GPT-5.6 vs Grok 4.5 vs Fable 5: La Prueba Creativa

El modelo que supuestamente ganó esta comparativa no existe. Tampoco existen dos de los tres nombres que la gente sigue repitiendo.

Y no es un detalle menor: es la razón por la que me senté a escribir esto. Un creador hizo un experimento genuinamente interesante: darle a tres modelos frontera el mismo brief creativo —construir un mundo abierto estilo GTA, un clon de Minecraft y un anuncio de iPhone de 30 segundos, todo en Three.js nativo para navegador— y ver quién gana. Buena prueba. Mejor que otra tabla de SWE-bench, la verdad. Pero el artículo los llamó "GPT 5.6", "Codeex" y "Claude's Fable", y para cuando ese encuadre lleva tres compartidos de profundidad, hay gente tomando decisiones reales de presupuesto sobre nombres de modelos que no son reales y un ranking de costos que está directamente invertido.

Así que esto es una comparativa GPT-5.6 vs Grok 4.5 vs Fable 5 con los datos verificados. El mismo ángulo creativo —porque es el ángulo correcto, y la primera página de resultados para esta búsqueda no es más que tablas de benchmarks— pero con los nombres reales de los productos, las tarifas reales de julio de 2026 y la aritmética real de lo que te cuesta un build creativo.

Una advertencia sobre uno de esos números: el modelo "más barato" de esa prueba no es el modelo más barato. Ni de cerca. Ya llegaré a eso.

Déjame ser claro sobre de quién es esta prueba

Antes de analizar un solo fotograma del clon de Minecraft de nadie, la aclaración — porque he visto a demasiada gente convertir una demo de YouTube en "yo probé esto" y no pienso hacerlo.

Yo no ejecuté los builds de los juegos. No construí Neon Burrow, Apex City ni Metro Rush. Son los resultados de un creador, con los prompts de un creador, en la máquina de un creador, y yo tengo exactamente lo mismo que tú: el metraje. Lo que no puedo decirte es qué decían los prompts, cuántas iteraciones corrieron antes de la toma que llegó al corte final, qué nivel de esfuerzo se configuró ni cuánto fue la factura de tokens. Esas cuatro incógnitas resultan ser las cuatro variables que deciden el resultado de una prueba como esta. Guárdatelo en el bolsillo.

De lo que sí puedo hablar de primera mano es de la parte que sobrevive a la demo: los modelos en sí, las tarifas y lo que cuestan cuando los usas en serio. Yo opero pipelines de agentes multi-modelo casi a diario. Ya pasé por la versión dolorosa de la lección de costos de Fable 5 — vi cómo una sola tarea quemaba $22 y tuve que reconstruir toda mi estrategia de niveles de esfuerzo a raíz de eso, algo que documenté en detalle en mi desglose sobre cómo reducir los costos de uso de Fable 5. He integrado Grok 4.5 en mi stack y he analizado por qué el modelo eficiente le gana al inteligente más a menudo de lo que nadie admite. Esa es mi base de verdad. Los builds son de otra persona.

Así que lee esto por lo que es: una capa de análisis sobre una prueba de terceros, más los números verificados que la prueba omitió. Es menos emocionante que "¡yo probé los tres!". También es verdad, y la versión verdadera te sirve más, porque las correcciones son donde está el dinero.

Empezando por los nombres.

GPT-5.6 vs Grok 4.5 vs Fable 5: los nombres reales y las tarifas reales

Aquí está la tabla de correcciones. Todo lo de abajo proviene de documentación oficial de los proveedores y sus páginas de precios a julio de 2026, no del video.

Algunas de estas correcciones importan más que la ortografía.

GPT-5.6 es una familia, no un modelo. Toda la división Sol/Terra/Luna llegó a disponibilidad general el 9 de julio de 2026 con una ventana de 1M de tokens en los tres niveles — el tramo final de un despliegue restringido y geopolíticamente enredado que rastreé en mi lectura sobre la serie GPT-5.6 y la frontera cerrada de la IA. Cuando la prueba dice "GPT 5.6 construyó un mundo abierto limpio", la única pregunta que importa es qué nivel — porque hay una diferencia de precio de 5x entre Sol y Luna, y es la diferencia entre un build que cuesta centavos y uno que no. El encuadre del video de "tres cerebros entre los que eliges" no está mal, exactamente. Solo le faltan los nombres que necesitarías para pedir uno de verdad.

Los niveles de esfuerzo de Fable 5 no incluyen "extra". La API acepta low, medium, high, xhigh, max. Si estás conectando esto a cualquier cosa, "extra" lanza un error. Cosa pequeña. Te cuesta veinte minutos.

@Sites no es un comando de barra. Es un plugin que invocas en un hilo de Codex cuando una tarea debe terminar en un despliegue. Codex construye el proyecto, lo ejecuta, lo despliega en infraestructura de OpenAI y te devuelve una URL en vivo. Se lanzó el 2 de junio de 2026, y desde entonces pasó a disponibilidad general para suscriptores de pago, con los espacios de trabajo Business y Enterprise todavía en vista previa detrás de interruptores de administrador. Escribir /sites no te da nada.

Ahora — la corrección que de verdad cambia una decisión.

El ranking de costos de esa prueba está invertido

La tabla resumen del video pone a Grok 4.5 como "Costo: el más bajo" y lo llama el acceso de entrada más barato. Esa es la afirmación más repetida de toda esta comparativa y no sobrevive al contacto con la hoja de precios.

Grok 4.5 cuesta $2 de entrada / $6 de salida. GPT-5.6 Luna cuesta $1 de entrada / $6 de salida.

Luna cuesta la mitad en entrada y lo mismo en salida. No hay ninguna lectura de esas dos filas en la que Grok sea "el más barato". Si tu carga de trabajo es pesada en entrada — contexto largo, archivos grandes, mucha relectura, que describe básicamente cualquier build agéntico — Luna es significativamente más barato que el modelo que la prueba coronó como la opción económica. Incluso Terra, a $2.50/$15, queda a un error de redondeo de Grok en entrada.

¿Cómo llegó la prueba a esta conclusión al revés? Casi con certeza comparando a Grok contra Sol y dándolo por terminado. Contra los $5/$30 de Sol, claro, Grok parece barato. Pero eso es comparar el modelo económico contra el buque insignia del otro y declarar una victoria en precios, que es como decir que un Civic es más barato que un 911 y concluir que Honda es la marca de mejor valor. Compara nivel contra nivel y la historia se invierte.

La ventaja real de precio de Grok está en otra parte, y es real — solo que no es la tarifa de lista:

• Entrada cacheada a $0.50/M (un descuento del 75%) — potente si machacas el mismo contexto una y otra vez.
• Hasta $175/mes en créditos de API gratuitos a través del programa de compartición de datos de xAI, el nivel gratuito más generoso que ofrece cualquier proveedor grande ahora mismo.
• Eficiencia de tokens. Esta es la que de verdad importa y la que nadie pone en un gráfico. xAI reportó que Grok 4.5 usa aproximadamente 4.2x menos tokens de salida que Opus 4.8 en tareas largas de código — unos 15,954 tokens de salida promedio por tarea contra 67,020. La tarifa de lista es la tasa de impuestos. El conteo de tokens es el ingreso. Un modelo nominalmente más caro por token puede perder frente a uno que simplemente dice menos.

Hay una letra pequeña en los créditos gratuitos que conviene conocer antes de emocionarse: es un programa de compartición de datos. Tu tráfico entrena su modelo. Para un juego desechable en Three.js, a quién le importa. Para trabajo de cliente bajo un NDA, eso es una conversación con el departamento legal, no un almuerzo gratis.

Y la ventana de contexto de Grok fue en la dirección equivocada — 500K, por debajo del 1M de la generación anterior. Los reportes apuntan a que xAI está expandiendo de vuelta hacia 1M, pero diseña sobre 500K, porque eso es lo que se entrega hoy.

Entonces: la entrada más barata es Luna. El costo efectivo más barato en trabajo agéntico verboso probablemente es Grok, una vez que la eficiencia de tokens se acumula. El más barato para contexto idéntico repetido es Grok con caché. "El más barato" nunca fue un solo número, y la prueba aplastó tres preguntas distintas en una sola respuesta equivocada.

Lo cual nos lleva a lo más interesante de este experimento — la parte que creo que sí acertó.

Por qué construir un juego expone lo que los benchmarks esconden

La primera página de resultados para esta comparativa es un muro de cifras de SWE-bench Pro y Terminal-Bench. Aquí está el estado reportado de la situación, y digo por adelantado que son en gran parte cifras de los propios proveedores en sus propios arneses de prueba, lo que significa que hay que tratarlas como marketing con sección de metodología:

Mira esa tabla e intenta responder la pregunta que realmente tienes: ¿cuál hace un mejor anuncio?

No puedes. Nada ahí lo mide. SWE-bench pregunta si un modelo puede resolver un issue real de GitHub. Terminal-Bench pregunta si puede planificar y manejar una shell. Ambos son genuinamente útiles y ambos guardan silencio absoluto sobre si un modelo sabe que un atardecer necesita luz de contorno cálida, que el chaflán de un iPhone atrapa un brillo especular a lo largo de un borde, o que un mundo sin sonido ambiental se siente muerto aunque cada mecánica funcione.

Ese es el argumento a favor de la prueba creativa, y por eso creo que el creador dio con algo real. Un clon de GTA en Three.js es un prompt único brutal. Exige, simultáneamente: razonamiento espacial 3D, física, gestión de estado para un sistema de nivel de búsqueda, un bucle de renderizado que no colapse y gusto. Falla en cualquiera de ellas y se nota en unos cuatro segundos de metraje. No hay crédito parcial ni forma de disimularlo en el artículo. Un benchmark te da un porcentaje. Un build jugable te da un veredicto que puedes ver.

Esto es lo que se observó en los tres briefs, reportado como observación — no como medición mía:

El mundo abierto estilo GTA. Metro Rush de Grok tenía el esqueleto — autos, policía, un nivel de búsqueda — pero corría con lag y se sentía incompleto. Neon Burrow de GPT-5.6 entregó un mundo abierto genuinamente estable con mecánicas de caminar/conducir y un sistema de búsqueda de cinco estrellas; limpio y jugable, sin iluminación dinámica de ambiente. Apex City de Fable se lo llevó en atmósfera — iluminación dinámica de atardecer, mejor manejo de los autos, un mundo que se sentía habitado — a un costo de recursos más pesado y con solo un sistema de búsqueda de dos estrellas.

Vuelve a leer ese último par, porque ahí está la pista. Fable entregó mejor luz y menos funcionalidades. GPT-5.6 entregó más sistema y luz más plana. Eso no es un modelo siendo más inteligente. Son dos modelos haciendo apuestas distintas sobre qué significa "construye un juego estilo GTA" cuando el brief no lo dice. Fable optimizó para la captura de pantalla; GPT-5.6 optimizó para la especificación. Ambas defendibles. Ninguna es un resultado de benchmark.

El clon de Minecraft. Vauilcraft de Grok se veía correcto y estaba hueco — mobs presentes pero limitados, sin agua. GPT-5.6 clavó el bucle central: caminar, talar árboles, un sistema de clima funcional con control de lluvia en tiempo real. Fable fue el único que entregó sonido — mobs reaccionando de forma audible, más agua y arena.

El sonido es el resultado durmiente de toda la prueba. Ningún brief dijo "agrega audio". Cada rúbrica de puntuación de cada evaluación de modelos que he visto lo ignora. Y es la única cosa que más separa "demo técnica" de "juego" en los primeros tres segundos. Si quieres saber qué cree un modelo que es el trabajo, mira lo que hace cuando nadie se lo pidió.

El anuncio del iPhone. Grok distorsionó el cuerpo y reformó el puerto — un intento decente, no un anuncio de Apple. GPT-5.6 quedó cerca: lente y cuerpo replicados con fidelidad, fotogramas sincronizados, reconociblemente el producto real. Fable produjo reflejos, iluminación y materiales que se leen como trabajo de estudio de motion.

Patrón consistente en los tres casos: Fable gana en fidelidad, GPT-5.6 gana en mecánicas y estabilidad, Grok te da una base sobre la cual iterar. Es un hallazgo coherente. Coincide con la reputación general de los modelos. Y vale exactamente tanto como tu confianza en cuatro incógnitas — prompts, número de iteraciones, nivel de esfuerzo y costo — ninguna de las cuales fue revelada.

Especialmente la última.

El número que la prueba nunca te mostró

Cada uno de esos builds tiene una factura adjunta y ninguna fue mencionada. Así que déjame hacer la aritmética que la demo se saltó, porque cambia el veredicto.

Toma un build creativo realista de un solo disparo: un juego complejo en Three.js a partir de un brief detallado. Digamos 15K tokens de entrada (brief, contexto, quizá algo de código de referencia) y 40K de salida (un build grande de archivo único más el razonamiento). Aproximado, pero direccionalmente honesto.

Fable 5 cuesta aproximadamente 8x lo que cuesta Luna por el mismo build. Y aquí está lo que la demo no puede mostrarte: nadie consigue el clon de GTA en un solo disparo. Ni Fable, ni nadie. El trabajo creativo real es iterativo — construyes, miras, dices "la iluminación está plana", vuelves a intentarlo. Multiplica esa tabla por ocho iteraciones y los $2.15 por build de Fable se convierten en $17, mientras que los de Luna son $2.

Ahora suma lo que aprendí de la manera cara: el nivel de esfuerzo es un multiplicador de tokens, no un nivel de precios. La tarifa por token de Fable 5 está fija en $10/$50 sin importar el esfuerzo. Lo que el esfuerzo cambia es cuántos tokens quema pensando antes de responder — y cada uno de esos tokens de pensamiento se factura como salida, en la clase de token más cara que vende Anthropic. Sube a max en una tarea que no lo necesitaba y estás pagando $50/M por razonamiento que tiraste a la basura. Así es como una sola tarea llega a $22.

El consejo del video es correr Fable en "extra o max" para builds complejos. Dejando de lado que esos dos no son valores reales — ese consejo, aplicado por alguien que acaba de ver una demo emocionante, es como te despiertas con una factura que no modelaste. La propia documentación de Anthropic señala que los niveles de esfuerzo más bajos de Fable 5 a menudo superan el rendimiento en xhigh de los modelos anteriores. Poner max por defecto no es una estrategia de calidad. Es un impuesto que pagas de manera voluntaria.

Así que la lectura honesta del costo: la victoria de Fable en fidelidad es real y es cara, y si vale 8x depende enteramente de si el resultado se entrega a un cliente o muere en tu carpeta de descargas. La prueba declaró un ganador en una dimensión en la que el precio no era una variable. El precio siempre es una variable.

Si quieres la versión palanca por palanca de cómo bajar esa factura sin caer en un modelo más tonto, los cinco cambios que recortaron mis costos de Fable 5 hasta un 80% es el artículo al que te mandaría primero.

¿Y el despliegue? ¿@Sites decide la partida?

La prueba le da a GPT-5.6 una ventaja real aquí y creo que es el hallazgo más subestimado de todo el asunto.

@Sites significa que Codex puede construir un juego en Three.js, alojarlo y devolverte una URL en vivo para compartir — sin cuenta de hosting, sin pipeline de despliegue, sin ticket de DevOps. Corre en infraestructura de OpenAI usando tecnología compatible con Cloudflare Workers. Para trabajo creativo, ese bucle es genuinamente distinto: prompt → enlace jugable que puedes enviarle a alguien. El ciclo de retroalimentación colapsa de horas a minutos.

Eso no es una capacidad del modelo. Es una capacidad del producto, y vale la pena ser precisos con la distinción, porque es lo que más probablemente decida tu elección real. Puede que Fable 5 renderice un atardecer más bonito. Si GPT-5.6 pone tu build frente a un cliente en noventa segundos mientras tú sigues averiguando dónde alojar la obra maestra de Fable, el atardecer más bonito perdió.

La realidad de acceso a julio de 2026: disponibilidad general para suscriptores de pago de ChatGPT con sitios visibles públicamente; vista previa para Business y Enterprise, activado por defecto en Business y bloqueado por administradores detrás de RBAC en Enterprise. "Visibles públicamente" está haciendo un trabajo silencioso en esa frase — revísalo antes de desplegar material de clientes.

Del lado de Anthropic, Cowork cubre la mitad del flujo de trabajo — acceso a archivos, ejecución multi-paso, conectores MCP, plugins, ahora con paridad total en Windows y tareas en la nube desde el móvil. He estado corriendo mi propio pipeline de briefing matutino sobre él y escribí qué funciona de verdad y qué se rompe en la actualización de nube de Cowork. Es un sistema de trabajo sólido. No es un destino de despliegue público de un solo comando, y fingir que son la misma funcionalidad no ayuda a nadie.

GPT-5.6 vs Grok 4.5 vs Fable 5: ¿cuál deberías usar realmente?

No hay ganador universal — en eso la prueba acertó, aunque llegara ahí en parte por suerte. Este es el marco que yo aplicaría de verdad, con el precio incluido:

Elige GPT-5.6 Luna cuando estés iterando. Exploración temprana, prototipos desechables, doce variaciones de la misma escena. A ~$0.26 por build es la forma más barata de averiguar si tu idea vale algo. También es — repítelo — más barato en entrada que el modelo que esa prueba llamó el más barato.

Elige GPT-5.6 Terra cuando sea trabajo real con presupuesto. El caballo de batalla diario, competitivo con GPT-5.5 a la mitad del costo, y el punto de partida por defecto que yo usaría para la mayoría de las cargas de producción. Sube de nivel solo cuando puedas nombrar en qué falló Terra.

Elige GPT-5.6 Sol cuando necesites mecánicas que se sostengan y un despliegue al final. La mejor combinación de estabilidad más entrega de la prueba, ~91.9% en Terminal-Bench 2.1 vía los subagentes paralelos del modo ultra, y @Sites cierra el bucle. Aproximadamente un tercio del costo de Fable.

Elige Grok 4.5 cuando el trabajo sea verboso y repetitivo — corridas largas de agentes, contexto cacheado, todo aquello donde la eficiencia de tokens se acumula. Su eficiencia de 4.2x en tokens de salida hace más por tu factura que cualquier tarifa de lista. Solo planifica alrededor de 500K de contexto y lee los términos de compartición de datos.

Elige Fable 5 cuando el resultado sea el producto. De cara al cliente, calidad de portafolio, el anuncio que tiene que parecer hecho por un estudio. Cuando la calidad máxima realmente le gana al precio — y sé honesto sobre qué tan seguido eso es cierto. Y córrelo primero en medium o high y haz que demuestre que necesita más.

La jugada meta, y la que me ha servido mejor que cualquier lealtad a un solo modelo: itera barato, termina caro. Encuentra la idea en Luna. Construye la estructura en Terra o Sol. Si se entrega a alguien que paga, corre la pasada final en Fable. El encuadre de la prueba — elige a tu luchador, uno gana — tiene la forma equivocada para cómo va este trabajo en realidad. No estás eligiendo un modelo. Estás eligiendo un modelo por etapa, y la etapa donde necesitas tokens de salida a $50/M suele ser la última.

Lo que necesitaría ver antes de confiar en cualquier parte de esto

Déjame apuntar el escepticismo también hacia mi propio análisis, ya que llevo 2,000 palabras apuntándolo al de otra persona.

Todo lo anterior descansa sobre observaciones que yo no hice. Cuatro revelaciones cambiarían mi lectura, y hasta que existan, calibra en consecuencia:

1. Los prompts exactos. Un modelo que "perdió" con un brief vago puede simplemente haberlo interpretado distinto. El sistema de búsqueda de dos estrellas de Fable frente al de cinco de GPT no es obviamente una brecha de capacidad — podría ser una brecha de lectura del prompt.
2. El número de iteraciones. Un solo disparo contra el mejor de cinco es una afirmación completamente distinta. Si el atardecer de Fable tomó cuatro intentos y la iluminación plana de GPT tomó uno, el ranking se invierte en cualquier eje que incluya tu tiempo.
3. El nivel de esfuerzo. Si Fable corrió en max y GPT-5.6 en el valor por defecto, eso no es una comparación de modelos. Es una comparación de configuraciones con titular de comparación de modelos.
4. La factura de tokens por build. Sin ella, "Fable gana" significa "Fable gana a un costo desconocido", que no es un hallazgo. Es una preferencia.

También querría una repetición con un brief fresco. Cada modelo de esta clase ha sido entrenado con un planeta entero de clones de Minecraft, discusiones sobre GTA y fotogramas de anuncios de Apple. "Construye un clon de Minecraft" está muy cerca de ser una sonda de memorización. Pide un juego que no existe — alguna mecánica sin respuesta en Stack Overflow — y sospecho que las brechas se ven distintas. Posiblemente mucho más pequeñas. Posiblemente mucho más grandes. Esa es la prueba que realmente querría ver, y es la que tendría que construir yo mismo antes de poner mi nombre en un veredicto.

La comparativa creativa a tres bandas en la que yo confiaría todavía no se ha hecho. Esta es un buen boceto de ella.

La parte que vale la pena llevarte

Vuelve a donde empezamos: el modelo que ganó no existía, y el ranking de precios tampoco.

Eso no es un ataque a un creador. Es la textura de todo este momento. Los modelos salen semanalmente ahora. Los nombres se difuminan. Una demo se recorta, el recorte recibe un titular, el titular recibe un apodo, y tres semanas después la gente está eligiendo infraestructura basándose en una cadena de teléfono descompuesto que empezó con alguien mirando un atardecer a ojo. La prueba creativa de fondo era una idea genuinamente buena — mejor que las tablas de benchmarks con las que compite, porque midió el gusto, y el gusto es lo que los benchmarks estructuralmente no pueden ver. Solo se publicó sin los cuatro números que la convertirían en un hallazgo en lugar de una sensación.

Así que esto es lo que realmente te pediría hacer, y toma diez minutos. Antes de tu próxima decisión de modelo, abre la página de precios — la real, la del proveedor — y anota la tarifa de entrada, la tarifa de salida y la ventana de contexto de cada modelo que estés considerando. Nivel contra nivel. No insignia contra económico. Luego pregúntate de qué está hecho realmente tu trabajo: ¿es pesado en entrada o en salida? ¿Iterativo o de un solo disparo? ¿Se entrega a un cliente o muere en tu carpeta de descargas?

Diez minutos de eso valen más que diez horas de demos. Habría detectado lo de Luna al instante.

Los modelos son extraordinarios. Los tres. El clon de GTA en un solo prompt habría sido ciencia ficción hace dieciocho meses y ahora nos aburre. Pero la brecha entre "esto es increíble" y "esto es lo que debería correr el martes" está llena por completo de aritmética, y nadie está recortando eso para YouTube.

Haz la aritmética. Es la única parte de todo esto que es realmente tuya.

GPT-5.6 vs Grok 4.5 vs Fable 5: respuestas rápidas

¿Cuál es más barato, Grok 4.5 o GPT-5.6?

GPT-5.6 Luna es más barato en entrada a $1 por millón de tokens frente a los $2 de Grok 4.5, y ambos cuestan $6 por millón en salida. La ventaja real de Grok es la eficiencia de tokens — aproximadamente 4.2x menos tokens de salida en tareas largas — más entrada cacheada a $0.50/M. Consulta la sección de precios de arriba para la aritmética nivel por nivel.

¿Cuáles son los tres modelos de GPT-5.6?

GPT-5.6 se ofrece en tres niveles: Sol ($5/$30 por 1M de tokens, razonamiento insignia), Terra ($2.50/$15, el caballo de batalla equilibrado) y Luna ($1/$6, rápido y eficiente en costos). Los tres llegaron a disponibilidad general el 9 de julio de 2026 con ventanas de contexto de 1M de tokens.

¿Vale Claude Fable 5 su precio para trabajo creativo?

Fable 5 cuesta alrededor de 8x lo que GPT-5.6 Luna por build ($10/$50 por 1M de tokens), y las pruebas observadas le dan la ventaja en fidelidad visual, iluminación y audio. Vale la pena cuando el resultado se entrega a un cliente — no para iterar. Corre el esfuerzo en medium o high antes de recurrir a max.

¿Cuáles son los niveles de esfuerzo de Claude Fable 5?

La API acepta exactamente cinco valores: low, medium, high, xhigh y max. El esfuerzo no es un nivel de precios — la tarifa de $10/$50 es fija. Un esfuerzo mayor quema más tokens de pensamiento, todos facturados como salida, que es como una sola tarea llega a $22.

¿Puede GPT-5.6 desplegar un juego a una URL en vivo?

Sí — el plugin @Sites de Codex (no un comando /sites) construye, aloja y devuelve una URL compartible en infraestructura de OpenAI. Está en disponibilidad general para suscriptores de pago de ChatGPT con sitios visibles públicamente, y en vista previa para espacios de trabajo Business y Enterprise.

La parte que vale la pena llevarte

Quita el teatro de las tablas de clasificación y una cosa queda en pie: los tres modelos son extraordinarios, y el diferenciador real no es cuál gana un benchmark — es cuál justifica su costo en el trabajo que tú haces de verdad. Un build de un juego expone lo que una hoja de especificaciones esconde, y el ranking de costos se invirtió exactamente donde vivía la confusión de nombres.

Así que corre tu propia prueba con tu propia tarea antes de confiar en cualquier comparativa, incluida la mía. El modelo que gana en tu trabajo es el único ranking que paga tus facturas.

Si quieres ayuda para elegir y conectar el modelo correcto en un producto real, eso es algo que hago a través de Ramlit. La prueba creativa de arriba es mi intento honesto de abrirse paso entre los nombres.