Mismo precio por token, casi ocho veces más caro

Tres modelos con la misma tarifa y tres facturas

Anthropic cobra por Claude Sonnet 5.5 lo mismo que OpenAI por GPT-6.1 Sol, y Moonshot AI, la empresa de Pekín que desarrolla los modelos Kimi, puso esa misma tarifa a Kimi K3.1 Pro, que lanzó el 23 de octubre: 2 dólares por millón de tokens de entrada y 10 por millón de salida. Con esa etiqueta, cualquiera diría que da igual cuál elegir.

No da igual. En el Intelligence Index v5.0 de Artificial Analysis, terminar una tarea costó 1,27 dólares con GPT-6.1 Sol, 3,68 con Kimi K3.1 Pro y 10,02 con Claude Sonnet 5.5. Con el mismo precio por token, el más caro gasta 7,9 veces lo que el más barato.

La razón es que la tarifa dice cuánto vale cada token, pero no cuántos va a necesitar el modelo. Ese número depende de cómo trabaja: cuánto razona antes de responder, cuánto escribe y cuántas veces vuelve sobre lo hecho. Aquí va el método: cómo se hace la cuenta y cómo comprobarla con tu propia tarea.

Siete modelos medidos con la misma vara

La versión 5.0 del índice se publicó el 27 de octubre. La tabla reúne siete modelos con lo que cobra cada uno por token y lo que le costó, por tarea, recorrer el índice. Todos están medidos por el mismo tercero y con el mismo método, así que las cifras se pueden comparar entre sí.

De la tabla salen tres lecciones. La primera ya está dicha: tres modelos con la misma tarifa y facturas de 1,27 a 10,02 dólares. Y lo más caro no compra más nota: GPT-6.1 Sol puntúa 55, uno más que Claude Sonnet 5.5.

La segunda, que el más caro por token puede salir barato. GPT-6 Astra cobra cinco veces más que Sonnet 5.5 por token, pero por tarea cuesta un 38 % menos, porque escribe 6,3 veces menos tokens de salida.

La tercera es la inversa. GLM-5.3, de Z.ai —la marca de Zhipu AI, empresa de Pekín que cotiza en la bolsa de Hong Kong como Knowledge Atlas—, cobra menos de la mitad que Kimi K3.1 Pro en salida (4,40 frente a 10 dólares) y 1,4 veces menos en entrada, y por tarea cuesta un 36 % más. En el extremo barato, DeepSeek V4.1 Flash cobra entre 7 y 17 veces menos por token que K3.1 Pro, según el tipo de token y la hora.

La cuenta, a mano

La fórmula cabe en una línea: coste de una tarea = (tokens de entrada × precio de entrada + tokens de salida × precio de salida) / 1.000.000, con los precios en dólares por millón de tokens. Si parte de la entrada se lee de la caché, esos tokens se suman aparte, a su propia tarifa.

Un ejemplo didáctico, con números redondos inventados para la cuenta, no medidos: una tarea en la que el modelo lee 20.000 tokens, resuelta por dos modelos con la misma tarifa de 2 y 10 dólares. El modelo A escribe 5.000 tokens; el B, el triple. La entrada les cuesta lo mismo, la salida del B cuesta el triple y su factura total, algo más del doble.

En la tabla de Artificial Analysis pasa lo mismo a escala real: para recorrer el índice completo, GPT-6.1 Sol escribió 64 millones de tokens de salida y Sonnet 5.5, 340 millones, más de cinco veces más.

El esfuerzo multiplica la salida

En la tabla de Artificial Analysis, casi todos los modelos aparecen con el esfuerzo al máximo, «max», que es el ajuste en el que más razonan. Si tu tarea no necesita tanto, bajar el esfuerzo es la palanca más directa para abaratar cada tarea, y conviene medirla igual que se mide un cambio de modelo.

En la tabla de Terminal-Bench de más abajo, Moonshot da para Kimi K3.1 Pro dos escalones de esfuerzo, y el más alto acierta más y cuesta más por tarea, según sus propios datos.

La consecuencia práctica: el coste por tarea de un modelo no es una cifra fija. Cuando compares, usa el mismo esfuerzo en todos o, mejor, prueba varios escalones y quédate con el más bajo que resuelva bien tu tarea.

La caché abarata lo que se repite

En Kimi K3.1 Pro, por ejemplo, leer de la caché cuesta 0,20 dólares por millón de tokens, una décima parte de los 2 dólares de la entrada normal. Si tu tarea manda siempre el mismo contexto largo y solo cambia la pregunta, la caché puede cambiar mucho la factura.

Y aquí tampoco son iguales los tres modelos que cobran lo mismo por token: la lectura de caché de Claude Sonnet 5.5 y la de GPT-6.1 Sol cuestan la mitad que la de K3.1 Pro.

Para aprovecharla, la parte que se repite tiene que llegar idéntica en cada petición; cómo se activa depende de cada proveedor, así que consulta su documentación. En la prueba del final, el campo `cached_tokens` te dice cuántos tokens se leyeron de la caché.

Kimi K3.1 Pro: tarifa más baja, la misma factura

Kimi K3.1 Pro es el ejemplo de manual. Moonshot le bajó la tarifa un 33 % respecto a Kimi K3, en entrada, en salida y en caché. Pero el modelo nuevo escribe más: según Artificial Analysis, gastaba 55.000 tokens de salida por tarea, un 14 % más que los 48.000 de K3. Resultado: el coste por tarea quedó prácticamente igual, en 1,98 dólares.

Ojo con las versiones del índice. Esas cifras son de la versión 4.3, la vigente el día del lanzamiento, en la que K3.1 Pro sacó 55 puntos y quedó cuarto. El 27 de octubre Artificial Analysis estrenó la versión 5.0, con otro conjunto de pruebas, y en ella saca 46 y cuesta 3,68 dólares por tarea. Las dos versiones no se pueden comparar entre sí: cuando leas una puntuación, mira de qué versión es.

Los pesos, prometidos para el 4 de noviembre

Kimi K3.1 Pro todavía no es un modelo de pesos abiertos. Moonshot promete publicar los pesos completos como tarde el 4 de noviembre de 2026 y no ha anunciado con qué licencia. A 28 de octubre, Artificial Analysis lo clasifica como propietario y anota que los pesos no están publicados.

Para el coste importa por una razón: mientras los pesos no se publiquen, la tarifa de K3.1 Pro es la que fija Moonshot. Si llegan y la licencia lo permite, otros proveedores podrán ofrecerlo con sus propios precios, y el coste por tarea habrá que volver a medirlo con cada uno.

Terminal-Bench: el dato que pone Moonshot

Moonshot presentó K3.1 Pro con un gráfico de Terminal-Bench 4.0 en el que el modelo sale a unos 5 dólares por tarea, frente a los 14,30 de Claude Opus 5.5. Ese coste de K3.1 Pro lo midió la propia Moonshot: el modelo no figura en la clasificación pública de tbench.ai, la web de la prueba, que se presenta como alojada por Stanford, Harbor y el Laude Institute, una organización entre la academia y la industria financiada por tecnólogos a título individual.

Los costes de los rivales sí salen de tbench.ai, pero el gráfico de Moonshot deja fuera a GPT-6.1 Sol, que en esa clasificación acierta el 58,2 % de las tareas a 1,92 dólares cada una, con el mismo precio por token que K3.1 Pro. Entre los modelos que mide tbench.ai con esa tarifa, GPT-6.1 Sol vuelve a ser el más barato por tarea y Sonnet 5.5, el más caro.

Las puntuaciones también cambian según quién mida, como recoge la nota de la tabla. Por eso estos datos van aparte de la primera tabla: es otra prueba, con otro método, y no se mezclan en la misma columna.

Hazlo tú: la misma tarea en dos modelos

Las tablas de terceros miden sus tareas, no las tuyas. Para saber qué modelo te sale más barato, lo más fiable es medirlo con tu propio trabajo, y no hace falta montar nada complicado.

Paso 1: elige una tarea real y decide antes de empezar qué cuenta como bien resuelta: el código pasa las pruebas, el resumen recoge los puntos clave, la clasificación coincide con la tuya. Sin ese criterio no sabrás qué estás pagando.

Paso 2: manda el mismo prompt, con el mismo esfuerzo, a los modelos que quieras comparar a través de OpenRouter, un servicio que encamina peticiones a muchos modelos de distintos laboratorios.

Paso 3: lee el objeto `usage` de cada respuesta. Según la documentación de OpenRouter, viene en todas sin pedir nada más e incluye `prompt_tokens` (entrada), `completion_tokens` (salida), `total_tokens`, `completion_tokens_details.reasoning_tokens` (los de razonamiento), `prompt_tokens_details.cached_tokens` (los leídos de la caché) y `cost`, que la documentación define como el importe total cargado en tu cuenta y presenta como coste en créditos.

Paso 4: repite. Una ejecución no es una media: el mismo modelo puede gastar más o menos tokens en dos intentos de la misma tarea. Artificial Analysis y Terminal-Bench promedian muchas tareas; Terminal-Bench, en concreto, 330 intentos por modelo y esfuerzo. No necesitas tantos, pero sí varios por modelo.

Paso 5: divide. Suma el `cost` de todas las ejecuciones de un modelo y divídelo entre las que resolvieron bien la tarea. Ese es su coste por tarea resuelta, la cifra que compara de verdad: un modelo barato que falla la mitad de las veces te hace pagar dos intentos por cada acierto.