ModelVerdict
EspañolES

De nuestros datos

Gemini 3.8 Flash lidera entre 14 modelos; GLM-5.3 Flash es 6 veces más barato

Trece modelos nuevos, probados en seis tareas documentales en cinco idiomas: Gemini 3.8 Flash ocupa el primer puesto, GLM-5.3 Flash es el segundo más económico y Sonnet 5.5 sustituye a Sonnet 5.

Publicado el 12 de octubre de 2026 · cifras de la ejecución 20261010T220935Z-c30495

La última ronda añade 13 modelos al benchmark, por lo que ahora hay 14 clasificados. Un documento solo se considera correcto si todos sus campos son correctos. Los costes son lo que cobró la API por cada 1000 documentos. Todos los documentos son sintéticos, la temperatura es 0 y los idiomas son cs, de, en, es y fr.

La clasificación: dos modelos Flash en cabeza

Gemini 3.8 Flash se lleva el primer puesto, con un 97,40 % de documentos totalmente correctos a 4,03 $. GLM-5.3 Flash, un modelo de pesos abiertos, queda segundo con un 96,55 % a 0,68 $. Es unas 6 veces más barato que el líder, con una diferencia de menos de un punto. GPT-6 Sol es tercero y Claude Sonnet 5.5, cuarto.

Puesto Modelo Totalmente correctos USD por 1000 docs
1 Gemini 3.8 Flash 97,40 % 4,03 $
2 GLM-5.3 Flash 96,55 % 0,68 $
3 GPT-6 Sol 95,97 % 4,56 $
4 Claude Sonnet 5.5 95,48 % 5,55 $
5 DeepSeek V4.1 Flash 93,00 % 0,45 $
6 GPT-6 Luna 92,44 % 0,24 $

Por debajo: Claude Sonnet 5 (8.º, 91,28 %), Mistral Large 4 (9.º, 88,99 %), Qwen3.8 Flash (10.º, 88,60 %), Gemini 3.5 Flash Lite (11.º, 86,99 %), Mistral Medium 3.5 (12.º, 86,37 %), Gemma 4 31B (13.º, 81,15 %) y Mistral Small 4 (14.º, 73,66 %).

El precio de lista es una mala referencia del coste real. Mistral Large 4 tiene un precio de lista de 0,68 $ / 2,09 $ por millón de tokens de entrada / salida, pero cuesta 5,50 $ por cada 1000 documentos. Los modelos de razonamiento generan mucho texto oculto que también se factura.

Sonnet 5.5 frente al modelo al que sustituye

Claude Sonnet 5.5 sustituye a Claude Sonnet 5 y mejora en casi todos los apartados. En el conjunto obtiene un 95,48 % frente al 91,28 %, y es más barato: 5,55 $ frente a 5,96 $. En facturas acierta por completo el 99,59 % de los documentos, frente al 92,66 %. En escaneos y fotografías alcanza el 100,00 %, el mejor resultado de los 14 modelos; Sonnet 5 obtiene un 91,33 %.

Su punto débil son los resúmenes de reuniones: 89,46 %, mientras que Sonnet 5 logra un 77,86 %. Gemini 3.8 Flash y DeepSeek V4.1 Flash alcanzan ambos el 100,00 % en esta tarea. La clasificación de correos electrónicos también es discreta, con un 84,80 %. Consulte la comparativa directa o la página de Sonnet 5.5.

Aciertos y fallos por tarea

  • Cláusulas de contratos: Gemini 3.8 Flash 99,73 %, Sonnet 5.5 99,46 %. Gemma 4 31B cae hasta el 56,39 %.
  • Clasificación de correos electrónicos: la tarea más difícil. GLM-5.3 Flash lidera con un 89,06 % a 0,47 $, justo por delante de Gemini 3.8 Flash, con un 88,93 %. Mistral Medium 3.5 obtiene un 53,73 % y Mistral Small 4, solo un 35,59 %.
  • Anonimización de datos personales (PII): prácticamente resuelta para la mayoría. Sonnet 5.5 obtiene un 99,60 %, y GLM-5.3 Flash y Gemma 4 31B, un 99,06 %. Gemini 3.5 Flash Lite es la excepción, con un 84,66 %.
  • Preguntas sobre un documento: GPT-6 Sol, Sonnet 5.5, Mistral Medium 3.5, Gemma 4 31B y Mistral Small 4 alcanzan todos el 100,00 %. Mistral Large 4 obtiene un 88,53 %, con un 4,66 % de documentos sin respuesta válida.
  • Resúmenes de reuniones: Mistral Medium 3.5 alcanza el 100,00 % a 1,92 $. Mistral Large 4 logra un 89,33 % a 8,56 $, y el 10,66 % de sus documentos no tiene respuesta válida.

Qwen3.8 Flash muestra un problema parecido en facturas: el 6,66 % de los documentos sin respuesta válida y un 75,86 % totalmente correctos. Nuestro análisis de Mistral Large 4 trata este modelo con más detalle.

Facturas, escaneos y el precio real

Las facturas marcan bien las diferencias entre modelos. Cada una tiene 13 campos, así que un solo campo erróneo invalida la factura entera; el artículo sobre precisión por campo frente a precisión por documento explica por qué esto importa. Suponiendo un coste de corrección de 3 minutos por factura errónea a 40 $/hora, el coste real por cada 1000 facturas es el siguiente:

  • Sonnet 5.5: API 10,65 $; 19 $ incluida la corrección.
  • Gemini 3.8 Flash: API 5,83 $; 49 $ incluida la corrección.
  • GLM-5.3 Flash: API 1,00 $; 110 $ incluida la corrección.
  • GPT-6 Luna: API 0,53 $; 169 $ incluida la corrección.
  • Mistral Small 4: API 0,43 $; 998 $ incluida la corrección.

La factura de API más baja no es el resultado más barato. En escaneos y fotografías la brecha se amplía: Gemini 3.8 Flash obtiene un 98,44 %, GLM-5.3 Flash un 93,99 %, GPT-6 Luna un 86,00 %, Gemma 4 31B un 43,33 % y Mistral Small 4 un 40,89 %.

Idiomas

Gemini 3.8 Flash es el más homogéneo: su rango va del 96,44 % (de) al 98,11 % (cs). GPT-6 Sol baja al 93,66 % tanto en es como en fr. GLM-5.3 Flash es más débil en fr, con un 95,00 %, y en de, con un 95,11 %. Gemma 4 31B muestra la mayor oscilación: del 91,66 % en en al 73,89 % en fr y al 75,44 % en de. DeepSeek V4.1 Flash es más débil en de, con un 89,44 %.

Cuál elegir

Para obtener la máxima precisión, elija Gemini 3.8 Flash. Para la mejor relación entre precio y precisión, elija GLM-5.3 Flash. Para facturas y escaneos en los que los errores salen caros, Sonnet 5.5 es la opción más sólida. GPT-6 Luna, a 0,24 $, es el modelo más barato que aún supera el 92 %. Evite Mistral Small 4 y Gemma 4 31B para facturas.

Consulte la tabla completa en la clasificación y cómo realizamos las pruebas en la metodología.

Ver los resultados actuales para su tarea e idioma →

Acceso por correo electrónico

Usamos su correo solo para el acceso (y para el resumen si lo marca). Sin spam.