Ocho veces más barato y dos puntos por detrás: así se eligen modelos de IA
GLM-5.3-Flash saca 42 puntos a 0,25 dólares por tarea y Kimi K3 saca 44 a 2 dólares. La diferencia real entre ambos está en lo que nunca aparece en la factura de la API.
Artificial Analysis mide los modelos con un único índice y publica la nota junto al coste por tarea. En la comparativa de Kimi K3 y GLM-5.3-Flash, el segundo saca 42 puntos a 0,25 dólares por tarea y el primero saca 44 a 2 dólares. Dos puntos de distancia, ocho veces el precio. Sobre el papel la decisión está tomada; en la práctica casi nadie la toma así.
Un índice agregado no es tu carga de trabajo
El compuesto mezcla conjuntos de pruebas distintos, así que si el trabajo consiste en leer documentos largos, la nota que importa es la de ese benchmark concreto y no la media. Con los mismos datos: Kimi K3 saca 47 en Humanity's Last Exam y 23 en CritPt, por delante de su rival. Pero en Terminal-Bench, que mide trabajo de terminal, GLM-5.3-Flash se va al 33% y Kimi K3 se queda en el 13%. Mismo par de modelos, conclusión invertida según la tarea.
La segunda razón es que el fallo no se mide en tokens. Cuando hay que repetir una tarea, el coste no es la llamada a la API: es el tiempo humano de revisar y corregir. Si el entregable es para un cliente, pagar tres veces más por un modelo que falla menos sigue siendo buen negocio.
El precio publicado no es el que pagas
Aquí es donde se rompen los presupuestos. GLM-5.3-Flash aparece en OpenRouter a 0,075 dólares por millón de tokens de entrada y 0,25 de salida, pero es tarifa promocional. La estándar es 0,15 y 0,50. Presupuestar con la promo es presupuestar hasta que caduque.
El segundo desvío está en la caché. En DeepSeek V4.1 Flash la entrada cacheada cuesta 0,006 dólares por millón frente a 0,30 sin cachear, cincuenta veces menos. Un sistema que reenvía el mismo documento en cada petición paga bastante menos de lo que sugiere la tarifa; uno que manda contexto nuevo cada vez, bastante más.
El tercero es el razonamiento que no se puede apagar. Kimi K3 y GLM-5.3 lo llevan siempre activo, ajustable solo entre bajo, medio y máximo, y cada petición genera tokens de razonamiento que se facturan. En las mediciones, Kimi K3 consume 48.000 tokens de salida por tarea, de los cuales 32.000 son razonamiento: dos tercios del gasto corresponden a algo que el usuario nunca ve.
La velocidad también se paga. Kimi K3 tarda 1.093 segundos por tarea, unos 18 minutos, frente a los 572 segundos de GLM-5.3-Flash. Con cien tareas en paralelo esa diferencia decide si hay que alquilar más máquinas, y ese coste no aparece en ninguna factura de API. El dato de rendimiento es más claro: 38 tokens por segundo contra 95.
Queda un aviso que se lleva por delante cualquier comparación. El mismo modelo cambia de nota según la versión del índice: GLM-5.3-Flash puntuaba 57 en la v4.1.1, la cifra que cita Z.ai en su anuncio de lanzamiento, y saca 42 en la v4.3 del 7 de septiembre de 2026. GLM-5.3 pasó de 60 a 45. No es que el modelo empeore, es que los conjuntos de pruebas son más duros. Antes de discutir cifras con alguien, conviene mirar qué versión está citando.
La conclusión práctica no es elegir un modelo, sino repartir el trabajo según cuánto fallo toleras: lo repetible y sin nadie esperando, al barato; lo que reutiliza contexto, mirando antes la tarifa de caché; lo que se entrega a un cliente, contra el benchmark específico y no contra la media. Y ojo con el conocimiento general, donde la gama Flash es floja de verdad: 7 puntos frente a 20 de Kimi K3.
