Beta abierta Zabio está en beta abierta: cualquiera puede registrarse y usarlo en producción. Los modelos, los precios y las funciones aún pueden cambiar mientras aprendemos con los primeros clientes. Cuéntanos qué falla en hello@zabio.ai.
Menú
Empieza gratis

Modelo de DeepSeek

Benchmarks de deepseek-flash

En Matemáticas (muy difícil), razonamiento alto acierta 98,2 % (rango 92,3 a 99,6) frente a 73,3 % con razonamiento desactivado (rango 62,6 a 81,9), por 2,9 veces el costo.

En SQL y consultas de datos (muy difícil), razonamiento bajo acierta 100,0 % (rango 95,3 a 100,0) frente a 88,5 % con razonamiento desactivado (rango 79,5 a 93,8), por 5,7 veces el costo.

Proveedor
DeepSeek
Id del modelo
deepseek-flash
Precio por 1M de tokens
0,30 USD de entrada, 1,20 USD de salida
Ventana de contexto
1.000.000
Lugar de procesamiento
China
Predeterminado en Zabio
Razonamiento desactivado
Probado
25 de septiembre de 2026

Matemáticas

Aciertos por dificultad y nivel de razonamiento

Cada punto es un nivel de razonamiento, y su barra es el rango del 90 %.

5060708090100FácilMediaDifícilMuy difícilFácil, Razonamiento desactivado: 100,0 % (90,2 a 100,0)Fácil, Razonamiento bajo: 100,0 % (90,2 a 100,0)Fácil, Razonamiento alto: 100,0 % (90,2 a 100,0)Media, Razonamiento desactivado: 94,5 % (87,1 a 97,8)Media, Razonamiento bajo: 98,2 % (92,3 a 99,6)Media, Razonamiento alto: 96,4 % (89,6 a 98,8)Difícil, Razonamiento desactivado: 96,3 % (89,4 a 98,8)Difícil, Razonamiento bajo: 100,0 % (95,2 a 100,0)Difícil, Razonamiento alto: 100,0 % (95,2 a 100,0)Muy difícil, Razonamiento desactivado: 73,3 % (62,6 a 81,9)Muy difícil, Razonamiento bajo: 96,4 % (89,6 a 98,8)Muy difícil, Razonamiento alto: 98,2 % (92,3 a 99,6)

Costo por cada 1.000 tareas

A precio de lista, por dificultad. Razonar cuesta más porque el modelo escribe más tokens antes de responder.

0,2 USD1 USD5 USDFácilFácil, Desactivado: 0,36 USDDesactivado0,36 USDFácil, Bajo: 0,27 USDBajo0,27 USDFácil, Alto: 0,32 USDAlto0,32 USDMediaMedia, Desactivado: 0,59 USDDesactivado0,59 USDMedia, Bajo: 0,62 USDBajo0,62 USDMedia, Alto: 1,04 USDAlto1,04 USDDifícilDifícil, Desactivado: 1,66 USDDesactivado1,66 USDDifícil, Bajo: 2,26 USDBajo2,26 USDDifícil, Alto: 3,00 USDAlto3,00 USDMuy difícilMuy difícil, Desactivado: 3,16 USDDesactivado3,16 USDMuy difícil, Bajo: 6,38 USDBajo6,38 USDMuy difícil, Alto: 9,18 USDAlto9,18 USD

Los números de este gráfico están en la tabla de abajo.

deepseek-flash, Matemáticas
DificultadRazonamientoAciertosRango del 90 %PreguntasGrupoOpciónPor 1.000 tareasAciertos por 1 USDTokens de respuestaTokens de razonamiento (est.)Tiempo medioCortadas
FácilRazonamiento desactivado100,0 %90,2 a 100,025Arriba0,36 USD279428202,1 s0,0 %
Razonamiento bajo100,0 %90,2 a 100,025ArribaMejor, Equilibrada, Económica0,27 USD3642381691,6 s0,0 %
Razonamiento alto100,0 %90,2 a 100,025Arriba0,32 USD3154402021,7 s0,0 %
MediaRazonamiento desactivado94,5 %87,1 a 97,855Cerca de arribaEconómica0,59 USD160647302,3 s0,0 %
Razonamiento bajo98,2 %92,3 a 99,655ArribaMejor, Equilibrada0,62 USD1590634281,9 s0,0 %
Razonamiento alto96,4 %89,6 a 98,855Cerca de arriba1,04 USD924697762,0 s0,0 %
DifícilRazonamiento desactivado96,3 %89,4 a 98,854Cerca de arribaEconómica1,66 USD579136204,8 s0,0 %
Razonamiento bajo100,0 %95,2 a 100,054ArribaMejor, Equilibrada2,26 USD44213917155,7 s0,0 %
Razonamiento alto100,0 %95,2 a 100,054Arriba3,00 USD33314523245,9 s0,0 %
Muy difícilRazonamiento desactivado73,3 %62,6 a 81,955Por debajo3,16 USD2322602010,8 s0,0 %
Razonamiento bajo96,4 %89,6 a 98,855Cerca de arribaEconómica6,38 USD151223505917,2 s1,4 %
Razonamiento alto98,2 %92,3 a 99,655ArribaMejor, Equilibrada9,18 USD107243737222,2 s0,0 %

SQL y consultas de datos

Aciertos por dificultad y nivel de razonamiento

Cada punto es un nivel de razonamiento, y su barra es el rango del 90 %.

5060708090100FácilMediaDifícilMuy difícilFácil, Razonamiento desactivado: 100,0 % (90,2 a 100,0)Fácil, Razonamiento bajo: 100,0 % (90,2 a 100,0)Fácil, Razonamiento alto: 100,0 % (90,2 a 100,0)Media, Razonamiento desactivado: 96,4 % (89,6 a 98,8)Media, Razonamiento bajo: 96,4 % (89,6 a 98,8)Media, Razonamiento alto: 98,2 % (92,3 a 99,6)Difícil, Razonamiento desactivado: 93,9 % (86,3 a 97,4)Difícil, Razonamiento bajo: 100,0 % (95,3 a 100,0)Difícil, Razonamiento alto: 100,0 % (95,3 a 100,0)Muy difícil, Razonamiento desactivado: 88,5 % (79,5 a 93,8)Muy difícil, Razonamiento bajo: 100,0 % (95,3 a 100,0)Muy difícil, Razonamiento alto: 100,0 % (95,3 a 100,0)

Costo por cada 1.000 tareas

A precio de lista, por dificultad. Razonar cuesta más porque el modelo escribe más tokens antes de responder.

0,2 USD1 USD5 USDFácilFácil, Desactivado: 0,24 USDDesactivado0,24 USDFácil, Bajo: 0,35 USDBajo0,35 USDFácil, Alto: 0,42 USDAlto0,42 USDMediaMedia, Desactivado: 0,45 USDDesactivado0,45 USDMedia, Bajo: 1,26 USDBajo1,26 USDMedia, Alto: 1,87 USDAlto1,87 USDDifícilDifícil, Desactivado: 0,58 USDDesactivado0,58 USDDifícil, Bajo: 2,10 USDBajo2,10 USDDifícil, Alto: 3,48 USDAlto3,48 USDMuy difícilMuy difícil, Desactivado: 0,75 USDDesactivado0,75 USDMuy difícil, Bajo: 4,29 USDBajo4,29 USDMuy difícil, Alto: 7,42 USDAlto7,42 USD

Los números de este gráfico están en la tabla de abajo.

deepseek-flash, SQL y consultas de datos
DificultadRazonamientoAciertosRango del 90 %PreguntasGrupoOpciónPor 1.000 tareasAciertos por 1 USDTokens de respuestaTokens de razonamiento (est.)Tiempo medioCortadas
FácilRazonamiento desactivado100,0 %90,2 a 100,025ArribaMejor, Equilibrada, Económica0,24 USD41243201,1 s0,0 %
Razonamiento bajo100,0 %90,2 a 100,025Arriba0,35 USD285928871,5 s0,0 %
Razonamiento alto100,0 %90,2 a 100,025Arriba0,42 USD2359281491,6 s0,0 %
MediaRazonamiento desactivado96,4 %89,6 a 98,855Cerca de arribaEconómica0,45 USD212418401,5 s0,0 %
Razonamiento bajo96,4 %89,6 a 98,855Cerca de arriba1,26 USD7631467074,0 s0,0 %
Razonamiento alto98,2 %92,3 a 99,655ArribaMejor, Equilibrada1,87 USD52414512154,7 s0,0 %
DifícilRazonamiento desactivado93,9 %86,3 a 97,455Por debajo0,58 USD160828301,7 s0,0 %
Razonamiento bajo100,0 %95,3 a 100,055ArribaMejor, Equilibrada, Económica2,10 USD47622613155,8 s0,0 %
Razonamiento alto100,0 %95,3 a 100,055Arriba3,48 USD28722824648,5 s0,0 %
Muy difícilRazonamiento desactivado88,5 %79,5 a 93,855Por debajo0,75 USD117941702,2 s0,0 %
Razonamiento bajo100,0 %95,3 a 100,055ArribaMejor, Equilibrada, Económica4,29 USD233314304912,4 s0,0 %
Razonamiento alto100,0 %95,3 a 100,055Arriba7,42 USD135320564922,0 s0,0 %

Dónde es una opción destacada

Trabajos donde deepseek-flash es la opción mejor, equilibrada o económica entre los modelos probados hasta ahora.

  • Matemáticas, FácilMejor, Equilibrada, EconómicaRazonamiento bajo, 0,27 USD
  • Matemáticas, MediaMejor, EquilibradaRazonamiento bajo, 0,62 USD
  • Matemáticas, MediaEconómicaRazonamiento desactivado, 0,59 USD
  • Matemáticas, DifícilMejor, EquilibradaRazonamiento bajo, 2,26 USD
  • Matemáticas, DifícilEconómicaRazonamiento desactivado, 1,66 USD
  • Matemáticas, Muy difícilMejor, EquilibradaRazonamiento alto, 9,18 USD
  • Matemáticas, Muy difícilEconómicaRazonamiento bajo, 6,38 USD
  • SQL y consultas de datos, FácilMejor, Equilibrada, EconómicaRazonamiento desactivado, 0,24 USD
  • SQL y consultas de datos, MediaMejor, EquilibradaRazonamiento alto, 1,87 USD
  • SQL y consultas de datos, MediaEconómicaRazonamiento desactivado, 0,45 USD
  • SQL y consultas de datos, DifícilMejor, Equilibrada, EconómicaRazonamiento bajo, 2,10 USD
  • SQL y consultas de datos, Muy difícilMejor, Equilibrada, EconómicaRazonamiento bajo, 4,29 USD

Estabilidad

7,1 %

Resultado distinto en una segunda vuelta. Porcentaje de preguntas de la muestra que dieron un resultado distinto al repetirlas.

Compáralo con

Resultados públicos de este modelo

Una barra por tipo de tarea, a partir de las fuentes citadas abajo. Pasa el cursor por una barra para ver los benchmarks que hay detrás, con la puntuación de cada uno y si se ejecutó con ajustes como los nuestros.

Agregado de resultados públicosConsultado el 1 de octubre de 2026

Zabio también ha probado este tipo de tarea. Esos resultados están más arriba en la página y se cuentan por separado.

deepseek-flash
Redacción, Media: 66,3 +/- 3,9 Evidencia, en errores estándar: -0,7 LiveBench Language: 70,1 (Mismos ajustes) LiveBench paraphrase: 62,4 (Mismos ajustes) LMArena text style control, instruction following: 1427,9 (Mismos ajustes)Redacción, Media66,3Escritura creativa, Media: 67,3 +/- 6,6 Evidencia, en errores estándar: -0,2 LiveBench story generation: 67,3 (Mismos ajustes) LMArena text style control, creative writing: 1407,8 (Mismos ajustes)Escritura creativa, Media67,3Resúmenes, Media: 68,9 +/- 6,6 Evidencia, en errores estándar: -0,5 LiveBench summarize: 68,9 (Mismos ajustes)Resúmenes, Media68,9Extracción de datos, Media: 83,0 +/- 2,1 Evidencia, en errores estándar: -0,1 LiveBench Data Analysis: 68,0 (Mismos ajustes) LiveBench tablereformat: 98,0 (Mismos ajustes) LMArena text style control, instruction following: 1427,9 (Mismos ajustes)Extracción de datos, Media83,0Clasificación, Media: 63,1 +/- 3,4 Evidencia, en errores estándar: -1,2 LiveBench IF: 63,1 (Mismos ajustes)Clasificación, Media63,1Conversación, Media: 33,6 +/- 1,5 Evidencia, en errores estándar: -0,5 SimpleQA Verified: 33,6 (Ajustes distintos) LMArena text style control, multi turn: 1453,2 (Mismos ajustes)Conversación, Media33,6Análisis y razonamiento, Media: 61,1 +/- 3,5 Evidencia, en errores estándar: 0,3 SimpleBench: 61,1 (Mismos ajustes)Análisis y razonamiento, Media61,1Análisis y razonamiento, Difícil: 79,0 +/- 2,0 Evidencia, en errores estándar: 0,3 GPQA diamond: 91,0 (Ajustes distintos) LiveBench Reasoning: 70,6 (Mismos ajustes) LMArena text style control, hard prompts: 1458,8 (Mismos ajustes)Análisis y razonamiento, Difícil79,0Análisis y razonamiento, Muy difícil: 7,0 +/- 1,0 Evidencia, en errores estándar: -1,3 ARC-AGI-2: 2,1 (Mismos ajustes) ARC-AGI: 11,8 (Mismos ajustes) LMArena text style control, expert: 1457,1 (Mismos ajustes)Análisis y razonamiento, Muy difícil7,0Matemáticas, Media: Rating 1424,8 Evidencia, en errores estándar: -0,7 LMArena text style control, math: 1424,8 (Mismos ajustes)Matemáticas, MediaRating 1424,8Matemáticas, Difícil: 79,7 +/- 2,1 Evidencia, en errores estándar: -1,0 LiveBench Mathematics: 79,7 (Mismos ajustes)Matemáticas, Difícil79,7Matemáticas, Muy difícil: 76,0 +/- 1,8 Evidencia, en errores estándar: 1,3 FrontierMath-Tiers-1-3-v2-Private: 57,5 (Ajustes distintos) OTIS Mock AIME 2024-2025: 94,4 (Ajustes distintos)Matemáticas, Muy difícil76,0Escribir código, Difícil: 53,4 +/- 3,6 Evidencia, en errores estándar: -0,6 LiveBench Agentic Coding: 37,6 (Mismos ajustes) LiveBench Coding: 69,2 (Mismos ajustes) LMArena text style control, coding: 1483,9 (Mismos ajustes) LMArena webdev, overall: 1620,0 (Ajustes distintos)Escribir código, Difícil53,4Arreglar código, Difícil: 37,6 +/- 5,7 Evidencia, en errores estándar: -0,8 LiveBench Agentic Coding: 37,6 (Mismos ajustes)Arreglar código, Difícil37,6SQL y consultas de datos, Media: 46,1 +/- 6,9 Evidencia, en errores estándar: -0,3 LiveBench tablejoin: 46,1 (Mismos ajustes)SQL y consultas de datos, Media46,1Preguntas sobre un documento, Media: Rating 1447,4 Evidencia, en errores estándar: -0,4 LMArena text style control, longer query: 1447,4 (Mismos ajustes)Preguntas sobre un documento, MediaRating 1447,4
Los benchmarks detrás de cada barra
Tipo de tareaBenchmarkPuntuaciónAjustes
Redacción, MediaLiveBench Language70,1Mismos ajustes
Redacción, MediaLiveBench paraphrase62,4Mismos ajustes
Redacción, MediaLMArena text style control, instruction followingRating 1427,9Mismos ajustes
Escritura creativa, MediaLiveBench story generation67,3Mismos ajustes
Escritura creativa, MediaLMArena text style control, creative writingRating 1407,8Mismos ajustes
Resúmenes, MediaLiveBench summarize68,9Mismos ajustes
Extracción de datos, MediaLiveBench Data Analysis68,0Mismos ajustes
Extracción de datos, MediaLiveBench tablereformat98,0Mismos ajustes
Extracción de datos, MediaLMArena text style control, instruction followingRating 1427,9Mismos ajustes
Clasificación, MediaLiveBench IF63,1Mismos ajustes
Conversación, MediaSimpleQA Verified33,6Ajustes distintos
Conversación, MediaLMArena text style control, multi turnRating 1453,2Mismos ajustes
Análisis y razonamiento, MediaSimpleBench61,1Mismos ajustes
Análisis y razonamiento, DifícilGPQA diamond91,0Ajustes distintos
Análisis y razonamiento, DifícilLiveBench Reasoning70,6Mismos ajustes
Análisis y razonamiento, DifícilLMArena text style control, hard promptsRating 1458,8Mismos ajustes
Análisis y razonamiento, Muy difícilARC-AGI-22,1Mismos ajustes
Análisis y razonamiento, Muy difícilARC-AGI11,8Mismos ajustes
Análisis y razonamiento, Muy difícilLMArena text style control, expertRating 1457,1Mismos ajustes
Matemáticas, MediaLMArena text style control, mathRating 1424,8Mismos ajustes
Matemáticas, DifícilLiveBench Mathematics79,7Mismos ajustes
Matemáticas, Muy difícilFrontierMath-Tiers-1-3-v2-Private57,5Ajustes distintos
Matemáticas, Muy difícilOTIS Mock AIME 2024-202594,4Ajustes distintos
Escribir código, DifícilLiveBench Agentic Coding37,6Mismos ajustes
Escribir código, DifícilLiveBench Coding69,2Mismos ajustes
Escribir código, DifícilLMArena text style control, codingRating 1483,9Mismos ajustes
Escribir código, DifícilLMArena webdev, overallRating 1620,0Ajustes distintos
Arreglar código, DifícilLiveBench Agentic Coding37,6Mismos ajustes
SQL y consultas de datos, MediaLiveBench tablejoin46,1Mismos ajustes
Preguntas sobre un documento, MediaLMArena text style control, longer queryRating 1447,4Mismos ajustes
Precio frente a puntuación en cada tipo de tarea (16)

Precio por 1.000 tareas, USD. Puntuación, %. En gris: un modelo más barato ya puntúa igual. Con anillo: la opción mejor, equilibrada y barata.

Redacción, Media
50607080901001 USD10 USD gpt-5.4-nano: 64,6 +/- 3,9, 0,66 USD deepseek-flash: 66,3 +/- 3,9, 0,72 USD deepseek-flash@together: 66,3 +/- 3,9, 0,72 USD gemini-3.5-flash-lite: 68,4 +/- 3,8, 1,24 USD gemini-3.8-flash: 83,9 +/- 3,1, 2,10 USD gpt-5.4-mini: 64,9 +/- 3,9, 2,40 USD deepseek-v4-pro: 67,2 +/- 3,9, 2,64 USD deepseek-v4-pro@together: 67,2 +/- 3,9, 2,64 USD grok-4.7: 79,1 +/- 3,4, 4,40 USD gemini-3.5-flash: 80,1 +/- 3,4, 4,80 USD claude-sonnet-5: 68,1 +/- 3,9, 5,60 USD gemini-3.1-pro-preview: 82,6 +/- 3,2, 6,40 USD gpt-5.4: 73,0 +/- 3,7, 8,00 USD claude-sonnet-4-6: 67,8 +/- 3,9, 8,40 USD claude-opus-5-5: 75,3 +/- 3,7, 11,20 USD claude-opus-5: 77,2 +/- 3,6, 14,00 USD claude-opus-4-8: 73,8 +/- 3,7, 14,00 USD gpt-5.5: 79,6 +/- 3,5, 16,00 USD claude-fable-5-1: 80,5 +/- 3,4, 28,00 USD gpt-6-astra: 83,8 +/- 3,2, 28,00 USD deepseek-flashgemini-3.8-flash Mejor, Equilibrada, Económica
Escritura creativa, Media
50607080901001 USD10 USD gpt-5.4-nano: 67,7 +/- 6,6, 0,66 USD deepseek-flash: 67,3 +/- 6,6, 0,72 USD deepseek-flash@together: 67,3 +/- 6,6, 0,72 USD gemini-3.5-flash-lite: 67,5 +/- 6,6, 1,24 USD gemini-3.8-flash: 82,8 +/- 5,3, 2,10 USD gpt-5.4-mini: 66,6 +/- 6,7, 2,40 USD deepseek-v4-pro: 67,8 +/- 6,6, 2,64 USD deepseek-v4-pro@together: 67,8 +/- 6,6, 2,64 USD grok-4.7: 74,9 +/- 6,1, 4,40 USD gemini-3.5-flash: 75,2 +/- 6,1, 4,80 USD claude-sonnet-5: 62,3 +/- 6,9, 5,60 USD gemini-3.1-pro-preview: 77,3 +/- 5,9, 6,40 USD gpt-5.4: 79,0 +/- 5,8, 8,00 USD claude-sonnet-4-6: 68,9 +/- 6,6, 8,40 USD claude-opus-5-5: 70,9 +/- 6,4, 11,20 USD claude-opus-4-8: 80,6 +/- 5,6, 14,00 USD claude-opus-5: 61,3 +/- 6,9, 14,00 USD gpt-5.5: 72,6 +/- 6,3, 16,00 USD claude-fable-5-1: 78,1 +/- 5,9, 28,00 USD gpt-6-astra: 74,0 +/- 6,2, 28,00 USD deepseek-flashgemini-3.8-flash Mejor, Equilibrada, Económica
Resúmenes, Media
50607080901001 USD10 USD gpt-5.4-nano: 71,8 +/- 6,4, 0,73 USD deepseek-flash: 68,9 +/- 6,6, 0,96 USD deepseek-flash@together: 68,9 +/- 6,6, 0,96 USD gemini-3.5-flash-lite: 68,5 +/- 6,6, 1,22 USD gemini-3.8-flash: 87,5 +/- 4,7, 2,55 USD gpt-5.4-mini: 59,6 +/- 6,9, 2,70 USD deepseek-v4-pro: 69,5 +/- 6,5, 3,96 USD deepseek-v4-pro@together: 69,5 +/- 6,5, 3,96 USD gemini-3.5-flash: 82,6 +/- 5,4, 5,40 USD grok-4.7: 78,2 +/- 5,8, 6,60 USD claude-sonnet-5: 71,2 +/- 6,4, 6,80 USD gemini-3.1-pro-preview: 88,2 +/- 4,6, 7,20 USD gpt-5.4: 68,4 +/- 6,6, 9,00 USD claude-sonnet-4-6: 61,7 +/- 6,9, 10,20 USD claude-opus-5-5: 69,1 +/- 6,5, 13,60 USD claude-opus-4-8: 77,7 +/- 5,9, 17,00 USD claude-opus-5: 66,4 +/- 6,7, 17,00 USD gpt-5.5: 72,3 +/- 6,3, 18,00 USD gpt-6-astra: 79,6 +/- 5,7, 34,00 USD claude-fable-5-1: 72,2 +/- 6,3, 34,00 USD gpt-5.4-nano Económicadeepseek-flashgemini-3.8-flash Mejor, Equilibrada
Extracción de datos, Media
50607080901001 USD10 USD gpt-5.4-nano: 82,8 +/- 2,1, 0,41 USD deepseek-flash: 83,0 +/- 2,1, 0,48 USD deepseek-flash@together: 83,0 +/- 2,1, 0,48 USD gemini-3.5-flash-lite: 75,7 +/- 2,3, 0,74 USD gemini-3.8-flash: 75,1 +/- 2,5, 1,35 USD gpt-5.4-mini: 85,4 +/- 1,9, 1,50 USD deepseek-v4-pro: 87,3 +/- 1,9, 1,85 USD deepseek-v4-pro@together: 87,3 +/- 1,9, 1,85 USD gemini-3.5-flash: 80,5 +/- 2,4, 3,00 USD grok-4.7: 88,4 +/- 1,8, 3,08 USD claude-sonnet-5: 84,9 +/- 2,1, 3,60 USD gemini-3.1-pro-preview: 88,3 +/- 1,9, 4,00 USD gpt-5.4: 89,7 +/- 1,7, 5,00 USD claude-sonnet-4-6: 87,0 +/- 2,2, 5,40 USD claude-opus-5-5: 89,2 +/- 1,9, 7,20 USD claude-opus-5: 84,3 +/- 2,4, 9,00 USD claude-opus-4-8: 80,1 +/- 2,5, 9,00 USD gpt-5.5: 90,8 +/- 1,7, 10,00 USD gpt-6-astra: 91,5 +/- 1,6, 18,00 USD claude-fable-5-1: 87,2 +/- 2,3, 18,00 USD deepseek-flashgpt-5.4-mini Económicadeepseek-v4-pro Equilibradaclaude-opus-5-5 Mejor
Clasificación, Media
50607080901001 USD10 USD gpt-5.4-nano: 67,2 +/- 3,3, 0,41 USD deepseek-flash: 63,1 +/- 3,4, 0,48 USD deepseek-flash@together: 63,1 +/- 3,4, 0,48 USD gemini-3.5-flash-lite: 67,2 +/- 3,3, 0,74 USD gemini-3.8-flash: 81,4 +/- 2,8, 1,35 USD gpt-5.4-mini: 59,8 +/- 3,5, 1,50 USD deepseek-v4-pro: 62,4 +/- 3,4, 1,85 USD deepseek-v4-pro@together: 62,4 +/- 3,4, 1,85 USD gemini-3.5-flash: 75,6 +/- 3,0, 3,00 USD grok-4.7: 75,3 +/- 3,1, 3,08 USD claude-sonnet-5: 63,9 +/- 3,4, 3,60 USD gemini-3.1-pro-preview: 79,1 +/- 2,9, 4,00 USD gpt-5.4: 70,2 +/- 3,2, 5,00 USD claude-sonnet-4-6: 63,2 +/- 3,4, 5,40 USD claude-opus-5-5: 65,7 +/- 3,4, 7,20 USD claude-opus-4-8: 72,0 +/- 3,2, 9,00 USD claude-opus-5: 63,8 +/- 3,4, 9,00 USD gpt-5.5: 70,7 +/- 3,2, 10,00 USD gpt-6-astra: 75,6 +/- 3,0, 18,00 USD claude-fable-5-1: 73,0 +/- 3,1, 18,00 USD deepseek-flashgemini-3.8-flash Mejor, Equilibrada, Económica
Conversación, Media
02550751001 USD10 USD gpt-4o-mini: 8,3 +/- 0,9, 0,48 USD gpt-5.4-nano: 11,7 +/- 1,0, 0,82 USD deepseek-flash: 33,6 +/- 1,5, 0,96 USD deepseek-flash@together: 33,6 +/- 1,5, 0,96 USD gpt-5-mini: 21,6 +/- 1,3, 1,20 USD gpt-4.1-mini: 12,7 +/- 1,1, 1,28 USD gemini-3.8-flash: 69,7 +/- 1,5, 2,70 USD gpt-5.4-mini: 29,4 +/- 1,4, 3,00 USD claude-haiku-4-5: 13,2 +/- 1,1, 3,60 USD deepseek-v4-pro: 52,9 +/- 1,6, 3,70 USD deepseek-v4-pro@together: 52,9 +/- 1,6, 3,70 USD gemini-3.5-flash: 66,2 +/- 1,5, 6,00 USD gpt-4.1: 31,1 +/- 1,5, 6,40 USD claude-sonnet-5: 33,7 +/- 1,5, 7,20 USD gemini-3.1-pro-preview: 73,5 +/- 1,4, 8,00 USD gpt-5.4: 45,1 +/- 1,6, 10,00 USD claude-sonnet-4-6: 32,8 +/- 1,5, 10,80 USD claude-opus-5-5: 72,2 +/- 1,4, 14,40 USD claude-opus-4-8: 53,0 +/- 1,6, 18,00 USD claude-opus-5: 59,9 +/- 1,6, 18,00 USD gpt-5.5: 63,0 +/- 1,5, 20,00 USD gpt-6-astra: 75,6 +/- 1,4, 36,00 USD claude-fable-5-1: 70,8 +/- 1,4, 36,00 USD deepseek-flashgemini-3.8-flash Económicagemini-3.1-pro-preview Mejor, Equilibrada
Análisis y razonamiento, Media
02550751001 USD10 USD gpt-oss-120b: 22,1 +/- 2,9, 0,36 USD gpt-4o-mini: 10,7 +/- 2,2, 0,36 USD deepseek-flash: 61,1 +/- 3,5, 0,72 USD deepseek-flash@together: 61,1 +/- 3,5, 0,72 USD mistral-large-2512: 22,5 +/- 3,0, 1,00 USD llama-3.3-70b-instruct-turbo: 19,9 +/- 2,8, 1,25 USD gemini-3.5-flash: 76,7 +/- 3,0, 4,80 USD gpt-4.1: 27,0 +/- 3,1, 4,80 USD claude-sonnet-5: 60,6 +/- 3,5, 5,60 USD gemini-3.1-pro-preview: 79,6 +/- 2,9, 6,40 USD claude-opus-5: 80,6 +/- 2,8, 14,00 USD claude-opus-4-8: 64,8 +/- 3,4, 14,00 USD gpt-5.5: 69,0 +/- 3,3, 16,00 USD deepseek-flashgemini-3.5-flash Mejor, Equilibrada, Económica
Análisis y razonamiento, Difícil
02550751001 USD10 USD100 USD qwen3.5-9b: 79,0 +/- 2,4, 0,57 USD gpt-oss-120b: 75,8 +/- 2,7, 0,84 USD mistral-small-2603: 47,5 +/- 2,8, 0,84 USD gpt-4o-mini: 37,7 +/- 2,4, 0,84 USD gpt-5.4-nano: 66,1 +/- 2,4, 1,53 USD deepseek-flash: 79,0 +/- 2,0, 1,68 USD deepseek-flash@together: 79,0 +/- 2,0, 1,68 USD gpt-4.1-mini: 65,9 +/- 2,7, 2,24 USD gpt-5-mini: 71,7 +/- 3,2, 2,30 USD mistral-large-2512: 51,3 +/- 2,7, 2,35 USD gemini-3.5-flash-lite: 68,7 +/- 2,3, 2,85 USD llama-3.3-70b-instruct-turbo: 47,4 +/- 2,9, 3,02 USD gemini-3.8-flash: 92,3 +/- 1,3, 4,88 USD gpt-5.4-mini: 67,1 +/- 2,4, 5,55 USD deepseek-v4-pro: 78,0 +/- 2,1, 6,20 USD deepseek-v4-pro@together: 78,0 +/- 2,1, 6,20 USD claude-haiku-4-5: 60,5 +/- 2,8, 6,50 USD mistral-medium-3-5: 59,5 +/- 2,8, 9,75 USD grok-4.7: 82,7 +/- 2,7, 10,34 USD gemini-3.5-flash: 85,8 +/- 1,7, 11,10 USD gpt-4.1: 66,9 +/- 2,8, 11,20 USD claude-sonnet-5: 84,5 +/- 1,8, 13,00 USD gemini-3.1-pro-preview: 89,5 +/- 1,5, 14,80 USD gpt-5.4: 80,3 +/- 2,1, 18,50 USD claude-sonnet-4-6: 81,8 +/- 1,9, 19,50 USD claude-opus-5-5: 91,4 +/- 1,4, 26,00 USD claude-opus-5: 92,2 +/- 1,4, 32,50 USD claude-opus-4-8: 86,9 +/- 1,7, 32,50 USD gpt-5.5: 82,4 +/- 2,0, 37,00 USD gpt-6-astra: 94,2 +/- 1,2, 65,00 USD claude-fable-5-1: 91,7 +/- 1,9, 65,00 USD deepseek-flashgemini-3.8-flash Económicaclaude-opus-5-5 Mejor, Equilibrada
Análisis y razonamiento, Muy difícil
02550751001 USD10 USD100 USD gpt-4o-mini: 0,0 +/- 0,4, 1,35 USD gpt-5.4-nano: 9,9 +/- 1,1, 2,48 USD deepseek-flash: 7,0 +/- 1,0, 2,70 USD deepseek-flash@together: 7,0 +/- 1,0, 2,70 USD gpt-4.1-mini: 1,8 +/- 0,5, 3,60 USD gpt-5-mini: 15,8 +/- 0,9, 3,75 USD gemini-3.5-flash-lite: 9,3 +/- 1,1, 4,65 USD gemini-3.8-flash: 44,5 +/- 2,0, 7,88 USD gpt-5.4-mini: 7,1 +/- 1,0, 9,00 USD deepseek-v4-pro: 6,9 +/- 0,9, 9,90 USD deepseek-v4-pro@together: 6,9 +/- 0,9, 9,90 USD claude-haiku-4-5: 7,8 +/- 1,0, 10,50 USD mistral-medium-3-5: 4,5 +/- 0,8, 15,75 USD gemini-3.5-flash: 28,9 +/- 1,8, 18,00 USD gpt-4.1: 3,8 +/- 0,5, 18,00 USD gemini-3.1-pro-preview: 73,8 +/- 1,5, 24,00 USD gpt-5.4: 45,0 +/- 1,8, 30,00 USD claude-sonnet-4-6: 73,5 +/- 2,4, 31,50 USD claude-opus-5-5: 94,6 +/- 1,3, 42,00 USD claude-opus-5: 92,9 +/- 1,5, 52,50 USD claude-opus-4-8: 75,1 +/- 2,4, 52,50 USD gpt-5.5: 54,8 +/- 2,4, 60,00 USD claude-fable-5-1: 73,2 +/- 1,6, 105 USD gpt-6-astra: 66,8 +/- 1,7, 105 USD deepseek-flashgemini-3.8-flash Económicaclaude-opus-5-5 Mejor, Equilibrada

Matemáticas, Media: Todavía nadie publica un resultado con puntuación para esto. Los modelos de abajo solo tienen rating de preferencia.

Matemáticas, Difícil
02550751001 USD10 USD100 USD gpt-4o-mini: 52,6 +/- 1,1, 0,84 USD mistral-small-2603: 46,8 +/- 1,2, 0,84 USD gpt-5.4-nano: 91,0 +/- 1,5, 1,53 USD deepseek-flash: 79,7 +/- 2,1, 1,68 USD deepseek-flash@together: 79,7 +/- 2,1, 1,68 USD gpt-4.1-mini: 87,3 +/- 0,7, 2,24 USD gpt-5-mini: 97,9 +/- 0,3, 2,30 USD mistral-large-2512: 50,3 +/- 1,2, 2,35 USD gemini-3.5-flash-lite: 73,7 +/- 2,3, 2,85 USD llama-3.3-70b-instruct-turbo: 41,6 +/- 1,2, 3,02 USD gemini-3.8-flash: 91,6 +/- 1,4, 4,88 USD gpt-5.4-mini: 78,5 +/- 2,1, 5,55 USD deepseek-v4-pro: 90,7 +/- 1,5, 6,20 USD deepseek-v4-pro@together: 90,7 +/- 1,5, 6,20 USD claude-haiku-4-5: 86,9 +/- 0,8, 6,50 USD mistral-medium-3-5: 81,6 +/- 0,9, 9,75 USD grok-4.7: 95,7 +/- 1,0, 10,34 USD gemini-3.5-flash: 88,2 +/- 1,7, 11,10 USD gpt-4.1: 83,0 +/- 0,9, 11,20 USD claude-sonnet-5: 92,9 +/- 1,3, 13,00 USD gemini-3.1-pro-preview: 91,0 +/- 1,5, 14,80 USD gpt-5.4: 94,2 +/- 1,2, 18,50 USD claude-sonnet-4-6: 87,0 +/- 1,7, 19,50 USD claude-opus-5-5: 97,1 +/- 0,9, 26,00 USD claude-opus-5: 95,7 +/- 1,0, 32,50 USD claude-opus-4-8: 94,3 +/- 1,2, 32,50 USD gpt-5.5: 95,9 +/- 1,0, 37,00 USD claude-fable-5-1: 97,0 +/- 0,9, 65,00 USD gpt-6-astra: 96,8 +/- 0,9, 65,00 USD deepseek-flashgpt-5-mini Mejor, Equilibrada, Económica
Matemáticas, Muy difícil
02550751001 USD10 USD100 USD qwen3.5-9b: 42,8 +/- 6,5, 0,89 USD gpt-oss-120b: 88,9 +/- 4,5, 1,35 USD mistral-small-2603: 5,3 +/- 2,6, 1,35 USD gpt-4o-mini: 3,8 +/- 1,4, 1,35 USD gpt-5.4-nano: 25,7 +/- 2,9, 2,48 USD deepseek-flash: 76,0 +/- 1,8, 2,70 USD deepseek-flash@together: 76,0 +/- 1,8, 2,70 USD gpt-4.1-mini: 18,6 +/- 2,2, 3,60 USD gpt-5-mini: 34,1 +/- 2,9, 3,75 USD mistral-large-2512: 1,1 +/- 0,5, 3,75 USD gemini-3.5-flash-lite: 44,6 +/- 4,2, 4,65 USD llama-3.3-70b-instruct-turbo: 5,1 +/- 2,4, 4,68 USD gemini-3.8-flash: 83,7 +/- 1,5, 7,88 USD gpt-5.4-mini: 23,6 +/- 2,7, 9,00 USD deepseek-v4-pro: 54,0 +/- 4,6, 9,90 USD deepseek-v4-pro@together: 54,0 +/- 4,6, 9,90 USD claude-haiku-4-5: 20,0 +/- 3,2, 10,50 USD mistral-medium-3-5: 16,3 +/- 3,0, 15,75 USD gemini-3.5-flash: 65,3 +/- 2,2, 18,00 USD gpt-4.1: 16,6 +/- 2,2, 18,00 USD claude-sonnet-5: 72,8 +/- 3,3, 21,00 USD gemini-3.1-pro-preview: 64,1 +/- 1,7, 24,00 USD gpt-5.4: 60,9 +/- 3,3, 30,00 USD claude-sonnet-4-6: 51,8 +/- 3,7, 31,50 USD claude-opus-5-5: 95,6 +/- 2,6, 42,00 USD claude-opus-5: 92,8 +/- 1,6, 52,50 USD claude-opus-4-8: 72,3 +/- 2,5, 52,50 USD gpt-5.5: 69,1 +/- 4,5, 60,00 USD gpt-6-astra: 96,8 +/- 2,6, 105 USD claude-fable-5-1: 95,1 +/- 2,7, 105 USD gpt-oss-120b Económicadeepseek-flash Equilibradaclaude-opus-5-5 Mejor
Escribir código, Difícil
02550751002 USD5 USD10 USD20 USD50 USD100 USD gpt-5.4-nano: 58,8 +/- 3,6, 2,09 USD deepseek-flash: 53,4 +/- 3,6, 2,22 USD deepseek-flash@together: 53,4 +/- 3,6, 2,22 USD gemini-3.5-flash-lite: 60,7 +/- 3,5, 3,98 USD gemini-3.8-flash: 63,4 +/- 3,6, 6,56 USD gpt-5.4-mini: 56,7 +/- 3,6, 7,58 USD deepseek-v4-pro: 56,3 +/- 3,6, 7,99 USD deepseek-v4-pro@together: 56,3 +/- 3,6, 7,99 USD grok-4.7: 65,6 +/- 3,5, 13,31 USD gemini-3.5-flash: 63,6 +/- 3,5, 15,15 USD claude-sonnet-5: 70,0 +/- 3,4, 17,50 USD gemini-3.1-pro-preview: 43,2 +/- 2,8, 20,20 USD gpt-5.4: 49,0 +/- 3,5, 25,25 USD claude-sonnet-4-6: 61,0 +/- 3,5, 26,25 USD claude-opus-5-5: 79,5 +/- 3,4, 35,00 USD claude-opus-5: 73,3 +/- 3,3, 43,75 USD claude-opus-4-8: 66,2 +/- 3,4, 43,75 USD gpt-5.5: 48,7 +/- 3,1, 50,50 USD claude-fable-5-1: 75,3 +/- 3,7, 87,50 USD gpt-6-astra: 61,5 +/- 4,6, 87,50 USD deepseek-flashclaude-opus-5-5 Mejor, Equilibrada, Económica
Arreglar código, Difícil
02550751001 USD10 USD100 USD qwen3.5-9b: 9,2 +/- 2,4, 0,68 USD gpt-oss-120b: 25,6 +/- 1,9, 1,11 USD gpt-4o-mini: 3,6 +/- 1,2, 1,11 USD codestral-2508: 11,1 +/- 2,1, 1,82 USD gpt-5.4-nano: 46,8 +/- 5,9, 2,09 USD deepseek-flash: 37,6 +/- 5,7, 2,22 USD deepseek-flash@together: 37,6 +/- 5,7, 2,22 USD gpt-4.1-mini: 32,4 +/- 3,1, 2,96 USD gpt-5-mini: 47,0 +/- 1,7, 3,20 USD gemini-3.5-flash-lite: 45,3 +/- 5,9, 3,98 USD gemini-3.8-flash: 54,2 +/- 5,9, 6,56 USD gpt-5.4-mini: 41,7 +/- 5,8, 7,58 USD deepseek-v4-pro: 57,1 +/- 3,5, 7,99 USD deepseek-v4-pro@together: 57,1 +/- 3,5, 7,99 USD claude-haiku-4-5: 13,9 +/- 2,7, 8,75 USD grok-4.7: 54,0 +/- 5,9, 13,31 USD gpt-4.1: 49,8 +/- 1,9, 14,80 USD gemini-3.5-flash: 64,2 +/- 3,1, 15,15 USD claude-sonnet-5: 59,4 +/- 5,8, 17,50 USD gemini-3.1-pro-preview: 49,8 +/- 4,0, 20,20 USD gpt-5.4: 69,7 +/- 2,3, 25,25 USD claude-sonnet-4-6: 59,9 +/- 2,2, 26,25 USD claude-opus-5-5: 71,7 +/- 5,3, 35,00 USD claude-opus-5: 65,2 +/- 5,6, 43,75 USD claude-opus-4-8: 50,5 +/- 5,9, 43,75 USD gpt-5.5: 59,0 +/- 3,6, 50,50 USD claude-fable-5-1: 66,1 +/- 5,6, 87,50 USD gpt-6-astra: 57,3 +/- 5,8, 87,50 USD deepseek-flashclaude-sonnet-5 Económicaclaude-opus-5-5 Mejor, Equilibrada
SQL y consultas de datos, Media
02550751001 USD10 USD gpt-5.4-nano: 50,6 +/- 6,9, 0,41 USD deepseek-flash: 46,1 +/- 6,9, 0,48 USD deepseek-flash@together: 46,1 +/- 6,9, 0,48 USD gemini-3.5-flash-lite: 40,6 +/- 6,8, 0,74 USD gemini-3.8-flash: 45,3 +/- 6,9, 1,35 USD gpt-5.4-mini: 49,4 +/- 6,9, 1,50 USD deepseek-v4-pro: 48,2 +/- 6,9, 1,85 USD deepseek-v4-pro@together: 48,2 +/- 6,9, 1,85 USD gemini-3.5-flash: 50,5 +/- 6,9, 3,00 USD grok-4.7: 44,9 +/- 6,9, 3,08 USD claude-sonnet-5: 42,4 +/- 6,9, 3,60 USD gemini-3.1-pro-preview: 52,4 +/- 6,9, 4,00 USD gpt-5.4: 51,8 +/- 6,9, 5,00 USD claude-sonnet-4-6: 45,1 +/- 6,9, 5,40 USD claude-opus-5-5: 52,3 +/- 6,9, 7,20 USD claude-opus-5: 52,0 +/- 6,9, 9,00 USD claude-opus-4-8: 51,1 +/- 6,9, 9,00 USD gpt-5.5: 55,9 +/- 6,9, 10,00 USD gpt-6-astra: 58,4 +/- 6,8, 18,00 USD claude-fable-5-1: 56,2 +/- 6,9, 18,00 USD gpt-5.4-nano Mejor, Equilibrada, Económicadeepseek-flash

Preguntas sobre un documento, Media: Todavía nadie publica un resultado con puntuación para esto. Los modelos de abajo solo tienen rating de preferencia.

Fuentes

Qué son estos números

  • Estas cifras vienen de las fuentes que indica cada fila, no de las pruebas propias de Zabio. Las pruebas de Zabio se muestran aparte y nunca se combinan con ellas en una sola cifra.
  • Las fuentes prueban los modelos con sus propios ajustes. Una diferencia de ajustes respecto a cómo Zabio llama al modelo se marca en la fila y reduce su peso.
  • Las puntuaciones solo se comparan dentro de un mismo benchmark. Las puntuaciones por tarea combinan benchmarks por evidencia en errores estándar, así que son un resumen, no un resultado de benchmark.
  • Un modelo ausente de todas las fuentes aparece como tal en lugar de omitirse.

Los resultados de nuestras propias pruebas tienen su propia sección.

Cómo lo probamos

Llamado con la propia API de Zabio en cada nivel de razonamiento, conjunto de preguntas pilot-2026-09-25, metodología 1.0. Si la solicitud no indica un nivel, Zabio usa razonamiento desactivado.

Id de modelo para usarlo con Zabio: deepseek-flash

Cambios

  • 25 de septiembre de 2026Primeros resultados: matemáticas y SQL con tres niveles de razonamiento.

Lee esto primero

  • Los problemas AIME son públicos y pueden estar en los datos de entrenamiento, así que los resultados de matemáticas en el nivel más difícil pueden estar inflados. Lo fiable son las diferencias entre niveles de razonamiento.
  • Las preguntas de SQL se conservaron solo si un modelo independiente, ajeno a la prueba, las respondía bien, lo que limita la dificultad de las más difíciles.
  • Estos resultados comparan modelos y niveles de DeepSeek entre sí. Los modelos de otros proveedores no se probaron en esta ronda.
  • Los resultados no se ordenan cuando sus rangos se superponen. Arriba significa que nada de lo probado es probablemente mejor en ese trabajo. Cerca de arriba significa que no es claramente peor que los de arriba.

Zabio vende acceso a estos modelos y cobra una tarifa por el tráfico que maneja. Por eso el método es público, cada número lleva su rango y su fecha, y las correcciones se publican como cambios. Ningún proveedor paga por pruebas, resultados ni posiciones.

DeepSeek es una marca de su titular. Zabio usa los modelos de DeepSeek a través de la API de DeepSeek y no tiene relación societaria con DeepSeek.

Usa los datos

Puedes reutilizar los resultados gratis con la licencia CC BY 4.0. Menciona a Zabio con la cita de abajo.

Licencia
CC BY 4.0
Cita sugerida
Zabio, Model benchmarks, zabio.ai/benchmarks, 2026-09-25
Metodología
1.0
Probado
25 de septiembre de 2026
Descargar benchmarks.json