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-v4-pro

En Matemáticas (muy difícil), razonamiento alto acierta 98,2 % (rango 92,3 a 99,6) frente a 44,2 % con razonamiento desactivado (rango 33,8 a 55,3), por 7,5 veces el costo.

En SQL y consultas de datos (muy difícil), razonamiento alto acierta 98,2 % (rango 92,3 a 99,6) frente a 84,8 % con razonamiento desactivado (rango 75,3 a 91,1), por 13,7 veces el costo.

Proveedor
DeepSeek
Id del modelo
deepseek-v4-pro
Precio por 1M de tokens
1,32 USD de entrada, 3,96 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 %.

0255075100FácilMediaDifícilMuy difícilFácil, Razonamiento desactivado: 96,0 % (83,9 a 99,1)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: 98,2 % (92,3 a 99,6)Difícil, Razonamiento desactivado: 86,4 % (77,0 a 92,4)Difícil, Razonamiento bajo: 98,1 % (92,0 a 99,6)Difícil, Razonamiento alto: 98,2 % (92,3 a 99,6)Muy difícil, Razonamiento desactivado: 44,2 % (33,8 a 55,3)Muy difícil, Razonamiento bajo: 89,1 % (80,3 a 94,3)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.

1 USD10 USDFácilFácil, Desactivado: 1,04 USDDesactivado1,04 USDFácil, Bajo: 0,81 USDBajo0,81 USDFácil, Alto: 1,28 USDAlto1,28 USDMediaMedia, Desactivado: 1,60 USDDesactivado1,60 USDMedia, Bajo: 1,57 USDBajo1,57 USDMedia, Alto: 3,44 USDAlto3,44 USDDifícilDifícil, Desactivado: 3,94 USDDesactivado3,94 USDDifícil, Bajo: 5,98 USDBajo5,98 USDDifícil, Alto: 15,63 USDAlto15,63 USDMuy difícilMuy difícil, Desactivado: 6,52 USDDesactivado6,52 USDMuy difícil, Bajo: 25,10 USDBajo25,10 USDMuy difícil, Alto: 48,68 USDAlto48,68 USD

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

deepseek-v4-pro, Matemáticas
DificultadRazonamientoAciertosRango del 90 %PreguntasGrupoOpciónPor 1.000 tareasAciertos por 1 USDTokens de respuestaTokens de razonamiento (est.)Tiempo medioCortadas
FácilRazonamiento desactivado96,0 %83,9 a 99,125Cerca de arriba1,04 USD92124202,9 s0,0 %
Razonamiento bajo100,0 %90,2 a 100,025Arriba0,81 USD1238361462,1 s0,0 %
Razonamiento alto100,0 %90,2 a 100,025Arriba1,28 USD779402362,7 s0,0 %
MediaRazonamiento desactivado94,5 %87,1 a 97,855Cerca de arriba1,60 USD59138103,3 s0,0 %
Razonamiento bajo98,2 %92,3 a 99,655Arriba1,57 USD626593142,9 s0,0 %
Razonamiento alto98,2 %92,3 a 99,655Arriba3,44 USD285697514,0 s0,0 %
DifícilRazonamiento desactivado86,4 %77,0 a 92,454Por debajo3,94 USD22096006,8 s0,0 %
Razonamiento bajo98,1 %92,0 a 99,653Cerca de arriba5,98 USD164112136410,0 s0,0 %
Razonamiento alto98,2 %92,3 a 99,655Arriba15,63 USD63141374717,7 s0,0 %
Muy difícilRazonamiento desactivado44,2 %33,8 a 55,355Por debajo6,52 USD681611011,6 s0,0 %
Razonamiento bajo89,1 %80,3 a 94,355Por debajo25,10 USD36166613632,6 s6,8 %
Razonamiento alto98,2 %92,3 a 99,655Arriba48,68 USD2025111.97857,0 s1,4 %

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: 90,9 % (82,5 a 95,5)Media, Razonamiento bajo: 98,2 % (92,3 a 99,6)Media, Razonamiento alto: 98,2 % (92,3 a 99,6)Difícil, Razonamiento desactivado: 84,8 % (75,3 a 91,1)Difícil, Razonamiento bajo: 97,6 % (91,3 a 99,4)Difícil, Razonamiento alto: 100,0 % (95,3 a 100,0)Muy difícil, Razonamiento desactivado: 84,8 % (75,3 a 91,1)Muy difícil, Razonamiento bajo: 94,5 % (87,1 a 97,8)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.

1 USD5 USD20 USDFácilFácil, Desactivado: 1,03 USDDesactivado1,03 USDFácil, Bajo: 1,76 USDBajo1,76 USDFácil, Alto: 2,35 USDAlto2,35 USDMediaMedia, Desactivado: 1,76 USDDesactivado1,76 USDMedia, Bajo: 8,92 USDBajo8,92 USDMedia, Alto: 12,51 USDAlto12,51 USDDifícilDifícil, Desactivado: 2,24 USDDesactivado2,24 USDDifícil, Bajo: 13,45 USDBajo13,45 USDDifícil, Alto: 22,80 USDAlto22,80 USDMuy difícilMuy difícil, Desactivado: 3,06 USDDesactivado3,06 USDMuy difícil, Bajo: 26,46 USDBajo26,46 USDMuy difícil, Alto: 41,95 USDAlto41,95 USD

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

deepseek-v4-pro, 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 100,025Arriba1,03 USD9743301,1 s0,0 %
Razonamiento bajo100,0 %90,2 a 100,025Arriba1,76 USD569281902,2 s0,0 %
Razonamiento alto100,0 %90,2 a 100,025Arriba2,35 USD425283132,2 s0,0 %
MediaRazonamiento desactivado90,9 %82,5 a 95,555Por debajo1,76 USD51618601,9 s0,0 %
Razonamiento bajo98,2 %92,3 a 99,655Arriba8,92 USD110145184913,7 s0,0 %
Razonamiento alto98,2 %92,3 a 99,655Arriba12,51 USD79146272915,2 s0,0 %
DifícilRazonamiento desactivado84,8 %75,3 a 91,155Por debajo2,24 USD37929302,3 s0,0 %
Razonamiento bajo97,6 %91,3 a 99,455Cerca de arriba13,45 USD73225290117,9 s0,0 %
Razonamiento alto100,0 %95,3 a 100,055Arriba22,80 USD44229523025,6 s0,0 %
Muy difícilRazonamiento desactivado84,8 %75,3 a 91,155Por debajo3,06 USD27849403,2 s0,0 %
Razonamiento bajo94,5 %87,1 a 97,855Por debajo26,46 USD36326607747,1 s0,0 %
Razonamiento alto98,2 %92,3 a 99,655Cerca de arriba41,95 USD23326996372,9 s0,0 %

Dónde es una opción destacada

Trabajos donde deepseek-v4-pro es la opción mejor, equilibrada o económica entre los modelos probados hasta ahora.

Todavía no es la opción mejor, equilibrada ni económica en ningún trabajo probado.

Estabilidad

12,7 %

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-v4-pro
Redacción, Media: 67,2 +/- 3,9 Evidencia, en errores estándar: 0,0 LiveBench Language: 78,1 (Mismos ajustes) LiveBench paraphrase: 56,2 (Mismos ajustes) LMArena text style control, instruction following: 1452,4 (Mismos ajustes)Redacción, Media67,2Escritura creativa, Media: 67,8 +/- 6,6 Evidencia, en errores estándar: 0,7 LiveBench story generation: 67,8 (Mismos ajustes) LMArena text style control, creative writing: 1446,1 (Mismos ajustes)Escritura creativa, Media67,8Resúmenes, Media: 69,5 +/- 6,5 Evidencia, en errores estándar: -0,4 LiveBench summarize: 69,5 (Mismos ajustes)Resúmenes, Media69,5Extracción de datos, Media: 87,3 +/- 1,9 Evidencia, en errores estándar: 1,2 LiveBench Data Analysis: 74,5 (Mismos ajustes) LiveBench tablereformat: 100,0 (Mismos ajustes) LMArena text style control, instruction following: 1452,4 (Mismos ajustes)Extracción de datos, Media87,3Clasificación, Media: 62,4 +/- 3,4 Evidencia, en errores estándar: -1,4 LiveBench IF: 62,4 (Mismos ajustes)Clasificación, Media62,4Conversación, Media: 52,9 +/- 1,6 Evidencia, en errores estándar: 1,1 SimpleQA Verified: 52,9 (Ajustes distintos) LMArena text style control, multi turn: 1475,0 (Mismos ajustes)Conversación, Media52,9Análisis y razonamiento, Difícil: 78,0 +/- 2,1 Evidencia, en errores estándar: 0,1 GPQA diamond: 73,2 (Mismos ajustes) LiveBench Reasoning: 82,7 (Mismos ajustes) LMArena text style control, hard prompts: 1480,2 (Mismos ajustes)Análisis y razonamiento, Difícil78,0Análisis y razonamiento, Muy difícil: 6,9 +/- 0,9 Evidencia, en errores estándar: -0,8 ARC-AGI-2: 0,8 (Mismos ajustes) ARC-AGI: 13,0 (Mismos ajustes) LMArena text style control, expert: 1479,7 (Mismos ajustes)Análisis y razonamiento, Muy difícil6,9Matemáticas, Media: Rating 1444,8 Evidencia, en errores estándar: 0,1 LMArena text style control, math: 1444,8 (Mismos ajustes)Matemáticas, MediaRating 1444,8Matemáticas, Difícil: 90,7 +/- 1,5 Evidencia, en errores estándar: 1,5 LiveBench Mathematics: 90,7 (Mismos ajustes)Matemáticas, Difícil90,7Matemáticas, Muy difícil: 54,0 +/- 4,6 Evidencia, en errores estándar: -0,5 FrontierMath-Tiers-1-3-v2-Private: 64,6 (Ajustes distintos) OTIS Mock AIME 2024-2025: 46,7 (Mismos ajustes)Matemáticas, Muy difícil54,0Escribir código, Difícil: 56,3 +/- 3,6 Evidencia, en errores estándar: -0,4 LiveBench Agentic Coding: 42,6 (Mismos ajustes) LiveBench Coding: 70,0 (Mismos ajustes) LMArena text style control, coding: 1500,4 (Mismos ajustes) LMArena webdev, overall: 1446,2 (Mismos ajustes)Escribir código, Difícil56,3Arreglar código, Difícil: 57,1 +/- 3,5 Evidencia, en errores estándar: 0,6 SWE-Bench verified: 77,6 (Ajustes distintos) LiveBench Agentic Coding: 42,6 (Mismos ajustes)Arreglar código, Difícil57,1SQL y consultas de datos, Media: 48,2 +/- 6,9 Evidencia, en errores estándar: -0,1 LiveBench tablejoin: 48,2 (Mismos ajustes)SQL y consultas de datos, Media48,2Preguntas sobre un documento, Media: Rating 1471,7 Evidencia, en errores estándar: 0,5 LMArena text style control, longer query: 1471,7 (Mismos ajustes)Preguntas sobre un documento, MediaRating 1471,7
Los benchmarks detrás de cada barra
Tipo de tareaBenchmarkPuntuaciónAjustes
Redacción, MediaLiveBench Language78,1Mismos ajustes
Redacción, MediaLiveBench paraphrase56,2Mismos ajustes
Redacción, MediaLMArena text style control, instruction followingRating 1452,4Mismos ajustes
Escritura creativa, MediaLiveBench story generation67,8Mismos ajustes
Escritura creativa, MediaLMArena text style control, creative writingRating 1446,1Mismos ajustes
Resúmenes, MediaLiveBench summarize69,5Mismos ajustes
Extracción de datos, MediaLiveBench Data Analysis74,5Mismos ajustes
Extracción de datos, MediaLiveBench tablereformat100,0Mismos ajustes
Extracción de datos, MediaLMArena text style control, instruction followingRating 1452,4Mismos ajustes
Clasificación, MediaLiveBench IF62,4Mismos ajustes
Conversación, MediaSimpleQA Verified52,9Ajustes distintos
Conversación, MediaLMArena text style control, multi turnRating 1475,0Mismos ajustes
Análisis y razonamiento, DifícilGPQA diamond73,2Mismos ajustes
Análisis y razonamiento, DifícilLiveBench Reasoning82,7Mismos ajustes
Análisis y razonamiento, DifícilLMArena text style control, hard promptsRating 1480,2Mismos ajustes
Análisis y razonamiento, Muy difícilARC-AGI-20,8Mismos ajustes
Análisis y razonamiento, Muy difícilARC-AGI13,0Mismos ajustes
Análisis y razonamiento, Muy difícilLMArena text style control, expertRating 1479,7Mismos ajustes
Matemáticas, MediaLMArena text style control, mathRating 1444,8Mismos ajustes
Matemáticas, DifícilLiveBench Mathematics90,7Mismos ajustes
Matemáticas, Muy difícilFrontierMath-Tiers-1-3-v2-Private64,6Ajustes distintos
Matemáticas, Muy difícilOTIS Mock AIME 2024-202546,7Mismos ajustes
Escribir código, DifícilLiveBench Agentic Coding42,6Mismos ajustes
Escribir código, DifícilLiveBench Coding70,0Mismos ajustes
Escribir código, DifícilLMArena text style control, codingRating 1500,4Mismos ajustes
Escribir código, DifícilLMArena webdev, overallRating 1446,2Mismos ajustes
Arreglar código, DifícilSWE-Bench verified77,6Ajustes distintos
Arreglar código, DifícilLiveBench Agentic Coding42,6Mismos ajustes
SQL y consultas de datos, MediaLiveBench tablejoin48,2Mismos ajustes
Preguntas sobre un documento, MediaLMArena text style control, longer queryRating 1471,7Mismos ajustes
Precio frente a puntuación en cada tipo de tarea (15)

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 gemini-3.8-flash Mejor, Equilibrada, Económicadeepseek-v4-pro
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 gemini-3.8-flash Mejor, Equilibrada, Económicadeepseek-v4-pro
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 Económicagemini-3.8-flash Mejor, Equilibradadeepseek-v4-pro
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 gpt-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 gemini-3.8-flash Mejor, Equilibrada, Económicadeepseek-v4-pro
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 gemini-3.8-flash Económicadeepseek-v4-progemini-3.1-pro-preview Mejor, Equilibrada
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 gemini-3.8-flash Económicadeepseek-v4-proclaude-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 gemini-3.8-flash Económicadeepseek-v4-proclaude-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 gpt-5-mini Mejor, Equilibrada, Económicadeepseek-v4-pro
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 Equilibradadeepseek-v4-proclaude-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-v4-proclaude-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-v4-proclaude-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-v4-pro

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-v4-pro

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