El modelo con el token más barato no siempre es el que resuelve una tarea por menos. Comparamos éxito, coste y duración en 66 tareas agénticas ejecutadas con el mismo agente.
Datos: Vals AI, Terminal-Bench 4.0, modelos lanzados hasta el 10 de noviembre de 2026.
$7por tarea resuelta
con Kimi K3.1 Pro, de pesos abiertos, que completó el 63,6% de las mismas 66 tareas agénticas largas; Claude Opus 5.5 completó el 65,2% a $18,48.
Vals AI, Terminal-Bench 4.0.
Precio, velocidad, éxito
Las tarifas de los modelos se publican por millón de tokens. A quien los usa en una aplicación le importa otra cosa: cuánto cuesta terminar el trabajo. Una tarea puede necesitar muchos pasos, consumir más tokens de los previstos o no completarse, y todo eso se paga.
Vals AI evaluó 47 modelos en las mismas 66 tareas agénticas, con el mismo agente. El resultado no favorece por sistema a los modelos abiertos ni a los cerrados: entre los de pesos abiertos están algunas de las tareas resueltas más baratas y también algunas de las más caras. Kimi K3.1 Pro, por ejemplo, se acercó a las tasas de éxito más altas por menos de la mitad del coste de los líderes cerrados.
47 modelos lanzados hasta el 10 de noviembre de 2026, 14 de pesos abiertos y 33 cerrados, ejecutados por Vals AI con el mismo agente en Terminal-Bench 4.0, tres veces, a los precios del proveedor. Tareas agénticas largas en un terminal, una cuarta parte de ingeniería de software.
01 Coste por tarea resuelta
Con una tasa de éxito parecida,el coste por tarea resuelta se multiplicó por siete
GLM-5.3 Flash completó el 37,4% de las tareas y GLM-5.3, el 38,9%. Son dos modelos de Z.ai con casi los mismos aciertos y costes muy distintos: $3,26 por tarea resuelta con Flash y $24,11 con el modelo grande. Claude Haiku 5.5, cerrado, quedó entre ambos, con un 36,4% de éxito y $8,57 por tarea resuelta.
La diferencia no se explica solo por el precio de cada token. También importa cuánto consume el agente en cada intento y cuántos intentos no llegan a completarse, porque los fallos también entran en la factura.
Los diez modelos que completaron entre el 29% y el 44% de las tareas: los tokens que gastaron y el coste de una tarea resuelta
De pesos abiertosCerradoLos tres del titular
Modelo
Tareas completadas
Tokens por tarea
Coste por tarea intentada
Coste por tarea resuelta
Minutos por tarea
Muse EmberCerrado · Meta
Tareas completadas39,4%
Tokens por tarea30,9 millones
Coste por tarea intentada$0,22
Coste por tarea resuelta$0,55
Minutos por tarea26
DeepSeek V4.1 FlashDe pesos abiertos · DeepSeek
Tareas completadas31,8%
Tokens por tarea39,6 millones
Coste por tarea intentada$0,54
Coste por tarea resuelta$1,70
Minutos por tarea41
GLM-5.3 FlashPesos abiertos · Z.ai
Tareas completadas37,4%
Tokens por tarea35,7 millones
Coste por tarea intentada$1,22
Coste por tarea resuelta$3,26
Minutos por tarea61
Claude Haiku 5.5Cerrado · Anthropic
Tareas completadas36,4%
Tokens por tarea45,5 millones
Coste por tarea intentada$3,12
Coste por tarea resuelta$8,57
Minutos por tarea52
GPT-6 SolCerrado · OpenAI
Tareas completadas44,4%
Tokens por tarea13,8 millones
Coste por tarea intentada$5,79
Coste por tarea resuelta$13,03
Minutos por tarea35
GPT-5.6 SolCerrado · OpenAI
Tareas completadas37,9%
Tokens por tarea10,5 millones
Coste por tarea intentada$7,98
Coste por tarea resuelta$21,08
Minutos por tarea34
GLM-5.3Pesos abiertos · Z.ai
Tareas completadas38,9%
Tokens por tarea31,5 millones
Coste por tarea intentada$9,37
Coste por tarea resuelta$24,11
Minutos por tarea83
Qwen3.8 MaxCerrado · Alibaba
Tareas completadas34,3%
Tokens por tarea33,9 millones
Coste por tarea intentada$10,63
Coste por tarea resuelta$30,96
Minutos por tarea148
Grok 4.7Cerrado · xAI
Tareas completadas28,8%
Tokens por tarea18,2 millones
Coste por tarea intentada$18,01
Coste por tarea resuelta$62,57
Minutos por tarea50
Claude Fable 5Cerrado · Anthropic
Tareas completadas41,4%
Tokens por tarea19,8 millones
Coste por tarea intentada$30,34
Coste por tarea resuelta$73,26
Minutos por tarea68
Tokens por tarea: de entrada y de salida, entrada en caché incluida. Coste por tarea intentada: la factura de API de una tarea a los precios del proveedor que la sirvió, con todos los pasos del agente incluidos, media de tres ejecuciones. Coste por tarea resuelta: el coste por tarea intentada dividido entre la proporción de tareas completadas, así que los intentos fallidos también se pagan. Minutos: el tiempo real del agente por tarea. Filas de la tarea resuelta más barata a la más cara. Fuente: Vals AI, Terminal-Bench 4.0, clasificación del 9 de noviembre de 2026.
En este ejemplo, GLM-5.3 y GLM-5.3 Flash gastaron un número de tokens parecido, pero el intento medio costó $9,37 con el primero y $1,22 con Flash: los tokens del modelo grande son más caros y la versión Flash se ejecutó en un proveedor más barato. No es un caso aislado: de 741 comparaciones entre modelos con distinto precio por token, en 197 el modelo con el token más barato acabó costando más por tarea resuelta.
02 Mejor relación coste-resultado
Kimi K3.1 Pro rozó las tasas de éxito más altascon un coste mucho menor
Kimi K3.1 Pro completó el 63,6% de las tareas, frente al 65,2% de Claude Opus 5.5 y Claude Fable 5.2. En éxito, la diferencia fue pequeña; en coste, no: $7,18 por tarea resuelta con Kimi, $18,48 con Opus y $22,35 con Fable.
Aun así, el coste más bajo entre los modelos que superaron el 50% de éxito no fue de un modelo abierto: GPT-6.1 Sol completó el 55,0% de las tareas a $3,13 por tarea resuelta. Por eso conviene mirar a la vez el coste y la tasa de éxito.
Completar más tareas no siempre cuesta más: el éxito y el coste por tarea resuelta, 47 modelos
Cada punto es un modelo en las 66 tareas de Terminal-Bench 4.0, con el mismo agente y a los precios del proveedor que lo sirvió. Más a la derecha, más tareas completadas; más abajo, más barata cada tarea resuelta.
De pesos abiertosCerradosFrontera: ningún otro modelo completa más tareas por menos
Los 13 modelos de pesos abiertos del gráfico
Modelo
Tareas completadas
Coste por tarea resuelta
Minutos por tarea
En la frontera
Kimi K3.1 Pro
63,6%
$7,18
49
sí
GLM-5.3
38,9%
$24,11
83
GLM-5.3 Flash
37,4%
$3,26
61
DeepSeek V4.1 Flash
31,8%
$1,70
41
Mistral Large 4
27,8%
$18,65
100
Mistral Large 4 (open release)
26,3%
$10,39
65
DeepSeek V4.1 Flash (Sept.)
19,7%
$2,54
48
DeepSeek V4 Flash
18,7%
$4,10
106
Kimi K3
17,2%
$72,67
189
DeepSeek V4 Pro
14,1%
$23,42
92
DeepSeek V4 Pro (April)
11,1%
$31,07
86
MiniMax-M3
1,0%
$715,79
76
Inkling
0,5%
$494,26
23
Frontera de Pareto calculada sobre la tabla publicada: Claude Opus 5.5, Claude Sonnet 5.5, Kimi K3.1 Pro, GPT-6.1 Sol, Muse Ember. Solo cuenta el éxito y el coste por tarea resuelta, no el tiempo, la seguridad ni la disponibilidad. Sin punto: Inkling Small, que no resolvió ninguna tarea (no tiene coste por tarea resuelta); por eso hay 46 puntos para 47 modelos. Pasa el cursor por un punto para ver sus valores. Coste por tarea resuelta = lo que costaron todas las tareas, fallos incluidos, entre las tareas completadas. Un solo benchmark de tareas agénticas largas: no es un coste general de cada modelo. Fuente: Vals AI.
Coste por tarea resuelta: los 10 modelos que completaron al menos la mitad de las tareas y los de pesos abiertos que completaron al menos una cuarta parte
De pesos abiertosCerrado
Los 10 modelos que completaron al menos la mitad de las tareas
5
GPT-6.1 Sol 55,0% completado · 45 min
$3,13
10
Kimi K3.1 Pro 63,6% completado · 49 min
$7,18
14
GPT-6 Astra 59,6% completado · 36 min
$16,08
15
Claude Sonnet 5.5 64,1% completado · 82 min
$16,76
16
Muse Wonder Full 58,1% completado · 72 min
$18,13
17
Claude Opus 5.5 65,2% completado · 64 min
$18,48
20
Claude Fable 5.2 65,2% completado · 55 min
$22,35
26
Claude Fable 5.1 58,1% completado · 60 min
$29,57
28
Gemini 4 Argon 57,6% completado · 54 min
$30,64
31
Claude Opus 5 53,5% completado · 67 min
$34,74
Los 5 modelos de pesos abiertos que completaron entre el 25% y el 50% de las tareas
2
DeepSeek V4.1 Flash 31,8% completado · 41 min
$1,70
6
GLM-5.3 Flash 37,4% completado · 61 min
$3,26
12
Mistral Large 4 (open release) 26,3% completado · 65 min
$10,39
18
Mistral Large 4 27,8% completado · 100 min
$18,65
22
GLM-5.3 38,9% completado · 83 min
$24,11
Lo que el modelo gastó en todas las tareas dividido entre las tareas que completó, con los intentos fallidos incluidos, a los precios del proveedor. El número de la izquierda es el puesto del modelo entre los 46. Fuente: Vals AI, Terminal-Bench 4.0, clasificación del 9 de noviembre de 2026.
Entre los 28 pares de un modelo abierto y uno cerrado con tasas de éxito separadas por menos de tres puntos, el abierto resultó más barato en 18, con una diferencia mediana de 2,6 veces; en los otros diez ocurrió lo contrario. Los pares salen de los modelos que evaluó Vals AI y varios comparten modelo, así que no es una proporción del mercado. Dentro de una misma familia la distancia también puede ser grande: Kimi K3 completó el 17,2% de las tareas a $72,67 por tarea resuelta, frente al 63,6% y $7,18 de Kimi K3.1 Pro. El coste por tarea resuelta más bajo de todos fue el de un modelo cerrado, Muse Ember, de Meta: $0,55, aunque completó solo el 39,4%.
03 Velocidad
Los modelos cerrados fueron más rápidos en la mediana,pero no en todas las comparaciones
La mediana de tiempo por tarea fue de 54 minutos entre los modelos cerrados y de 70 entre los de pesos abiertos. Entre los modelos con mejores tasas de éxito, GPT-6 Astra tardó 36 minutos; Kimi K3.1 Pro, 49, y Claude Opus 5.5, 64. Ese tiempo también cuenta, aunque no aparezca en una tarifa por millón de tokens.
Minutos por tarea, los 10 modelos que completaron al menos la mitad de las tareas
De pesos abiertosCerrado
1
GPT-6 Astra $16,08 por tarea resuelta · 59,6% completado
36 min
2
GPT-6.1 Sol $3,13 por tarea resuelta · 55,0% completado
45 min
3
Kimi K3.1 Pro $7,18 por tarea resuelta · 63,6% completado
49 min
4
Gemini 4 Argon $30,64 por tarea resuelta · 57,6% completado
54 min
5
Claude Fable 5.2 $22,35 por tarea resuelta · 65,2% completado
55 min
6
Claude Fable 5.1 $29,57 por tarea resuelta · 58,1% completado
60 min
7
Claude Opus 5.5 $18,48 por tarea resuelta · 65,2% completado
64 min
8
Claude Opus 5 $34,74 por tarea resuelta · 53,5% completado
67 min
9
Muse Wonder Full $18,13 por tarea resuelta · 58,1% completado
72 min
10
Claude Sonnet 5.5 $16,76 por tarea resuelta · 64,1% completado
82 min
Más corta, más rápida. En los 47 modelos, la mediana fue de 70 minutos por tarea en los de pesos abiertos y de 54 en los cerrados. Los minutos son el tiempo real del agente por tarea, herramientas y pruebas incluidas, con cada modelo servido por el proveedor que indica la tabla completa; otro proveedor o un hardware propio los cambiarían. Fuente: Vals AI, Terminal-Bench 4.0, clasificación del 9 de noviembre de 2026.
Kimi K3.1 Pro fue más barato y más rápido que Claude Opus 5.5, Claude Fable 5.2 y Claude Sonnet 5.5 en esta prueba. GPT-6.1 Sol redujo todavía más el coste y el tiempo, pero completó 9 puntos menos de tareas que Kimi. Según el uso, esos minutos pueden ser decisivos o casi no importar: no es lo mismo esperar al agente que dejarlo trabajando en segundo plano.
Capítulo 04 · Cierre
Qué habría que compararantes de elegir un modelo
Con estos resultados no se puede concluir que los modelos de pesos abiertos sean siempre más baratos. Kimi K3.1 Pro compitió con los mejores modelos cerrados por una fracción de su coste, mientras que otros modelos abiertos quedaron entre los más caros. Tampoco basta con elegir el que menos cobra por token: en 197 de 741 comparaciones, esa opción acabó costando más por tarea resuelta.
Lo que decide es el resultado que se necesita. Un modelo que resuelve más tareas puede justificar un coste mayor; uno más barato puede bastar cuando se toleran más fallos o hay una revisión posterior. Y si una persona espera a que el agente termine, el tiempo también cuenta.
Estas cifras son de Terminal-Bench 4.0, no el coste universal de cada modelo. Para una aplicación concreta habría que repetir la comparación con tareas propias y medir tres cosas: cuántas se completan, cuánto cuestan los intentos, también los fallidos, y cuánto tardan.
Abiertos y cerrados
Con estos resultados no se puede concluir que los modelos de pesos abiertos sean siempre más baratos. Kimi K3.1 Pro compitió con los mejores modelos cerrados por una fracción de su coste, mientras que otros modelos abiertos quedaron entre los más caros.
Precio por token
Tampoco basta con elegir el que menos cobra por token: en 197 de 741 comparaciones, esa opción acabó costando más por tarea resuelta.
Un solo benchmark
Estas cifras son de Terminal-Bench 4.0, no el coste universal de cada modelo. Para una aplicación concreta habría que repetir la comparación con tareas propias y medir tres cosas: cuántas se completan, cuánto cuestan los intentos, también los fallidos, y cuánto tardan.