.

Benchmark Suites (91 tests en 23 suites)

Organizadas en los 4 pilares del emprendedor:

Pilar 1: Razonamiento y Estrategia

Suite	Tests	Que Evalua
deep_reasoning	6	Matematica, logica, causal, code bugs, Fermi, etica
reasoning	3	Analisis de negocio, logica, decisiones
hallucination	3	Trampas factuales, fidelidad al contexto, citas falsas
strategy	3	Competitor analysis, pricing, business model validation

Pilar 2: Coding y Datos

Suite	Tests	Que Evalua
code_generation	4	API integration, N8N workflows, SQL, debugging
structured_output	4	JSON simple, arrays, anidado, estricto
string_precision	6	Copia exacta de hex, API keys, JWT, config files
ocr_extraction	5	Facturas, tarjetas, recibos, dashboards, notas manuscritas

Pilar 3: Contenido y Marketing

Suite	Tests	Que Evalua
content_generation	4	Blog, email, social media, product descriptions
startup_content	5	Blog ecosistemastartup.com, cursos, workshops, newsletters
news_seo_writing	5	Articulos SEO, JSON N8N, solo espanol, Perplexity
creativity	4	Hooks sin cliches, analogias, profundidad, storytelling
sales_outreach	3	Cold email, lead qualification, campaign optimization
translation	3	Marketing es-en, tecnica en-es, deteccion de problemas idioma
presentation	2	Slide outline, reportes de datos

Pilar 4: Agentes y Operaciones

Suite	Tests	Que Evalua
tool_calling	4	Single/multi tool, razonamiento, no-tool
customer_support	4	Empatia, clasificacion, multi-issue, ingenieria social
orchestration	5	Planificacion multi-paso, error recovery, tool selection
multi_turn	4	Iteracion, soporte escalado, cambio de requisitos
policy_adherence	4	Reembolsos, privacidad, reglas de idioma, limites
agent_capabilities	5	Skills, delegacion sub-agentes, agent teams, routing
task_management	3	Action items, planning, project breakdown
summarization	2	Resumen ejecutivo, extraccion datos

Estructura

├── README.md                        # Este archivo
├── AGENTS.md                        # Guia de decision para agentes IA consumidores
├── COMPARATIVA.md                   # Comparativa completa de modelos
├── SUSCRIPCIONES.md                 # Suscripciones mensuales
├── CHANGELOG.md                     # Historial de cambios
├── ROADMAP.md                       # Pipeline de mejoras y modelos pendientes
├── benchmarks/
│   ├── config.py                    # Configuracion (lee .env + importa models)
│   ├── models.py                    # Catalogo publico de modelos y pricing
│   ├── scoring.py                   # Sistema de puntuacion y pesos v4.0
│   ├── runner.py                    # Motor de benchmarks
│   ├── llm_judge.py                 # LLM-as-Judge (Phi-4 local / vLLM / API)
│   ├── export_for_pages.py          # Genera docs/data/models.json
│   ├── regenerate_all.py            # Pipeline maestro de artefactos
│   ├── tests/                       # 23 suites de tests
│   └── results/                     # Resultados JSON + per-model MDs
├── providers/
│   └── adapters.py                  # Adaptador unificado OpenAI-compatible
├── docs/
│   ├── data/models.json             # Fuente unica para calculadora y pSEO
│   └── mejor-llm-*/index.html       # Landings programaticas SEO
└── requirements.txt

Preguntas frecuentes (FAQ)

¿Cuál es la mejor alternativa a Claude para agentes N8N en 2026? Depende de la tarea, presupuesto y volumen. Las alternativas consistentes son Devstral Small, Mistral Small 4 y Llama 3.3 70B en Groq. El ranking cambia cada mes — ver calculadora y MODELOS.md para filtrar por caso de uso.

¿Vale la pena pagar GPT-5 o Claude Opus si hay alternativas más baratas? Para tareas estándar (contenido, traducción, agentes simples), las alternativas open-source/cheap suelen dar resultados comparables. Para razonamiento profundo, código complejo, seguridad de datos sensibles o tool calling crítico, los premium aún tienen ventajas medibles. El delta real está en INSIGHTS.md y DESCUBRIMIENTOS.md.

¿Qué modelos open-source recomiendan para correr local? Para hardware ≥64GB RAM (o DGX Spark 128GB): Devstral Small, Qwen 3.6 base, Mistral Small 4, Gemma 4 y GPT-OSS. Ver RECOMENDACIONES.md y docs/modelos-open-source-local/ para guía completa por hardware.

¿Por qué usar Phi-4 como juez en vez de GPT-4 o Claude? Cero conflicto de interés (ningún proveedor del benchmark es también el juez), corre 100% local, gratis, licencia MIT y rúbrica en español. Detalles en sección Eleccion del modelo juez y sesgo.

¿Cómo replico el benchmark en mi propio hardware? Ver Quick Start y Como Replicar el Benchmark. Necesitás Python 3.10+, Ollama (para Phi-4 judge) y al menos OPENROUTER_API_KEY para empezar.

¿Puedo usar este benchmark para decidir qué modelo poner en producción? Sí — fue diseñado para eso. Pero validá en tu caso específico: replicá 5-10 prompts típicos de tu producto contra los 2-3 finalistas. Ningún benchmark sustituye prompts reales de tu negocio. En la comunidad Skool compartimos plantillas y workshops para esa validación.

Para agentes IA consumidores (Claude Code, Cursor, etc.)

Este repo está pensado también para que agentes IA puedan consumirlo y recomendar modelos basados en datos reales, no en su entrenamiento (que probablemente está desactualizado).

• AGENTS.md — guía de decisión completa con reglas, anti-patterns y templates de respuesta
• docs/data/models.json — JSON con todos los modelos, scores por pilar, costos, licencias
• docs/data/agents-decision-guide.json — schema estructurado de casos de uso → modelos recomendados

Ejemplo mínimo en Python:

import json, urllib.request

GUIDE = json.loads(urllib.request.urlopen(
    'https://benchmarks.cristiantala.com/data/agents-decision-guide.json'
).read())

# Agente recibe pregunta sobre N8N templates
caso = next(uc for uc in GUIDE['use_cases'] if uc['id'] == 'coding_n8n_templates')
print(f"Recomendación: {caso['top_models'][0]['model_id']}")
print(f"Razón: {caso['top_models'][0]['reason']}")

Si construís un agente que recomiende modelos, leé AGENTS.md primero — la regla #0 es "no existe un mejor modelo universal".

Comunidad y soporte

• 💬 Cágala, Aprende, Repite (Skool) — comunidad de emprendedores latinoamericanos usando IA
• 📧 Newsletter Cristian Tala — análisis de modelos y casos reales
• 📺 YouTube — workshops y tutoriales
• 💼 LinkedIn — ecosistema startup chileno
• 🐛 Issues en GitHub — bugs, sugerencias, modelos a agregar