Evaluamos Kimi K3.1 Pro frente a Kimi K3 en 66 tareas de navegador

En nuestra configuración de pi y ZenMux, elegiríamos Kimi K3.1 Pro frente a Kimi K3 porque completa más tareas. En las 26 tareas que ambos superaron, también registró un menor tiempo medio y un menor coste estimado del modelo. En esta prueba de Kimi K3.1 Pro frente a Kimi K3 contamos 66 tareas, ejecutadas una vez por cada modelo en ego-browser: 66 intentos por modelo. Kimi K3.1 Pro superó 38 de sus 66 intentos (57.6%) y Kimi K3 superó 27 (40.9%). En las 26 tareas que ambos modelos superaron, Kimi K3.1 Pro tardó 400.6 segundos y tuvo un coste de $0.374 por tarea, frente a 586.1 segundos y $0.578 con Kimi K3.
La mayor diferencia entre los modelos está en si terminan el trabajo. Kimi K3 finalizó 27 de sus 66 intentos sin respuesta antes de alcanzar el límite de pasos; 26 terminaron con una nota de progreso como «SUSE done. Now Amazon Linux.» A Kimi K3.1 Pro le ocurrió 0 veces. En las 35 tareas en las que ambos modelos entregaron una respuesta final, Kimi K3.1 Pro superó 29 y Kimi K3 superó 27.
El punto débil de Kimi K3.1 Pro son las tablas largas que ahora logra completar. En las tareas que recogen los mismos campos de 8 sitios o más, superó 7 de 26 intentos, frente a 2 con Kimi K3. Diecisiete de las 24 respuestas incorrectas de Kimi K3.1 Pro fueron tablas de esas tareas, por lo que revisaríamos sus tablas antes de utilizarlas. En investigación exploratoria, ambos modelos superaron 6 de 12 tareas; Kimi K3.1 Pro fue más rápido y más barato en las cinco que ambos superaron.
El menor coste estimado del modelo se debe a las tarifas de catálogo más bajas de Kimi K3.1 Pro. Moonshot lo ofrece a dos tercios del precio de Kimi K3 para todos los tipos de tokens. En las 66 tareas, costó $0.772 por tarea frente a $0.871, aunque utilizó más tokens en los intentos que continuaron después de que terminaran los de Kimi K3.
Tasa de éxito
Kimi K3.1 Pro supera más tareas. Superó 12 tareas en las que Kimi K3 falló y falló en 1 que Kimi K3 superó. En 9 de las 12 que ganó, Kimi K3 terminó sin respuesta; en las otras 3 dio una respuesta incorrecta. Cinco de esas 12 mejoras correspondieron a tareas que recogen los mismos campos de 8 sitios o más.
Kimi K3.1 Pro superó al menos tantos intentos como Kimi K3 en cada tipo de trabajo; el único empate se produjo en investigación exploratoria.
| Tipo de trabajo | Tareas | Kimi K3.1 Pro | Kimi K3 |
|---|---|---|---|
| Los mismos campos de 8 sitios o más | 26 | 26.9% (7 de 26) | 7.7% (2 de 26) |
| Dentro de una aplicación web | 15 | 100% (15 de 15) | 86.7% (13 de 15) |
| Investigación exploratoria | 12 | 50.0% (6 de 12) | 50.0% (6 de 12) |
| Comprobaciones cruzadas en entre uno y tres sitios | 8 | 100% (8 de 8) | 62.5% (5 de 8) |
| Publicaciones de X | 5 | 40.0% (2 de 5) | 20.0% (1 de 5) |
| Todas las tareas | 66 | 57.6% (38 de 66) | 40.9% (27 de 66) |
La tasa de éxito se calcula a partir del número de intentos superados en las ejecuciones del 3 de noviembre de 2026. Kimi K3 no superó más intentos que Kimi K3.1 Pro en ninguno de estos tipos de trabajo.
Las ejecuciones de Kimi K3 a menudo terminaban a mitad del trabajo. En el agente pi que utilizamos, el modelo trabaja mediante llamadas a herramientas, principalmente scripts de ego-browser; una respuesta sin llamada a herramientas finaliza la ejecución. Kimi K3 enviaba respuestas que anunciaban su siguiente paso sin ejecutarlo, como «Google done. Now Cloudflare Workers Free.» Lo hizo en 26 de sus 66 intentos, 16 de ellos entre las 26 tareas que recogen los mismos campos de 8 sitios o más. Cada una de esas 26 respuestas terminó con la señal de parada normal del modelo, no por un corte de longitud. Kimi K3.1 Pro terminó 0 intentos de esta forma.
La tarea de plataformas serverless muestra la diferencia. Pide cinco límites de los planes gratuitos de nueve plataformas serverless, desde AWS Lambda hasta Oracle OCI Functions. Kimi K3 leyó las páginas de AWS, Azure y Google y se detuvo tras 11 llamadas a herramientas con «Google done. Now Cloudflare Workers Free.» Kimi K3.1 Pro continuó hasta la página de precios de Workers de Cloudflare, recorrió las nueve plataformas en 58 llamadas a herramientas y superó la tarea.

Las otras 3 mejoras se debieron a respuestas finales incorrectas de Kimi K3. La tarea del PIB pide a nueve organismos estadísticos el crecimiento del segundo trimestre en sus primeras estimaciones y en las más recientes, sin anualizar. Ambos modelos abrieron la estimación adelantada de la Oficina de Análisis Económico de Estados Unidos, la primera. Kimi K3 escribió su script para conservar solo los primeros 2 500 caracteres del texto de la página y anotó «not shown» en las dos cifras estadounidenses de crecimiento a tasa trimestral. Kimi K3.1 Pro imprimió la publicación completa y leyó «0.4 percent at a quarterly rate» en sus notas técnicas. Del mismo modo encontró el 0.6 por ciento en la estimación más reciente del BEA, publicada el 30 de septiembre de 2026, y rellenó las dos celdas de Estados Unidos.

Los dos modelos también fallan de formas distintas. Cada intento dispone de un máximo de 100 pasos; un paso es un turno del modelo. De los 39 intentos fallidos de Kimi K3, 27 terminaron sin respuesta antes del límite de pasos, 4 alcanzaron ese límite y 8 dieron una respuesta incorrecta. De los 28 intentos fallidos de Kimi K3.1 Pro, 24 dieron una respuesta incorrecta y 4 alcanzaron el límite. Dieciocho de esas 24 respuestas incorrectas correspondieron a tareas en las que Kimi K3 no entregó ninguna respuesta final. Cambiaríamos al nuevo modelo y seguiríamos comprobando las respuestas que Kimi K3.1 Pro ahora entrega en tareas en las que la ejecución de Kimi K3 terminaba sin respuesta final.
En qué sigue fallando Kimi K3.1 Pro
Kimi K3.1 Pro termina las tablas largas, pero no siempre acierta todas las celdas, por lo que trataríamos sus tablas como borradores que hay que revisar. Superó 7 de 26 intentos en tareas que recogen los mismos campos de 8 sitios o más. Diecisiete de sus 24 respuestas incorrectas procedieron de esas tareas: en todos los casos, tablas terminadas con al menos un valor o una línea de resumen incorrectos.
En la tarea de bancos centrales, por ejemplo, el error está en el resumen. La tarea pregunta a doce bancos centrales por su primera decisión sobre tipos de interés de 2026 y por el banco que la anunció en último lugar. Kimi K3.1 Pro abrió la publicación del Banco Nacional Suizo del 19 de marzo de 2026 e incluyó esa fecha en su propia tabla. Aun así, su resumen señaló al Banco de la Reserva de la India, con fecha del 6 de febrero, como el último en anunciarla.
| Qué pide la tarea | Respuesta correcta | Respuesta de Kimi K3.1 Pro |
|---|---|---|
| Último banco en anunciar su primera decisión de 2026 | Banco Nacional Suizo, 2026-03-19 | Banco de la Reserva de la India, 2026-02-06 |
Kimi K3 identificó correctamente al Banco Nacional Suizo en esa misma tarea, aunque no dio correctamente otros valores y tampoco superó la tarea.

Antes de utilizar una tabla de Kimi K3.1 Pro, contrasta sus líneas de resumen con sus propias filas y comprueba una muestra de celdas en las fuentes. Kimi K3 superó 2 de 26 de estas tareas.
Velocidad
Kimi K3.1 Pro es más rápido en el mismo trabajo y lo consigue escribiendo menos y haciendo menos llamadas a herramientas. En las 26 tareas que ambos modelos superaron, tardó de media 400.6 segundos por tarea frente a 586.1, y fue más rápido en 21 de las 26. Kimi K3 fue más rápido en las otras 5.
| En las 26 tareas que ambos modelos superaron | Kimi K3.1 Pro | Kimi K3 |
|---|---|---|
| Tiempo por tarea | 400.6 s | 586.1 s |
| Llamadas a herramientas por tarea | 25.8 | 33.5 |
| Tokens de salida por tarea, incluido el razonamiento | 6 997 | 10 727 |
Promedios por tarea de las ejecuciones del 3 de noviembre de 2026.
En un agente al que alguien tiene que esperar, consideraríamos la reducción de esa espera una mejora real.
Coste
Kimi K3.1 Pro cuesta menos por tarea y el ahorro procede de sus tarifas de catálogo más bajas. En las 66 tareas costó $0.772 por tarea frente a $0.871 con Kimi K3. Incluyendo también los intentos fallidos, el coste por intento superado fue de $1.340 frente a $2.130. En las 26 tareas que ambos modelos superaron, costó $0.374 por tarea frente a $0.578 y fue más barato en 24 de ellas.
La lista de precios de Moonshot fija para Kimi K3.1 Pro un precio de $2.00 por millón de tokens de entrada, $0.20 para la entrada en caché, $2.00 para las escrituras en caché y $10.00 para la salida. Para Kimi K3 indica $3.00, $0.30, $3.00 y $15.00. Así, el precio del nuevo modelo es dos tercios del de Kimi K3 para cada tipo de token.
| Coste por tarea | Kimi K3.1 Pro | Kimi K3 |
|---|---|---|
| Las 66 tareas | $0.772 | $0.871 |
| Las 66 tareas, con los tokens de Kimi K3.1 Pro a los precios de Kimi K3 | $1.158 | $0.871 |
| 26 tareas que ambos modelos superaron | $0.374 | $0.578 |
| 26 tareas que ambos modelos superaron, con los tokens de Kimi K3.1 Pro a los precios de Kimi K3 | $0.561 | $0.578 |
| Por intento superado, en las 66 tareas | $1.340 | $2.130 |
Coste calculado con las tarifas de catálogo de Moonshot a partir del consumo de tokens de cada intento en las ejecuciones del 3 de noviembre de 2026.
Para el mismo trabajo, los tokens de ambos modelos cuestan casi lo mismo a igualdad de precios: a las tarifas de Kimi K3, los tokens de Kimi K3.1 Pro en las 26 tareas compartidas suman $0.561 frente a $0.578. En las 66 tareas suman $1.158 frente a $0.871, porque Kimi K3.1 Pro siguió trabajando en ejecuciones en las que Kimi K3 se detuvo. Calcularíamos el presupuesto a partir del coste por tarea, en lugar del precio del token: un modelo que termina más ejecuciones también consume tokens para terminarlas.
Investigación exploratoria
En investigación exploratoria, cambiar a Kimi K3.1 Pro aporta mejoras de velocidad y coste, pero no más tareas superadas. Estas 12 tareas dan un objetivo y algunas fuentes iniciales, y dejan el camino en manos del agente. Ambos modelos superaron 6 de 12; Kimi K3.1 Pro ganó una tarea y perdió otra. En las 5 que ambos superaron, tardó 354.9 segundos y tuvo un coste de $0.399 por tarea frente a 795.0 segundos y $0.901, y fue más rápido en las 5.
La tarea que perdió muestra qué conviene vigilar. La tarea de Azure pregunta cuáles de siete modelos candidatos pueden ejecutarse en la región Germany West Central de Azure cumpliendo seis requisitos y por qué no cumple cada uno de los demás. Ambos modelos eligieron GPT-6 Luna. Kimi K3 también abrió la página de Azure sobre modelos de asociados y citó el motivo por el que Claude Sonnet 5.5 no cumplía: su implementación Data Zone Standard solo estaba disponible en Estados Unidos.

Kimi K3.1 Pro descartó Claude a partir de la tabla de modelos que Azure vende directamente y nunca abrió esa página. Escribió «not shown» como motivo, tras 15 comandos de navegador frente a los 22 de Kimi K3. Con cualquiera de los dos modelos, comprobaríamos el motivo dado para cada opción que el agente descarta.
Qué modelo utilizar
Para la configuración probada de pi 1.5.0, ZenMux y ego-browser, elegiríamos Kimi K3.1 Pro. Superó 38 de 66 intentos frente a los 27 de Kimi K3 y fue más rápido y más barato en las 26 tareas que ambos superaron. Kimi K3 no superó más intentos en ningún tipo de trabajo probado.
Para las aplicaciones web probadas y las comprobaciones cruzadas en entre uno y tres sitios, elegiríamos Kimi K3.1 Pro: superó las 15 tareas del primer grupo y las 8 del segundo. Cuatro de los 5 fallos de Kimi K3 en esos grupos fueron ejecuciones que terminaron sin respuesta. Para tareas similares de múltiples sitios en esta configuración de pi también elegiríamos Kimi K3.1 Pro, porque superó 7 de 26 frente a las 2 de Kimi K3. Revisa esas tablas antes de utilizarlas. En las cinco tareas de investigación exploratoria que ambos modelos superaron, Kimi K3.1 Pro registró menor tiempo y coste estimado; el número total de tareas superadas estuvo empatado.
Nuestra configuración utilizó Kimi K3.1 Pro como moonshotai/kimi-k3.1-pro a través de ZenMux, con un nivel alto de esfuerzo de razonamiento, en el agente pi con su herramienta bash y el archivo de habilidad de ego-browser. ego-browser se proporciona junto con ego(lite), que el agente maneja como navegador.
El papel de ego(lite) en esta comparación
ego(lite) proporcionó el navegador controlado por ego-browser; pi proporcionó el bucle del agente y ZenMux, el acceso a los dos modelos. La guía de integración de ego-browser describe cómo se conecta ese navegador a un agente.
La regla de parada de pi forma parte de esta elección de modelo: una respuesta sin llamada a herramientas termina el intento. Tenla en cuenta al aplicar la comparación de tareas completadas a trabajos similares. Los promedios de tiempo y coste del modelo abarcan las veintiséis tareas que ambos modelos superaron, no todas las tareas ni el comportamiento de parada de otro agente.
Preguntas frecuentes
¿Es Kimi K3.1 Pro mejor que Kimi K3 para agentes de navegador?
Sí, en nuestra prueba de 66 tareas en ego-browser. Kimi K3.1 Pro superó 38 de sus 66 intentos (57.6%) y Kimi K3 superó 27 (40.9%). Superó 12 tareas en las que Kimi K3 falló y falló en 1 que Kimi K3 superó.
¿Es Kimi K3.1 Pro más barato que Kimi K3?
Sí, por tarea. En nuestras 66 tareas de navegador, Kimi K3.1 Pro costó $0.772 por tarea y Kimi K3, $0.871. Por intento superado, la diferencia es mayor: $1.340 frente a $2.130.
¿Es Kimi K3.1 Pro más rápido que Kimi K3?
Sí, en el trabajo que ambos modelos completaron. En las 26 tareas de navegador que ambos superaron, Kimi K3.1 Pro necesitó 400.6 segundos por tarea y Kimi K3, 586.1. Hizo 25.8 llamadas a herramientas por tarea frente a 33.5 y generó 6 997 tokens de salida frente a 10 727.
¿Cuánto cuesta Kimi K3.1 Pro por millón de tokens?
Moonshot fija para Kimi K3.1 Pro un precio de $2.00 por millón de tokens de entrada, $0.20 para la entrada en caché, $2.00 para las escrituras en caché y $10.00 para la salida. Para Kimi K3 indica $3.00, $0.30, $3.00 y $15.00, por lo que el precio del nuevo modelo es dos tercios del de Kimi K3 para cada tipo de token.
¿Por qué Kimi K3 se detiene a mitad de una tarea de navegador?
Kimi K3 terminó 26 de sus 66 intentos con una respuesta que anunciaba su siguiente paso sin hacer ninguna llamada a herramientas, lo que finaliza la ejecución en el agente pi. Sus últimas palabras eran notas como «SUSE done. Now Amazon Linux.» Dieciséis de esos 26 intentos correspondían a tareas que recogen los mismos campos de 8 sitios o más; a Kimi K3.1 Pro le ocurrió 0 veces.
¿En qué tareas de navegador mejoró más Kimi K3.1 Pro?
Kimi K3.1 Pro ganó más tareas, 5, en las que recogen los mismos campos de 8 sitios o más, sin perder ninguna de ese grupo. También ganó 3 comprobaciones cruzadas en entre uno y tres sitios, 2 tareas dentro de una aplicación web, 1 de investigación exploratoria y 1 de publicaciones en X.
¿Empeoró Kimi K3.1 Pro en alguna tarea de navegador?
En 1 de 66 tareas. Falló por descartar un candidato sin abrir la página que explica el motivo, en una tarea de selección de modelos de Azure que Kimi K3 superó. Superó 12 tareas en las que Kimi K3 falló.
¿En qué sigue fallando Kimi K3.1 Pro en el navegador?
Sobre todo en valores de tablas largas: 17 de sus 24 respuestas incorrectas procedieron de tareas que recogen los mismos campos de 8 sitios o más. En una tarea, su resumen señaló al banco equivocado aunque su propia tabla contenía la fecha correcta. También alcanzó el límite de 100 pasos en 4 intentos, los mismos que Kimi K3.
¿Cómo se desenvuelve Kimi K3.1 Pro en la automatización de aplicaciones web?
Kimi K3.1 Pro superó nuestras 15 tareas dentro de una aplicación web y Kimi K3 superó 13. Las tareas se ejecutan en nuestras aplicaciones de prueba de operaciones, gastos de viaje y consola en la nube, con datos nuevos para cada intento. En las 13 que ambos superaron, tardó 327.0 segundos y tuvo un coste de $0.240 por tarea frente a 454.7 segundos y $0.383.
¿Debería cambiar mi agente de navegador de Kimi K3 a Kimi K3.1 Pro?
En la configuración probada de pi y ZenMux, sí. Kimi K3.1 Pro superó 38 de 66 intentos frente a 27, con un menor tiempo medio y un menor coste medio estimado en las 26 tareas que ambos superaron. Mantén una etapa de revisión en las tablas recopiladas de 8 sitios o más: 17 de sus 24 respuestas incorrectas procedieron de esas tareas.
Cómo realizamos las pruebas
Ejecutamos ambos modelos el 3 de noviembre de 2026 en un mismo Mac con chip de Apple y macOS 26.5. Ambos utilizaron el mismo agente, pi 1.5.0, con ego-browser como herramienta de navegador, el mismo archivo de habilidad de ego-browser y las mismas versiones de ego(lite) y ego-browser. Los modelos eran Kimi K3.1 Pro (moonshotai/kimi-k3.1-pro) y Kimi K3 (moonshotai/kimi-k3), ambos con un nivel alto de esfuerzo de razonamiento y accesibles mediante el mismo proveedor de API, ZenMux.
El modelo maneja ego-browser escribiendo programas breves en JavaScript que cargan páginas, hacen clic, rellenan formularios e imprimen el texto de la página o una instantánea de accesibilidad. Cada intento tenía un máximo de 100 pasos y 60 minutos. Un paso es un turno del modelo: una solicitud al modelo y su respuesta. La tarea indica al modelo que termine con un mensaje que empiece por FINAL ANSWER.
Contamos 66 tareas y cada una pertenece a un único tipo de trabajo. La categoría «Los mismos campos de 8 sitios o más» (26 tareas) consiste en recopilar un conjunto de campos de 8 sitios o más, como las publicaciones del PIB de nueve organismos estadísticos. Las tareas de «Dentro de una aplicación web» (15) se ejecutan en aplicaciones de prueba de operaciones, gastos de viaje y consola en la nube; por ejemplo, corregir las reglas de alerta de un transportista. «Investigación exploratoria» (12) ofrece un objetivo y algunas fuentes; por ejemplo, elegir un modelo disponible en una región de Azure. Las «Comprobaciones cruzadas en entre uno y tres sitios» (8) comparan cifras de unos pocos sitios; por ejemplo, registros de ensayos clínicos con documentos de información de medicamentos. Las tareas de «Publicaciones en X» (5) contrastan publicaciones en X con otros registros; por ejemplo, publicaciones sobre lanzamientos de SpaceX con listas de lanzamientos de Wikipedia, y se contabilizan únicamente como publicaciones en X.
Cada tarea tiene una lista de elementos evaluados: 443 en las 66 tareas. Un elemento por tarea comprueba que la respuesta final incluya todos los valores solicitados. Los otros 377 comprueban los valores solicitados: 309 fijados de antemano a partir de sitios oficiales, 49 procedentes de los datos que las aplicaciones de prueba generan para cada intento y 19 verificados en la página en vivo. Un intento solo se supera si su respuesta final cumple todos los elementos, y ambos modelos se evaluaron con los mismos elementos.
Una tarea es una de las 66 que se contabilizan; un intento es la ejecución de una tarea una vez por un modelo, por lo que cada modelo tiene 66 intentos. La tasa de éxito es el número de intentos superados de un total de 66. Los resultados completos incluyen seis tareas adicionales como «No contabilizada». En cada una, el intento original de un modelo se sustituyó por una repetición específica o no había un primer intento archivado válido. Excluimos las mismas seis tareas para ambos modelos. Una llamada a herramientas es un comando ejecutado por el modelo: principalmente scripts de ego-browser y, en otros casos, comandos de shell o archivos, como buscar en texto de páginas guardado. Un comando de navegador es un script de ego-browser; los pies de las capturas cuentan comandos de navegador.
El tiempo por tarea es el tiempo transcurrido del inicio al final de un intento. Incluye la espera de la API del modelo, incluido el razonamiento, y la ejecución de sus llamadas a herramientas. La velocidad se compara en las 26 tareas que ambos modelos superaron, ya que no se puede comparar el tiempo dedicado a una tarea fallida. Las estimaciones de coste aplican las tarifas indicadas de Moonshot a los tokens registrados de entrada, entrada en caché, escritura en caché y salida de cada intento; no son totales de suscripciones ni de facturas de ZenMux. El coste por intento superado es el coste de los 66 intentos dividido por el número de intentos superados.
Un intento alcanzó el límite de pasos cuando consumió los 100 pasos sin respuesta final. Terminó con una nota de progreso cuando la última respuesta del modelo contenía texto, pero ninguna llamada a herramientas ni FINAL ANSWER, antes de alcanzar el límite de pasos. Una respuesta incorrecta es una respuesta final que no superó la evaluación.
Resultados completos
Cada celda muestra el resultado del modelo en la tarea, el tiempo del intento en segundos y su coste. Los resultados son Superado, Respuesta incorrecta, Sin respuesta (la ejecución terminó sin respuesta final antes del límite de pasos) o Límite de pasos alcanzado. El tiempo incluye la espera de la API del modelo. Las seis tareas «No contabilizada» carecen de registros comparables de primeros intentos tras repeticiones específicas de sustitución; las seis se excluyen para ambos modelos.
| Tarea | Tipo de trabajo | Kimi K3.1 Pro | Kimi K3 |
|---|---|---|---|
| Balance climático de 2025 de once servicios meteorológicos | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 633.7 s · $1.235 | Límite de pasos alcanzado · 2010.1 s · $3.368 |
| Tráfico de 2025 en ocho aeropuertos de conexión | Los mismos campos de 8 sitios o más | No contabilizada | No contabilizada |
| Cifras de la temporada 2025-26 de nueve ligas de fútbol | Los mismos campos de 8 sitios o más | No contabilizada | No contabilizada |
| Principales premios de 2026 en nueve festivales de cine | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 1399.6 s · $2.591 | Sin respuesta · 1306.1 s · $1.418 |
| Hoja de aprobación de nueve modelos de pesos abiertos en Hugging Face | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 598.6 s · $0.716 | Sin respuesta · 1217.4 s · $1.284 |
| Matriz de cumplimiento a partir de nueve centros de confianza SaaS | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 590.3 s · $0.637 | Sin respuesta · 1138.5 s · $0.844 |
| Calificaciones de pruebas de choque de un SUV en nueve programas | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 1242.3 s · $1.312 | Límite de pasos alcanzado · 1576.6 s · $1.765 |
| Ediciones vigentes de nueve normas técnicas | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 592.9 s · $0.658 | Sin respuesta · 320.4 s · $0.250 |
| La primera decisión sobre tipos de interés de 2026 de doce bancos centrales | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 617.0 s · $1.023 | Respuesta incorrecta · 1256.3 s · $1.986 |
| Primeras y últimas cifras del PIB del segundo trimestre de 2026 de nueve organismos | Los mismos campos de 8 sitios o más | Superado · 1001.2 s · $1.181 | Respuesta incorrecta · 1294.2 s · $1.363 |
| Planes gratuitos de CI para repositorios privados en nueve servicios | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 1033.5 s · $1.187 | Sin respuesta · 963.4 s · $1.068 |
| Planes gratuitos de nueve plataformas sin servidor | Los mismos campos de 8 sitios o más | Superado · 924.5 s · $1.283 | Sin respuesta · 248.4 s · $0.173 |
| Cómo presentan un mismo álbum nueve servicios de música | Los mismos campos de 8 sitios o más | No contabilizada | No contabilizada |
| Últimos resultados electorales de nueve autoridades electorales | Los mismos campos de 8 sitios o más | Límite de pasos alcanzado · 1256.5 s · $2.222 | Límite de pasos alcanzado · 1789.7 s · $2.389 |
| Rama de versiones más reciente de nueve entornos de ejecución de lenguajes | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 810.3 s · $1.106 | Respuesta incorrecta · 1024.2 s · $1.171 |
| Última versión estable de nueve frameworks de JavaScript | Los mismos campos de 8 sitios o más | Superado · 515.4 s · $0.523 | Superado · 957.6 s · $0.722 |
| Última versión estable de nueve navegadores de escritorio | Los mismos campos de 8 sitios o más | Superado · 471.8 s · $0.913 | Sin respuesta · 903.0 s · $0.765 |
| Mediciones del terremoto de Kamchatka de 2025 según nueve organismos | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 789.4 s · $1.128 | Sin respuesta · 971.8 s · $1.335 |
| Especificaciones oficiales para Reino Unido de nueve teléfonos insignia | Los mismos campos de 8 sitios o más | Superado · 564.8 s · $0.865 | Sin respuesta · 1331.7 s · $1.161 |
| Especificaciones oficiales de ocho cámaras | Los mismos campos de 8 sitios o más | Superado · 953.2 s · $1.521 | Superado · 1479.8 s · $1.730 |
| Datos de la edición de un libro en diez sitios de editoriales y bibliotecas | Los mismos campos de 8 sitios o más | No contabilizada | No contabilizada |
| Clasificaciones por edad de un juego en ocho organismos de clasificación | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 1385.2 s · $1.905 | Sin respuesta · 1355.8 s · $1.592 |
| Estado de la corrección de un CVE de sudo en nueve avisos de proveedores | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 539.4 s · $0.521 | Sin respuesta · 158.9 s · $0.133 |
| Los sencillos número uno de una misma semana en nueve listas nacionales | Los mismos campos de 8 sitios o más | No contabilizada | No contabilizada |
| Las ponencias inaugurales de nueve conferencias de desarrolladores | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 1198.7 s · $1.457 | Sin respuesta · 1450.3 s · $1.485 |
| Versiones de Protocol Buffers en nueve registros de paquetes | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 472.9 s · $0.732 | Sin respuesta · 582.4 s · $0.296 |
| Resultados de ocho encuestas de 2025 a desarrolladores | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 599.1 s · $1.255 | Respuesta incorrecta · 1587.4 s · $1.785 |
| Salario mínimo legal en nueve lugares | Los mismos campos de 8 sitios o más | No contabilizada | No contabilizada |
| Fechas de fin de soporte de nueve productos para servidores | Los mismos campos de 8 sitios o más | Superado · 690.2 s · $0.781 | Sin respuesta · 370.0 s · $0.292 |
| Registros de diez museos sobre La gran ola de Hokusai | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 824.7 s · $1.025 | Sin respuesta · 1644.2 s · $1.124 |
| Autorizaciones de tirzepatida para el control del peso en ocho organismos reguladores | Los mismos campos de 8 sitios o más | Límite de pasos alcanzado · 1475.9 s · $2.742 | Sin respuesta · 1171.2 s · $1.414 |
| Cifras de autonomía y carga en Estados Unidos de nueve SUV eléctricos | Los mismos campos de 8 sitios o más | Respuesta incorrecta · 1027.4 s · $1.707 | Límite de pasos alcanzado · 1711.3 s · $1.685 |
| Aplicar un depósito de un servicio de cobros (lockbox) a facturas pendientes | Dentro de una aplicación web | Superado · 286.4 s · $0.208 | Superado · 404.7 s · $0.402 |
| Auditar y revertir cambios realizados durante una congelación de cambios | Dentro de una aplicación web | Superado · 160.4 s · $0.140 | Superado · 545.1 s · $0.394 |
| Reservar el viaje de un compañero en una aplicación de viajes | Dentro de una aplicación web | Superado · 438.2 s · $0.409 | Superado · 433.4 s · $0.474 |
| Ajustar los monitores de nivel 1 a una norma escrita | Dentro de una aplicación web | Superado · 248.5 s · $0.253 | Sin respuesta · 105.0 s · $0.094 |
| Solicitar el reembolso del kilometraje de una semana de visitas a clientes | Dentro de una aplicación web | Superado · 458.1 s · $0.333 | Superado · 521.6 s · $0.418 |
| Cerrar las cuentas por cobrar de febrero y abrir disputas en una aplicación de operaciones | Dentro de una aplicación web | Superado · 469.9 s · $0.403 | Superado · 774.2 s · $0.698 |
| Presentar una solicitud de dietas de un viaje a dos ciudades | Dentro de una aplicación web | Superado · 256.7 s · $0.127 | Superado · 282.5 s · $0.225 |
| Registrar en una consola en la nube la cronología de un incidente para su análisis posterior | Dentro de una aplicación web | Superado · 216.3 s · $0.195 | Superado · 264.8 s · $0.306 |
| Presentar reclamaciones por daños en las entregas de dos clientes | Dentro de una aplicación web | Superado · 445.9 s · $0.319 | Superado · 1058.7 s · $0.726 |
| Corregir el calendario de guardias de la próxima semana | Dentro de una aplicación web | Superado · 169.0 s · $0.125 | Superado · 193.3 s · $0.147 |
| Conciliar transacciones de tarjeta con un borrador de informe de gastos | Dentro de una aplicación web | Superado · 457.1 s · $0.383 | Superado · 535.9 s · $0.394 |
| Realizar pedidos de reposición de un almacén | Dentro de una aplicación web | Superado · 337.3 s · $0.182 | Superado · 205.3 s · $0.240 |
| Revisar el informe de gastos de un empleado | Dentro de una aplicación web | Superado · 387.7 s · $0.189 | Superado · 450.6 s · $0.364 |
| Configurar bloqueos de despliegue a partir del consumo del presupuesto de errores | Dentro de una aplicación web | Superado · 167.8 s · $0.106 | Superado · 240.6 s · $0.193 |
| Conciliar las cifras de puntualidad de un transportista y corregir las reglas de alerta | Dentro de una aplicación web | Superado · 382.5 s · $0.261 | Sin respuesta · 934.2 s · $0.971 |
| Configuraciones de razonamiento de bajo coste en las clasificaciones de ARC Prize | Investigación exploratoria | Superado · 372.4 s · $0.296 | Superado · 716.2 s · $0.723 |
| Contar los modelos que superan los valores de referencia de cómputo de la UE en los datos de Epoch AI | Investigación exploratoria | Superado · 165.8 s · $0.143 | Superado · 252.0 s · $0.186 |
| Información divulgada sobre ocho modelos de frontera en relación con la Ley de IA de la UE | Investigación exploratoria | Límite de pasos alcanzado · 1388.1 s · $3.008 | Sin respuesta · 1748.6 s · $2.621 |
| Todos los modelos lanzados en septiembre de 2026, a partir de seis registros de cambios de API | Investigación exploratoria | Superado · 273.4 s · $0.374 | Superado · 595.0 s · $0.721 |
| Verificar diez afirmaciones sobre lanzamientos de modelos en septiembre de 2026 | Investigación exploratoria | Respuesta incorrecta · 228.8 s · $0.299 | Respuesta incorrecta · 507.6 s · $0.574 |
| Elegir una API principal y otra de respaldo entre cinco modelos chinos | Investigación exploratoria | Superado · 412.3 s · $0.471 | Superado · 769.1 s · $0.696 |
| Elegir un modelo disponible en una región alemana de Azure | Investigación exploratoria | Respuesta incorrecta · 297.1 s · $0.280 | Superado · 787.2 s · $0.871 |
| Elegir el endpoint de proveedor de GLM 5.3 más rápido en OpenRouter | Investigación exploratoria | Superado · 774.9 s · $0.717 | Respuesta incorrecta · 960.2 s · $0.694 |
| Calcular el precio de una carga de trabajo de API en seis modelos | Investigación exploratoria | Superado · 550.4 s · $0.711 | Superado · 1642.9 s · $2.177 |
| Precios de API de seis proveedores según los registros de Wayback Machine | Investigación exploratoria | Respuesta incorrecta · 1214.3 s · $0.552 | Sin respuesta · 350.4 s · $0.181 |
| Rastrear las fuentes de una tabla de LLM de Wikipedia | Investigación exploratoria | Respuesta incorrecta · 458.7 s · $0.350 | Sin respuesta · 383.3 s · $0.301 |
| Qué mostraba una versión de LiveBench | Investigación exploratoria | Respuesta incorrecta · 296.8 s · $0.267 | Respuesta incorrecta · 330.8 s · $0.329 |
| Crear una tabla de inflación con datos de FRED y contrastarla con BLS | Comprobaciones cruzadas en entre uno y tres sitios | Superado · 274.1 s · $0.224 | Superado · 308.6 s · $0.312 |
| Contrastar las cifras de una clase sobre GPT con el vídeo, el código y el artículo científico | Comprobaciones cruzadas en entre uno y tres sitios | Superado · 619.4 s · $0.387 | Superado · 237.2 s · $0.277 |
| Comparar tres configuraciones de MacBook en la tienda de Apple de Estados Unidos | Comprobaciones cruzadas en entre uno y tres sitios | Superado · 786.1 s · $1.226 | Superado · 654.4 s · $1.110 |
| Contrastar ensayos de fase 3 de ClinicalTrials.gov con documentos de información de medicamentos de DailyMed | Comprobaciones cruzadas en entre uno y tres sitios | Superado · 294.2 s · $0.401 | Sin respuesta · 591.2 s · $0.872 |
| Lista de viabilidad de seis funciones web a partir de MDN y Can I use | Comprobaciones cruzadas en entre uno y tres sitios | Superado · 269.9 s · $0.262 | Superado · 751.4 s · $0.796 |
| Calcular el precio de los vuelos a Denver para un encuentro del equipo fuera de la oficina | Comprobaciones cruzadas en entre uno y tres sitios | Superado · 526.6 s · $0.962 | Sin respuesta · 963.3 s · $1.037 |
| Conciliar la recaudación de seis películas de Wes Anderson entre una base de datos de taquilla y Wikipedia | Comprobaciones cruzadas en entre uno y tres sitios | Superado · 221.1 s · $0.250 | Superado · 324.7 s · $0.303 |
| Estado registral de cuatro empresas británicas en Companies House en un momento dado | Comprobaciones cruzadas en entre uno y tres sitios | Superado · 320.3 s · $0.223 | Respuesta incorrecta · 1005.0 s · $0.591 |
| Anuncios de ocho marcas sobre productos, publicados en 2026 en X y en sus salas de prensa | Publicaciones de X | Respuesta incorrecta · 667.1 s · $0.536 | Sin respuesta · 847.0 s · $0.417 |
| Fichajes de verano de ocho clubes de fútbol en X y sus sitios web | Publicaciones de X | Límite de pasos alcanzado · 1815.4 s · $1.805 | Sin respuesta · 2343.4 s · $1.008 |
| Publicaciones de seguridad de ocho proyectos de código abierto en X y en sus sitios | Publicaciones de X | Superado · 625.6 s · $0.627 | Sin respuesta · 2248.5 s · $1.524 |
| Cuánto tardaron ocho universidades en publicar en X sus noticias de los Nobel de 2025 | Publicaciones de X | Respuesta incorrecta · 1314.1 s · $0.487 | Sin respuesta · 528.9 s · $0.237 |
| Contrastar las publicaciones sobre lanzamientos de SpaceX en X con las listas de lanzamientos de Wikipedia | Publicaciones de X | Superado · 751.6 s · $0.220 | Superado · 638.9 s · $0.300 |
Los precios de los modelos son las tarifas de catálogo publicadas por Moonshot. Todas las demás cifras proceden de nuestras propias ejecuciones.
