Uso recomendado
Clasificación rápida para coding, automatización, razonamiento, edge o alto volumen.
Comparativo vivo
Modelos de IA comparados por uso, costo, contexto y tamaño declarado
Esta página concentra referencias oficiales para modelos comerciales y open source. Está pensada para ayudar a decidir qué modelo conviene según el caso de uso, el costo por millón de tokens y la escala del modelo cuando el proveedor sí la publica.
La lectura estratégica no es solo cuál modelo rinde más hoy, sino cuál conserva vigencia suficiente para justificar inversión, cuál puede vivir en nube, cuál debe quedarse en sitio por privacidad y cuál se beneficia de quantization, distillation o despliegue híbrido.
Costo por 1M tokens
Costos de entrada y salida según el snapshot de OpenRouter del 24-sep-2026.
Tamaño y despliegue
Parámetros, familia y notas de hosting para evaluar viabilidad operativa.
Casos INT: cómo aterrizar modelos, NPUs, software, hardware y socios
El comparativo de esta página se mantiene limpio y técnico. La estrategia aplicada, los socios documentados y los 5 casos de uso completos viven en una página independiente.
Filtro estratégico de inversión para gobierno y operación crítica
Antes de comprar hardware o amarrarse a un proveedor, el criterio es filtrar cada caso por vigencia esperada, privacidad, latencia, costo operativo y madurez del ecosistema. La meta no es comprar “lo más nuevo”, sino lo que todavía tendrá sentido cuando cambien modelos, runtimes y aceleradores.
Invertir donde hay horizonte
Pesan más las familias con buen soporte de runtimes, quantización útil, adopción amplia y compatibilidad con GPU/NPU/CPU que los picos momentáneos de benchmark.
Nube solo donde aplica
Si el dato es sensible, regulado o operativo en tiempo real, la prioridad pasa a sitio, edge o nube privada endurecida. La nube pública se reserva para lo que realmente lo permite.
CAPEX + OPEX equilibrado
Se compara compra de hardware, consumo continuo de nube, ancho de banda, ciberseguridad, soporte e integración. No solo el costo por token.
- Nube: prototipos, automatización no sensible, analítica elástica, cargas variables y despliegues donde el dato no sea altamente confidencial.
- Sitio / on-prem GPU: datos reservados, operación 24/7, video, integración con sistemas críticos, soberanía o exigencias de auditoría.
- Edge: cámaras, sensores, movilidad, baja latencia, operación desconectada o filtrado local antes de mandar algo al core.
- Híbrido: inferencia local con escalamiento selectivo a nube para tareas pesadas, entrenamiento, archivado o análisis no inmediato.
En estas tablas gana prioridad lo que muestra señales de permanencia: familias de modelos con versiones optimizables, soporte en runtimes conocidos, buen desempeño tras quantization, costo razonable de inferencia y capacidad de correr tanto en GPU de datacenter como en hardware más cercano al borde.
Para clientes de gobierno, eso importa más que perseguir cada release nuevo: buscamos estabilidad operativa, reemplazo gradual y arquitectura que no obligue a rehacer toda la solución en pocos meses.
Precios, tamaños y contexto
Datos del 24-sep-2026 (snapshot OpenRouter), con precios del agregador y enlaces de referencia por modelo. Si un proveedor comercial no publica parámetros, queda marcado como no divulgado.
| Modelo | Tipo | Mejor para | Modalidad | Entrada | Salida | Parámetros | Contexto | Notas | Fuente |
|---|---|---|---|---|---|---|---|---|---|
| Cargando comparativo… | |||||||||
Benchmarks y eficiencia real
Esta sección queda separada de los precios del snapshot de OpenRouter. Aquí se usan referencias técnicas y leaderboards externos reconocidos para seguir desempeño, costo-eficiencia y utilidad por segmento.
| Modelo | Segmento | Grupo | Métrica | Score / Estado | Lectura de eficiencia | Fuente |
|---|---|---|---|---|---|---|
| Cargando benchmarks… | ||||||
- Costos oficiales por millón de tokens cuando se publican.
- Contexto, modalidad y orientación de uso.
- Tamaño del modelo en open source cuando la ficha oficial sí lo declara.
- Benchmarks en sección separada para no mezclar pricing con rankings técnicos.
- Viabilidad para nube, sitio, edge o arquitectura híbrida según privacidad y latencia.
Muchos proveedores comerciales no publican parámetros. En esos casos el comparativo lo deja explícito como no divulgado. En open source, el costo real depende del hosting, la GPU, cuantización, batching y proveedor de inferencia. Los benchmarks cambian con el tiempo y por eso se tratan como referencia separada.
Además, que un modelo sea bueno en benchmark no significa que sea buena compra para gobierno: también debe soportar políticas de ciberseguridad, integración controlada, trazabilidad y operación sostenible.
Quantization, distillation y por qué importan hoy
Estas dos técnicas son clave para que la IA salga del laboratorio y pueda correr en laptops, teléfonos, cámaras, edge boxes y servidores con mejor costo. Hoy importan tanto como el tamaño bruto del modelo.
Reducir precisión para bajar costo computacional
Quantization es convertir los pesos y a veces las activaciones de un modelo a formatos numéricos más ligeros, por ejemplo pasar de FP16/FP32 a INT8, INT4 o variantes similares.
- Reduce memoria y consumo energético.
- Permite inferencia más rápida en CPU, GPU, NPU y edge devices.
- Hace posible correr modelos útiles en hardware más barato o más pequeño.
- Puede sacrificar algo de calidad si se aplica agresivamente o mal.
En la práctica, gran parte del avance real en IA local depende de qué tan bien se puede cuantizar un modelo sin perder demasiado desempeño.
Enseñar a un modelo pequeño usando uno grande
Distillation es entrenar un modelo más pequeño para que aprenda el comportamiento de uno más grande, llamado normalmente teacher. El resultado es un student model más compacto y barato.
- Reduce tamaño, costo y latencia.
- Hace más viable desplegar IA en edge, móvil o alto volumen.
- No siempre iguala la calidad del modelo grande, pero puede acercarse mucho en tareas específicas.
- Es muy útil cuando importa más la eficiencia operativa que el máximo benchmark absoluto.
Muchos modelos modernos que parecen “sorprendentemente buenos para su tamaño” suelen apoyarse en distillation, diseño especializado o ambas cosas.
Hoy el mercado ya no se mueve solo por “el modelo más grande”. Se mueve por price/performance: cuánto cuesta correrlo, cuánta memoria usa, qué hardware requiere y si puede desplegarse en condiciones reales. Por eso quantization y distillation se volvieron centrales.
- Permiten llevar IA a dispositivos locales y edge.
- Reducen costo por consulta y costo total de operación.
- Abren la puerta a privacidad, baja latencia y operación offline o híbrida.
- Son esenciales para cámaras inteligentes, asistentes locales, NPUs, robots, vehículos y móvil.
Cuando un modelo “pequeño” compite muy bien, normalmente la pregunta correcta ya no es solo cuántos parámetros tiene, sino:
- ¿qué tan bien fue cuantizado?
- ¿fue destilado desde un modelo más capaz?
- ¿en qué hardware corre bien de verdad?
- ¿qué calidad conserva frente al ahorro operativo que genera?
- ¿permite mantener la privacidad requerida en nube, sitio o edge?
En otras palabras: hoy no gana solo el modelo más grande; gana el que entrega mejor capacidad útil por costo, memoria, energía, latencia y control operativo.
Quitar peso innecesario
Pruning consiste en eliminar conexiones, pesos o partes del modelo que aportan poco al resultado final. La idea es dejar una red más ligera sin destruir su capacidad útil.
- Reduce tamaño y a veces acelera inferencia.
- Puede bajar consumo y memoria.
- Funciona mejor cuando se hace con cuidado y luego se reajusta el modelo.
Ajustar un modelo para una tarea concreta
Fine-tuning es tomar un modelo base y entrenarlo adicionalmente para un dominio, cliente o tarea específica. Así se especializa sin tener que crear un modelo desde cero.
- Mejora desempeño en casos de uso concretos.
- Permite adaptar tono, formato, vocabulario o conocimiento operativo.
- Puede ser caro si el modelo es grande, pero da mucho valor cuando la tarea está bien definida.
Dar contexto externo sin reentrenar todo
RAG significa Retrieval-Augmented Generation. En vez de meter todo el conocimiento dentro del modelo, se le conecta a documentos, bases o fuentes externas para recuperar contexto antes de responder.
- Reduce alucinaciones cuando la base documental está bien hecha.
- Permite actualizar conocimiento sin reentrenar el modelo completo.
- Es muy útil para empresas, gobierno, soporte, normativa, manuales y operación interna.
En la práctica moderna estas técnicas no compiten entre sí; normalmente se combinan. Un flujo real puede usar un modelo base, hacerle fine-tuning para una tarea concreta, apoyarlo con RAG para conocimiento actualizado y después optimizarlo con quantization o pruning para despliegue barato.
Hoy la pregunta importante no es solo “qué modelo es más poderoso”, sino qué combinación de modelo, datos, optimización y hardware entrega el mejor resultado operativo real. Ahí está gran parte de la ventaja competitiva actual.
Inference
Es el momento en que el modelo ya entrenado recibe una entrada y genera una respuesta o predicción.
Context window
Es la cantidad de texto o tokens que el modelo puede “tener presentes” en una sola interacción.
Latency
Es el tiempo que tarda el sistema en responder. En edge y operación real suele ser tan importante como la calidad.
Throughput
Es el volumen de consultas o tokens que un sistema puede procesar en un periodo determinado.
Fine-tuned model
Es un modelo base adaptado para una tarea, sector o estilo de salida concreto.
Open weights
Significa que los pesos del modelo están disponibles para descarga o despliegue bajo cierta licencia.
Multimodal
Describe modelos que pueden trabajar con más de un tipo de entrada o salida, por ejemplo texto, imagen, audio o video.
Price / performance
Es la relación entre capacidad útil y costo real de operación. Hoy es uno de los criterios más importantes.
Edge AI
Es IA que corre cerca del lugar donde sucede la operación: cámaras, sensores, robots, laptops, móviles o gateways locales.