Muse Wonder Full no es el modelo de la API
Los mejores resultados de Muse Wonder son de Full, disponible por suscripción a Muse Code. Distingo el acceso, los benchmarks y la factura real de la API.
benchmarks
Todos los artículos con la etiqueta benchmarks, del más reciente al más antiguo.
Gemini 4 Argon: los benchmarks de código no coinciden
Argon lidera DeepSWE, pero queda por detrás en otros tests de código. Comparo los benchmarks, el millón de tokens de salida y el acceso limitado.
Claude Sonnet 5.5: al máximo puede costar más que Opus
Sonnet 5.5 mantiene el precio por token y genera texto más rápido. Los tests independientes muestran cuándo el esfuerzo máximo encarece cada tarea.
GPT-6.1 Sol se acerca a Astra con menos coste por tarea
Los tests independientes sitúan a Sol 6.1 cerca de Astra a menor coste por tarea. Comparo los resultados, las tarifas de la API y las reacciones de Reddit.
GPT-6 Sol y Luna: la mejora está sobre todo en el precio
GPT-6 Sol y Luna bajan los precios de la API, con avances menores en los tests. Comparo resultados, acceso en ChatGPT y primeras experiencias en Reddit.
Opus 5.5 programa mejor. El coste por tarea no está claro
Opus 5.5 mejora en pruebas independientes y baja el precio de los tokens. Comparo el coste por tarea, el esfuerzo y las primeras experiencias en Reddit.
GPT-6 Astra cuesta 2,5x más que Sol. Habla como una persona
GPT-6 Astra gasta tu cuota 2,5 veces más rápido por token que Sol. Revisé los límites de cada plan, los benchmarks y las primeras reacciones de la comunidad.
Muse Spark 1.3 superó a GPT-6 durante dos días. Por qué
Muse Spark 1.3 sacó 62 en Artificial Analysis, por encima de GPT-6 Astra, y cayó al noveno puesto al recalcular el índice. Revisé de dónde salía y qué cuesta.
Fable 5.1 supera a Fable 5. Opus sigue siendo difícil de sustituir
Fable 5.1 mejora a su antecesor en tareas largas con agentes, pero Opus 5 se mantiene cerca y cuesta la mitad. Revisé benchmarks e informes iniciales.
DeepSeek V4 Flash perdió los 9 benchmarks frente a Opus 4.8
V4 Flash cuesta 0,14 dólares de entrada y 0,28 de salida por millón de tokens. Analizo si el descuento del 97 al 99 % compensa sus nueve derrotas.
Por qué puntuaciones de IA similares ocultan modelos distintos
DeepSWE sitúa a Luna Max 2,2 puntos por detrás de Sol High con casi una sexta parte del coste. Explico por qué se sienten distintos en un repositorio.
GPT-5.6 vs Claude 5: por qué difieren los benchmarks
Comparé Sol, Terra, Opus 5 y Fable 5 en benchmarks de código. El ganador cambia según la tarea, el nivel de esfuerzo, el agente y el presupuesto.
Kimi K3 iguala a GPT-5.6. Tarda 4,6 veces más
Kimi K3 iguala a GPT-5.6 medium, pero tarda 4,6 veces más. GLM-5.2 es barato por token y caro por tarea. Compruebo en qué sigue destacando cada uno.
Opus 5 es un gran empleado, pero un jefe frustrante
Opus 5 iguala a Fable 5 en benchmarks a mitad de precio por token, pero supervisarlo puede ser agotador. Explico cuándo Fable aún merece su lugar.