La incómoda verdad: “elección de modelo” es la mitad de su ingeniería rápida Si tu prompt es una receta, el modelo es tu cocina. Una buena receta no ayuda si: 
 
 
 
 
 el horno es pequeño (finestra de contexto), los ingredientes son caros (precio de token), el jefe es lento (latencia), o sus herramientas no se ajustan (llamada de funciones / JSON / SDK / ecosistema). Así que aquí está a Una comparación que realmente puedes usar. practical 
 
 Nota sobre “parámetros”: para muchos modelos fronterizos, los números de parámetros no se divulgan públicamente.En la práctica, la ventana de contexto + precios + herramientas predicen “cumple” mejor que adivinar la escala de parámetros. Nota sobre “parámetros”: para muchos modelos fronterizos, los números de parámetros no se divulgan públicamente.En la práctica, la ventana de contexto + precios + herramientas predicen “cumple” mejor que adivinar la escala de parámetros. 1) Comparación rápida: lo que debe preocuparse primero 1.1 Los “cuatro botones” que importan 
 
 
 
 
 Contexto: ¿Puedes combinar el trabajo en una sola solicitud? Precio: ¿Puedes pagar el volumen? Latencia: ¿Tu UX tolera la espera? Compatibilidad: ¿Su pila se integrará limpiamente? Todo lo demás es segundo orden. Tabla de especificaciones del modelo (contexto + posicionamiento) Esta tabla se centra en lo que es estable: . family, positioning, and context expectations Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título de la familia Título , de , de )  General-purpose, fuerte ecosistema de herramientas  Precio + entrada en caché se publican claramente.  OpenAI  “o” familia de razonamiento (por ejemplo, , de . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . gpt-4o gpt-4.1 gpt-5* o3 o1 3) Tabla de precios (la parte que su CFO realmente lee) Abajo están de los documentos oficiales (USD por Use esto como base, luego aplique: caché, descuentos de lotes y su longitud de salida real. public list prices 1M tokens 3.1 OpenAI (Highlights seleccionados) OpenAI publica los precios de entrada, entrada en caché y salida por 1M de tokens. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Model 
 Input / 1M 
 Cached input / 1M 
 Output / 1M 
 When to use 
 
 
 
 
 
 
 gpt-4.1 
 $2.00 
 $0.50 
 $8.00 
 High-quality general reasoning with sane cost 
 
 
 
 
 
 
 gpt-4o 
 $2.50 
 $1.25 
 $10.00 
 Multimodal-ish “workhorse” if you need it 
 
 
 
 
 
 
 gpt-4o-mini 
 $0.15 
 $0.075 
 $0.60 
 High-throughput chat, extraction, tagging 
 
 
 
 
 
 
 o3 
 $2.00 
 $0.50 
 $8.00 
 Reasoning-heavy tasks without the top-end pricing 
 
 
 
 
 
 
 o1 
 $15.00 
 $7.50 
 $60.00 
 “Use sparingly”: hard reasoning where mistakes are expensive gpt-4.1 2.00 dólares $0.50 por 8.00 € Razonamiento general de alta calidad con un costo sano gpt-4o 2.50 dólares Dólar 1,25 Dólar 10 Multimodal-ish “horse de trabajo” si lo necesitas gpt-4o-mini $0.15 por día 0 075 0,60 dólares Chat de alto rendimiento, extracción, etiquetado o3 2.00 dólares $0.50 por 8.00 € Tareas pesadas de razonamiento sin el precio de primera línea o1 $15 horas 7.50 dólares 60,00 € “Usar con moderación”: razonamiento duro donde los errores son caros 
 
 Si está construyendo un producto: a menudo ejecutará el 80-95% de las llamadas en un modelo más barato (mini / nivel rápido), y solo escalará los casos difíciles. Si está construyendo un producto: a menudo ejecutará el 80-95% de las llamadas en un modelo más barato (mini / nivel rápido), y solo escalará los casos difíciles. 3.2 Antropía (Clode) Anthropic publica una tabla de precios modelo en Claude docs. 
 
 
 
 
 
 
 
 
 
 
 
 Model 
 Input / MTok 
 Output / MTok 
 Notes 
 
 
 
 
 
 Claude Haiku 4.5 
 $1.00 
 $5.00 
 Fast, budget-friendly tier 
 
 
 
 
 
 Claude Haiku 3.5 
 $0.80 
 $4.00 
 Even cheaper tier option 
 
 
 
 
 
 Claude Sonnet 3.7 (deprecated) 
 $3.75 
 $15.00 
 Listed as deprecated on pricing 
 
 
 
 
 
 Claude Opus 3 (deprecated) 
 $18.75 
 $75.00 
 Premium, but marked deprecated Claude Haiku 4.6 $1 por hora $5.00 por día Rápido, presupuesto amigable Claude Haiku 3.6 0,80 dólares 4.00 dólares Una opción más barata Claude Sonnet 3.7 (deprecado) Dólar 3.75 $15 horas Listado como depreciado en precios Claude Opus 3 (deprecado) 1875 dólares $75.00 por día Premium, pero marcado deprecado 
 
 Importante: la disponibilidad del modelo cambia.Tratar la tabla de precios como el "lo que existe ahora". Tratar la tabla de precios como el “lo que existe ahora”. Important: Google Gemini (API para desarrolladores) El precio de Gemini varía según el nivel y incluye el cache de contexto + precio de aterrizaje. 
 
 
 
 
 
 
 
 
 
 Tier (example rows from pricing page) 
 Input / 1M (text/image/video) 
 Output / 1M 
 Notable extras 
 
 
 
 
 
 Gemini tier (row example) 
 $0.30 
 $2.50 
 Context caching + grounding options 
 
 
 
 
 
 Gemini Flash-style row example 
 $0.10 
 $0.40 
 Very low output cost; good for high volume Gemini Tier (Ejemplo de pareja) Dólar 0.30 2.50 dólares Caching de contexto + opciones de aterrizaje Gemini Flash-estilo de línea ejemplo Dólar 0.10 0,40 dólares Coste de salida muy bajo; bueno para volúmenes altos La página de precios de Gemini también enumera: 
 
 
 Contexto de los precios, y Precios y límites de búsqueda de Google. 3.4 DeepSeek (API) en la búsqueda DeepSeek publica los precios en sus documentos de API y en su página de precios. 
 
 
 
 
 
 
 
 Model family (per DeepSeek pricing pages) 
 What to expect 
 
 
 
 DeepSeek-V3 / “chat” tier 
 Very low per-token pricing compared to many frontier models 
 
 
 
 DeepSeek-R1 reasoning tier 
 Higher than chat tier, still aggressively priced DeepSeek-V3 / “chat” tier Precio muy bajo por token en comparación con muchos modelos fronterizos Introducción a DeepSeek-R1 Más alto que el nivel de chat, todavía con precios agresivos 4) Latencia: no utilice tablas falsas de "segundos promedio" La mayoría de las tablas de latencia del blog también son: 
 
 
 se mide en un día, una región, una carga útil, luego se recicla para siempre, o de pura ficción. En lugar de usar : two metrics you can actually observe 
 
 
 TTFT (tiempo hasta el primer token) — cuán rápido comienza la transmisión Tokens/sec — qué tan rápido llega la salida una vez que comienza 4.1 Expectativas de latencia práctica (direcional) 
 
 
 
 Los niveles “Mini/Flash” generalmente ganan TTFT y rendimiento para las cargas de trabajo de estilo chat. Los niveles de "razonamiento" suelen tener un TTFT más lento y pueden producir más tokens (más pensamiento), por lo que se percibe un aumento de la latencia. Las entradas de contexto largo aumentan la latencia en todas partes. 4.2 Cómo hacer una referencia para su propio producto (un método de 15 minutos) Crea un pequeño script de referencia que envía: 
 
 
 
 
 el mismo prompt (por ejemplo, 400-800 tokens), rendimiento máximo fijo (por ejemplo, 300 tokens), en su área de destino, de 30 a 50 corredores. El Record: 
 
 
 
 P50 y P95 TTFT. p50 / p95 tiempo total, Título / Sec. Luego, toma la decisión con datos, no con vibraciones. Compatibilidad: por qué “tooling fit” gana la calidad del modelo crudo Un modelo que es 5% "más inteligente" pero rompe su pila es una pérdida neta. 5.1 Compatibilidad superficial de Prompt + API (lo que se rompe cuando cambia de modelos) FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNCIONES FUNC 5.2 Adecuado para el ecosistema (a.k.a. “¿Qué ya usas?”) 
 
 
 
 Si vives en flujos de trabajo de estilo Google Workspace / Vertex, la integración Gemini + opciones de aterrizaje pueden ser un ajuste natural. Si usted confía en un amplio ecosistema de automatización de terceros, OpenAI + Claude ambos tienen cobertura madura de SDK + herramientas (LangChain, etc.). Si necesita residencia de datos / on-prem, los modelos de código abierto (Llama / Qwen) le permiten mantener los datos dentro de su límite, pero usted paga en MLOps. 6) La lista de verificación de decisiones: elige modelos como un ingeniero Paso 1 - Clasificar la tarea 
 
 
 
 Alto volumen / bajas apuestas: etiquetado, reescribir, FAQ, extracción Interés medio: respuestas al soporte del cliente, informes internos Las apuestas son altas: legales, financieras, de seguridad, de dominios similares a los médicos (ten cuidado) Paso 2 – Decide su pila (la “regla de modelos 2-3”) Una configuración común: 
 
 
 
 Rápido y barato para la mayoría de las solicitudes Un nivel fuerte para las promesas duras, el contexto largo, el razonamiento complicado Opcional: nivel de razonamiento en tiempo real o profundo para UX / características específicas Paso 3 – Estrategia de control de costos (antes de enviar) 
 
 
 
 
 Limitaciones de longitud de salida Cache de sistema repetido/contexto Trabajos homogéneos añade reglas de escalada (no envíe todo a su modelo más caro) 7) Una tabla de comparación práctica que puede pegar en un PRD Aquí hay una pequeña tabla de “copiar / pegar” para las partes interesadas. 
 
 
 
 
 
 
 
 
 
 
 
 
 Scenario 
 Priority 
 Default pick 
 Escalate to 
 Why 
 
 
 
 
 
 
 Customer support chatbot 
 Latency + cost 
  (or Gemini Flash-tier) gpt-4o-mini 
  / Claude higher tier gpt-4.1 
 Cheap 80–90%, escalate only ambiguous cases 
 
 
 
 
 
 
 Long document synthesis 
 Context + format stability 
 Claude tier with strong long-form behaviour 
 gpt-4.1 
 Long prompts + structured output 
 
 
 
 
 
 
 Coding helper in IDE 
 Tooling + correctness 
  or equivalent gpt-4.1 
  /  o3 o1 
 Deep reasoning for tricky bugs 
 
 
 
 
 
 
 Privacy-sensitive internal assistant 
 Data boundary 
 Self-host Llama/Qwen 
 Cloud model for non-sensitive output 
 Keep raw data in-house Apoyo al cliente chatbot Latencia + costos (o Gemini Flash-tier) gpt-4o-mini Claude Tier más alto gpt-4.1 80–90% barato, escalar sólo los casos ambiguos Síntesis del documento largo Contexto + Estabilidad de formato Claude Tier con un fuerte comportamiento de forma larga gpt-4.1 Long prompts + salida estructurada Auxiliar de codificación en IDE Corrección + corrección o equivalente gpt-4.1 / de o3 o1 Razonamiento profundo para tricky bugs Asistente interno de privacidad sensible Fronteras de datos Proyecto Llama/Qwen Modelo de nube para la salida no sensible Mantener los datos crudos en casa Toma final “El mejor modelo” no es una cosa. Sólo hay . best model for this prompt, this latency budget, this cost envelope, and this ecosystem Si vas a navegar con: 
 
 
 
 
 de un benchmark, de 2 a 3 modelos, estrictas restricciones de producción, y caching / batching, ...superará a los equipos que persiguen el modelo más nuevo cada mes.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

Este audio es producido en el idioma original de la historia!

Elegir un LLM en 2026: la tabla de comparación práctica (específicos, costo, latencia, compatibilidad)

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Telegram: el puente de Crypto Island hacia el continente

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Telegram: el puente de Crypto Island hacia el continente

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps