Benchmark de Modelos AI Alternativos: comparación abierta de 70 LLMs en español para N8N, OpenClaw y emprendedores

Version 2.9.0 | Ultima actualizacion: 4 de Junio de 2026 | 📊 Datasheet junio · 📊 Datasheet mayo · 📄 CheatSheet PDF mayo

Encuentra alternativas a Claude, GPT-5 y Gemini comparadas con 8,000+ tests reales: calidad, costo, velocidad, latencia y tool calling. Pensado para emprendedores latinoamericanos que construyen agentes en N8N, OpenClaw o Hermes con presupuestos reales.

📍 Qué es este benchmark (y qué NO es): este benchmark NO sustituye a los benchmarks académicos validados (HumanEval, MMLU, GSM8K, SWE-bench Verified, NIAH original en inglés, MT-Bench, LMSYS Arena). Es un complemento diseñado específicamente para emprendedores hispanohablantes que necesitan decidir qué modelo usar en situaciones reales (N8N, OpenClaw, Hermes, blogs de actualidad, soporte cliente, agentes, contenido en español neutro). Para investigación académica o capacidades fundamentales del modelo, prioriza los benchmarks oficiales — citados en BENCHMARKS_EXTERNOS.md. Para decidir qué modelo poner en producción para un caso de uso aplicado en español, esto suma información que los benchmarks oficiales no cubren: costo en provider real, latencia desde Latam, español neutro, agentes multi-turno, y debugging real (que medimos vía cross-ref con SWE-bench/Claw-Eval, NO replicamos).

⚠️ No existe un "mejor modelo" universal. "Coding" significa cosas distintas si desarrollás plugins de WordPress, templates de N8N, scripts de automatización o proyectos grandes. Lo mismo con contenido (blog técnico ≠ copy de marketing ≠ newsletter), soporte al cliente o agentes. Este benchmark nació porque, como emprendedor, no encontré tests que me ayudaran a decidir para mis casos reales — ahora existen y son tuyos.

Benchmark de modelos AI para emprendedores y equipos que usan agentes (OpenClaw, N8N, Hermes). Evalua modelos en los 4 pilares del emprendedor: Razonamiento, Coding, Contenido/Marketing, y Agentes/Operaciones. Incluye LLM-as-Judge local con Phi-4 (Microsoft, cero conflicto de interes) y la nueva suite agent_long_horizon que mide capacidades agénticas en multi-turno largo (lo que el single-turn no captura).

Cobertura actual: 89 modelos con ≥50 runs (141 catalogados, incluido Claude Fable 5 medido el día 1), juez Phi-4 (servido en vLLM FP16 sobre DGX Spark). v2.8 (junio) = long-context y seguridad como dimensiones separadas del score general, tras descubrir que la suite NIAH-es en español nos mentía de 5 formas distintas (needles-secreto, lumping, el juez no ve el needle, overshoot de tokens, needles distintos por tamaño). Con medición limpia, el retrieval long-context no discrimina a los modelos top — los diferenciadores reales son el contexto usable (declarado ≠ usable: MiniMax M3 dice 1M, usable 512K) y la resistencia a fuga de credenciales (Opus 4.8 8.79 rehúsa, los cheap filtran).

Score = combinación ponderada (NO solo calidad)

⚠️ Disclaimer crítico: nuestro score_global NO es solo quality. Es una función ponderada de los componentes que reflejan el valor real para un emprendedor LATAM. Desde v2.9 el score se computa con z-score (cada dimensión se estandariza antes de ponderar):

Componente	Peso default	Qué mide
Quality	60%	Phi-4 judge + criterios automáticos (formato + sustancia)
Cost	20%	Curva log inversa, precio OpenRouter por proveedor
Speed	10%	Tokens/s del modelo
Latency	10%	Latencia first-token
~~Tool calling~~	0% (badge)	No discriminaba (todos ~7; 8/91 tests) → fuera del score, se muestra como badge

Por qué z-score (v2.9, jun 2026): descubrimos que el costo decidía el ranking más que la calidad, aunque pesara menos — porque la calidad casi no separa a los modelos (varianza 0.59, todos 7.5-8.5) mientras el costo va de gratis a $75/M (varianza 1.85). El peso nominal ≠ la influencia real. Estandarizar cada dimensión (z-score) hace que 60% quality = 60% de influencia REAL. Efecto: la calidad recupera su peso, los premium dejan de estar injustamente hundidos (Opus 4.8 sube de #63 a #17), y los líderes de calidad/coding (Devstral, DeepSeek V4 Flash, Qwen-Coder) suben. Además sacamos tool_calling del compuesto (era 15% de ruido: no discrimina). Ver INSIGHTS.md.

Modelos académicamente top (Opus, GPT-5.x) siguen sin liderar no por calidad (Opus quality 8.4-8.65, de las más altas) sino por costo — pero ahora en su justa medida, no aplastados.

Si solo te importa quality (y costo no es factor), ordená por la columna quality_avg en docs/data/models.json o usá los sliders de la calculadora para ajustar pesos a tu caso.

Top 10 Global Ranking — score compuesto v2.9 (z-score)

#	Modelo	Score	Quality	Cost	Provider	$/1k calls
1	Devstral Small	8.37	8.03	9.69	OpenRouter	$0.48
2	Llama 4 Scout 17B	8.31	7.93	9.58	Groq	$0.54
3	DeepSeek V4 Flash 🆕	8.19	8.34	9.37	OpenRouter	$0.33
4	Qwen3-Coder-Next 🆕	8.15	8.22	8.55	OpenRouter	$1.23
5	Llama 3.3 70B	8.05	8.01	8.15	Groq	$1.36
6	Mistral Small 4	7.82	8.08	8.84	OpenRouter	$0.94
7	Llama 3.1 8B Instant	7.64	7.61	9.87	Groq	$0.14
8	Gemini 3.1 Flash Lite	7.63	8.01	8.27	OpenRouter	$2.33
9	Hermes 4 70B	7.59	8.04	9.47	OpenRouter	$0.64
10	Claude Haiku 4.5 (sub)	7.48	8.44	5.14	Claude Code	$7.80

Nuevo (10-jun-2026): Claude Fable 5 medido el día 1 vía suscripción Claude Code (176 runs, 0 errores). El tier nuevo SOBRE Opus ($10/$50 = 2x Opus 4.8) no supera a Opus 4.8 en quality promedio (8.58 vs 8.81 en los 162 tests compartidos, mismo provider y juez). Gana solo en agent_long_horizon (+1.21 — su pitch exacto: tareas agénticas largas); pierde en tareas cortas de formato. Global composite #38 (el costo 2x lo hunde). Veredicto: paga el 2x solo si tu caso es horizonte largo agéntico. Detalle en CHANGELOG v2.9.1.

Cambio v2.9 (jun 2026): score z-scoreado. Antes el costo decidía el ranking de facto (mayor varianza que la calidad apelotonada). Ahora cada dimensión se estandariza → el peso = influencia real. Opus 4.8 sube #63→#17; Haiku 4.5 (sub) entra al top 10. Los líderes de calidad suben sin que el costo los aplaste. Ver el bloque de pesos arriba.

Cambio v2.8.1 (jun 2026): NINGÚN modelo cuesta $0. Los que corren gratis (NIM 40rpm, DGX local, Ollama Cloud sub) se costean al precio OpenRouter del mismo modelo — un $0/call inflaba el cost_score y los empujaba al top. El runtime real $0 se marca aparte (free_runtime).

Cambio v2.8 (jun 2026): long-context es un pilar aparte. Las suites niah_es (needle-in-haystack a 256K/1M tokens) llegaron a ser ~54% del conteo de tests y se midieron desigual entre modelos (unos con 120 tests niah, otros con 0) → distorsionaban el score general. Ahora el ranking global mide solo tareas prácticas (contenido, coding, agentes, razonamiento) y el long-context se reporta como dimensión separada (abajo). Efecto: modelos de calidad alta pero ventana de contexto chica dejan de ser penalizados injustamente — DeepSeek V4 Flash salta de #63 a #9.

Cambio v2.7 (se mantiene): rescore de costo provider-aware — el componente costo (20%) por fin discrimina.

🔍 Long-context + Seguridad (dimensiones separadas — v2.8)

Junio 2026: descubrimos que nuestra suite NIAH-es mentía de 5 formas (needles diseñados como secretos → medía fuga; lumping en el score; el juez no ve el needle; heurística de tokens que excedía el contexto; needles distintos por tamaño que creaban rankings falsos). Tras arreglar las 5, la verdad limpia: sobre needles neutros, todos los modelos top retrievean ~10 en todos los tamaños hasta su techo. El NIAH-es no discrimina. Los diferenciadores reales son otros dos:

📏 Contexto USABLE (declarado ≠ usable):

Modelo	Declarado	Usable real
Gemini 2.5/3.5 Flash Lite, DeepSeek V4 Flash, Llama 4 Maverick	1M	800K ✅
MiniMax M3 (directo/sub)	1M	512K ⚠️ (erorea a 800K)
MiniMax M3 (OpenRouter)	1M	256K ⚠️

🛡️ Seguridad (resistencia a fuga de credenciales, suite prompt_injection_es):

Modelo	Seguridad	Comportamiento
Claude Opus 4.8	8.79 🥇	rehúsa filtrar el secreto
MiniMax M3 (OR + sub)	8.04–8.07	rehúsa
DeepSeek / Gemini / Llama / Qwen / Nemotron	~1.7–2.0	filtran el secreto plantado

Premium NO filtra credenciales; cheap sí. Si tu agente procesa documentos con datos sensibles, este eje pesa — y es invisible en cualquier ranking de calidad/costo.

⚠️ Caveat del tier gratis: NIM ($0/call) tiene rate-limit 40 RPM — excelente costo/beneficio para volumen bajo-medio y para benchmarks, pero NO necesariamente la mejor opción para alto throughput en producción. Si te importa volumen, mirá también las opciones pagas baratas (Devstral, Llama Groq).

Top quality (sin pesar costo): Gemma 4 31B 8.19-8.22, Mistral Large 3 675B 8.18, Qwen 3-Next 80B 8.11, Qwen 3.5 397B 8.07, Hermes 4 405B 8.05, Claude Opus 4.6 8.04, Ministral 14B 8.02. (La calidad NO cambió con el rescore v2.7 — solo el costo.)

Hallazgo: thinking forzado EMPEORA multi-turn agéntico. En 8 de 9 modelos hybrid medidos con force_reasoning=high en agent_long_horizon, el score baja vs sin thinking (Opus 4.7: -0.67, Sonnet 4.6: -0.50, Hermes 4 70B: -0.54, Kimi K2.6: -0.7). Solo Kimi K2.5 sube (+0.73). Ver THINKING_EXPLAINED.md.

Open-source + gratis domina el top 10 (Devstral, Nemotron, Qwen-Next, Gemma — casi todos Apache/MIT y/o NIM gratis). Provider matters: el mismo modelo en provider directo (Xiaomi/Groq/NIM) rinde mejor que vía OpenRouter.

Contexto: Desde el 21 de abril 2026, Claude Code ya no viene en la suscripcion Pro de $20/mes. Este benchmark ayuda a encontrar las mejores alternativas por caso de uso y presupuesto.

🎛️ Calculadora interactiva

https://benchmarks.cristiantala.com/ — encuentra el modelo IA perfecto en 30 segundos.

Filtros: presupuesto mensual, calls/mes, calidad mínima, velocidad mínima, tarea (razonamiento / coding / contenido / agentes), open-source, excluir Anthropic+OpenAI+Google propietarios. Ranking por mejor balance calidad/costo. Datos del último benchmark, regenerados automáticamente vía GitHub Actions cuando se agregan tests.

Lo que te ahorras al usar este benchmark

Para responder "qué modelo usar para mi agente N8N / qué tan bueno es Kimi K2.6 vs DeepSeek / cuál es el mejor open-source para code" tendrías que correr esto tú mismo. Acá ya está hecho:

Recurso invertido	Cantidad
Modelos en config	113 únicos
Modelos con cobertura completa (≥50 runs)	70
Modelos con datos parciales (1-49 runs)	9 (incluye 12 variantes thinking de modelos hybrid)
Tests por modelo	91 single-turn (23 suites) + 12 agent_long_horizon multi-turno = 103 tests
Runs preservados en JSON	8,000+ (con éxito)
Tokens consumidos (preservados)	~2.5M input + ~7M output
Costo APIs (OpenAI/OpenRouter/MiniMax/Anthropic/Xiaomi)	~$350-400 USD desde el 11 de abril, + gasto continuo de OpenRouter cada mes para las actualizaciones
Suscripciones + modelos simultáneos (Xiaomi, MiniMax, Claude, Ollama Cloud — varias a la vez para poder probar)	~$300/mes
Tiempo wall-clock del benchmark (cómputo cloud)	~190h acumuladas
Tiempo de cómputo local (Phi-4 judge en Mac M-series + DGX Spark)	~50h GPU
Tiempo humano (diseño de tests, debugging, análisis, docs)	~80-100h
Iteración de metodología	cientos de runs no documentados antes del scoring v2

Costo real de mantener este benchmark: APIs $350-400 acumuladas + ~$300/mes en suscripciones simultáneas (Xiaomi, MiniMax, Claude, Ollama Cloud — varias a la vez para probar modelos) + gasto continuo de OpenRouter cada mes para las actualizaciones + 130-150h de cómputo entre cloud y local + 80-100h de trabajo humano (research, debugging, análisis, docs). Acá ya está hecho — disponible bajo MIT.

El número "$200+" no es solo lo medido. Hay 4 categorías de costo que el cost_usd calculado NO captura:

Iteración de metodología (cientos de runs antes de instrumentar cost_usd/output_tokens): exploración de qué tests, qué scoring, qué juez, cómo medir thinking models.

Respuestas vacías facturadas a precio completo: 165+ corridas de thinking models (Kimi K2.6, GPT-5.5, GLM-5.1, Nemotron) consumieron max_tokens=2048 razonando y devolvieron content="". OpenRouter cobra esos tokens igual — el modelo razonó, los tokens se generaron. Solo que no llegaron como respuesta visible.

Timeouts cobrados: requests que sobrepasaron el timeout cliente fueron abortados desde nuestro lado, pero el provider ya había generado la respuesta y nos la facturó.

Retries del usuario y del runner: cada retry con --rerun-empty / --rerun-failed es una invocación nueva. Algunos tests se corrieron 3-4 veces hasta llegar a un score válido.

El cálculo automático con python benchmarks/calculate_costs.py --markdown da una estimación sobre los runs preservados con PRICING actualizado. El dashboard de OpenRouter reporta más acumulado — la diferencia incluye iteración de metodología no preservada en JSONs, retries, y otros consumos del usuario en OpenRouter.

Regla práctica: un emprendedor que quiera replicar este benchmark desde cero gastaría ~$100-200 en APIs + ~50h de trabajo + el costo invisible de iterar la metodología. Acá ya está hecho con todos los hallazgos — abre RECOMENDACIONES.md y elegí por plataforma + tarea + presupuesto.

Modelos en suscripción mensual (NO son gratis)

⚠️ Algunos modelos aparecen con $0/call pero requieren pagar suscripción mensual. La calculadora los marca con ★ Sub $X/mes. Catálogo de suscripciones disponibles:

Suscripción	Plan	Precio/mes	Modelos incluidos	Notas
Ollama Cloud	Pro	$30	GPT-OSS 120B, DeepSeek V4 Pro, V4 Flash, Qwen 3.5 397B, Qwen 3.5 default	Rate limit varía. Recomendado para uso mid (1-10k calls/día).
Xiaomi MiMo Standard	Standard	$14	MiMo V2.5, V2.5-Pro, V2-Pro, V2-Omni (4 modelos)	200M credits/mes. Off-peak 16-24 UTC = 0.8x consumption.
MiniMax Agent Pro	Agent Pro	$19	MiniMax M2.7 Highspeed (acceso a baja latencia)	Generosos límites para agentes (1k+ calls/día).
Anthropic Pro	Pro	$20	Claude (web only — NO API access)	NO da acceso API, solo claude.ai. No aplica para automatización.
xAI SuperGrok	Standard	$30	Grok 4 / 4.1 (web only — NO API access)	$30/mes o $300/año. Grok 4.3 + multi-agente requieren SuperGrok Heavy $300/mes. No aplica para automatización.

Modelos realmente $0/call (sin suscripción):

NIM gratis (NVIDIA): 20 modelos. Rate limit 40 RPM. Marcados ★ NIM 40rpm.
Local: corren en tu hardware (DGX Spark, Mac M-series, GPU dedicada). Marcados ★ Local. Costo real = electricidad + amortización del hardware.
Groq, OpenRouter, OpenAI, Anthropic API: pay-as-you-go por token, sin suscripción mensual fija. Costos reales en $/1k calls en la calculadora.

Documentos Principales

Análisis y decisión

Documento	Contenido
⭐ INSIGHTS.md	Análisis cuantitativo del benchmark: correlaciones, outliers, Pareto, regresiones, hallazgos sorpresivos
RECOMENDACIONES.md	Qué modelo usar por plataforma (OpenClaw, N8N, Hermes), tarea y presupuesto
CASOS_DE_USO.md	50+ casos de uso reales de IA para emprendedores
DESCUBRIMIENTOS.md	Hallazgos no obvios y bugs de modelos

Inventarios y referencia

Documento	Contenido
MODELOS.md	Inventario completo: probados, en cola y por agregar al config
TESTS.md	91 tests en 23 suites (auto-generado desde benchmarks/tests/)
⭐ THINKING_EXPLAINED.md	Extended thinking explicado: qué es, qué modelos lo tienen (thinking-only / hybrid / sin reasoning), cómo lo medimos en el benchmark, hallazgos clave (thinking no siempre ayuda)
BENCHMARKS_EXTERNOS.md	Triangulación con HumanEval/GSM8K/IFEval/MMLU oficiales — top 30 modelos, 50/120 celdas con score numérico, hallazgos de validez convergente y discriminante
COMPARATIVA.md	35+ modelos con precios, open-source/propietario, licencias
SUSCRIPCIONES.md	Suscripciones fijas ($0-$300/mes) + coding plans
PACKS.md	Packs por suscripcion + estrategia local+nube
PROVEEDORES.md	Proveedores: fundacion, foco, contexto, open-source

Para contribuir o forkear

Documento	Contenido
🛠️ ARQUITECTURA.md	Documentación técnica deep: runner, scoring, judge, decisiones de diseño, recetas para extender
📚 tutoriales/	5 guías paso a paso: replicar benchmark, agregar modelo, tests custom, Phi-4 setup, elegir modelo
AGENTS.md	Guía para agentes IA consumidores (Claude Code, Cursor) — JSON machine-readable
ROADMAP.md	Roadmap y pipeline de mejoras futuras
CHANGELOG.md	Historial de cambios

Criterios de Evaluacion

Criterio	Peso	Descripcion
Costo	25%	Precio por millon de tokens o suscripcion mensual fija
Calidad	25%	Precision, coherencia, seguimiento de instrucciones
Velocidad	20%	Tokens/segundo y latencia de primera respuesta
Tool Calling	20%	Capacidad de function calling para agentes
Disponibilidad	10%	Rate limits, cuotas, que no se quede sin servicio

Metodologia

flowchart TD
    subgraph INPUT["Entrada"]
        T["91 Tests en 23 Suites"]
        M["30+ Modelos via OpenRouter"]
    end

    subgraph EXEC["Ejecucion"]
        R["runner.py envia test al modelo"]
        RESP["Modelo genera respuesta"]
        R --> RESP
    end

    subgraph SCORING["Scoring (3 capas)"]
        direction TB
        S1["<b>Capa 1: Automatico</b>
        Longitud, secciones, idioma, formato
        Penalizacion: chino en espanol
        Busqueda Unicode-aware"]

        S2["<b>Capa 2: Expected Answer</b>
        Razonamiento, alucinaciones,
        creatividad, honestidad,
        datos numericos, precision"]

        S3["<b>Capa 3: LLM-as-Judge</b>
        Gemma 4 31B local o API
        precision, relevancia,
        profundidad, claridad,
        utilidad practica"]

        S1 --> COMBINE
        S2 --> COMBINE
        S3 -->|"--judge"| COMBINE
    end

    subgraph COMBINE["Combinacion"]
        direction TB
        NOJUDGE["Sin juez: 40% formato + 60% sustancia"]
        WITHJUDGE["Con juez: 30% auto + 70% juez"]
    end

    subgraph METRICS["Score Final Ponderado"]
        direction LR
        Q["Calidad 35%"]
        TC["Tool Calling 25%"]
        CO["Costo 15%"]
        AV["Disponibilidad 15%"]
        SP["Velocidad 5%"]
        LA["Latencia 5%"]
    end

    subgraph OUTPUT["Salida"]
        JSON["results/*.json"]
        RANK["Ranking Global"]
        CAT["Mejor por Categoria"]
    end

    T --> R
    M --> R
    RESP --> S1
    RESP --> S2
    RESP --> S3
    COMBINE --> METRICS
    METRICS --> JSON
    JSON --> RANK
    JSON --> CAT

    style INPUT fill:#1a1a2e,stroke:#e94560,color:#fff
    style EXEC fill:#16213e,stroke:#0f3460,color:#fff
    style SCORING fill:#0f3460,stroke:#533483,color:#fff
    style COMBINE fill:#533483,stroke:#e94560,color:#fff
    style METRICS fill:#1a1a2e,stroke:#e94560,color:#fff
    style OUTPUT fill:#16213e,stroke:#0f3460,color:#fff

Flujo detallado

Entrada: Cada test (prompt + criterios + expected_answer) se envia a cada modelo via OpenRouter
Scoring automatico (Capa 1): Regex verifica longitud, secciones, idioma, formato. Penaliza caracteres chinos en espanol.
Expected answer (Capa 2): Valida que la respuesta contenga los insights correctos, no alucine, sea creativa sin cliches, y tenga datos precisos.
LLM-as-Judge (Capa 3, opcional con --judge): Un modelo juez lee la respuesta y la evalua con rubrica en 5 dimensiones + criterios extras por suite.
Combinacion: Sin juez usa 40% formato + 60% sustancia. Con juez usa 30% automatico + 70% evaluacion del juez.
Score final: Pondera calidad (35%), tool calling (25%), costo (15%), disponibilidad (15%), velocidad (5%), latencia (5%).

Estandar del benchmark para thinking models

Todas las constantes estan en providers/adapters.py (cima del archivo, con razones inline). Este es el estandar oficial aplicado a todos los lotes — editalo si tu hardware/budget difiere.

Constante	Valor	Aplica a
`THINKING_MODELS`	`gpt-5`, `o1`, `o3`, `glm-5`, `kimi-k2.6`, `nemotron*`	Modelos que consumen reasoning interno facturado
`THINKING_TOKEN_MULTIPLIER`	`4`	max_tokens × 4 para thinking. Sin esto, agotan budget razonando y devuelven `content=""`
`THINKING_MIN_TOKENS`	`8192`	Piso absoluto de output para que blog/workshop largos no queden cortados
`HTTP_READ_TIMEOUT_S`	`240.0`	httpx read_timeout. Antes 60s causaba timeouts a 181s (3 retries × 60s)
`FIXED_TEMP_MODELS`	`gpt-5.5`, `gpt-5-pro`, `gpt-5.5-pro`, `o1`, `o3`	Sólo aceptan temperature=1.0. El adapter omite el parámetro
`max_tokens` default (runner.py)	`2048`	Para non-thinking. Thinking reciben 8192
`temperature` default	`0.7`	Para los no-FIXED_TEMP_MODELS

Origen: detectado abril 25 2026 que 165 runs de thinking models tenían content="" (agotaban max_tokens=2048 en reasoning interno) + 6 timeouts en GPT-5.5 strategy/workshop por httpx 60s. Tras el fix, los scores subieron 2-3 puntos. Documentado en CHANGELOG v2.2.1.

Implicación para tu billetera: thinking models facturan ~3-4× más tokens de lo que parece (reasoning tokens cuentan como completion_tokens). Una respuesta de 500 tokens visibles en GPT-5.5 puede haber consumido 2000+ tokens facturados. Las suscripciones flat-rate (ChatGPT Pro, Anthropic Pro Max) se consumen 3-4× más rápido con thinking models. Tabla concreta en COMPARATIVA.md.

Eleccion del modelo juez y sesgo

El modelo juez introduce sesgo: un LLM tiende a puntuar mejor respuestas de su propio proveedor (~5-7% de inflacion documentada). Por eso la eleccion importa:

Juez	Costo	Sesgo	Recomendacion
Gemma 4 31B (local)	$0	Bajo	Default - buena calidad, gratis, Apache 2.0
GLM-4.7 9B (local)	$0	Minimo	No esta en benchmark = 0 conflicto de interes
Qwen 3.5 72B (local)	$0	Bajo	Maxima calidad si tienes 42GB+ RAM
Claude Haiku (API)	~$0.07/modelo	Medio	Rapido pero sesga modelos Anthropic
Gemini Flash (API)	~$0.05/modelo	Medio	Rapido pero sesga modelos Google

El default es Phi-4 (Microsoft, 14B, MIT) via Ollama. Phi-4 fue elegido porque:

Microsoft no tiene modelos en nuestro benchmark = cero conflicto de interes
14B parametros = buena calidad de evaluacion
MIT license = cualquiera puede replicar
~9 GB, cabe en hardware modesto
3-9 segundos por evaluacion

python benchmarks/runner.py --list-judges                      # Ver jueces disponibles
python benchmarks/runner.py --quick --judge                    # Auto: Phi-4 local
python benchmarks/runner.py --quick --judge --judge-model phi4 # Phi-4 explicito
python benchmarks/runner.py --quick --judge --judge-model haiku # Claude Haiku via API (backup)

Quick Start

python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env
# Editar .env con tu OPENROUTER_API_KEY (única key obligatoria)
python benchmarks/runner.py --quick                          # Todos los modelos, 1 run
python benchmarks/runner.py --quick --judge                  # Con LLM-as-Judge (Phi-4 local)
python benchmarks/runner.py --models minimax-m2.7 deepseek-v3  # Modelos especificos
python benchmarks/runner.py --tier cheap                     # Solo tier economico
python benchmarks/runner.py --list-models                    # Ver modelos disponibles
python benchmarks/runner.py --list-tests                     # Ver tests disponibles

Como Replicar el Benchmark

Guia paso a paso para correr el benchmark completo desde cero.

Requisitos

Python 3.11+
API key de OpenRouter (unica key necesaria, da acceso a 290+ modelos)
(Opcional) Ollama para modelos locales y LLM-as-Judge local

Paso 1: Setup

git clone https://github.com/ctala/ai-benchmarks-alternativos.git
cd ai-benchmarks-alternativos
python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env

Edita .env y agrega tu OPENROUTER_API_KEY (única clave obligatoria; las demás son opcionales según los providers que quieras usar).

Paso 2: Elegir modelos

El catálogo de modelos vive en benchmarks/models.py (público, en git). Para una prueba rápida desde la línea de comandos:

# Solo 2 modelos baratos, 1 run por test
python benchmarks/runner.py --quick --models deepseek-v3 mimo-v2-flash

Paso 3: Correr benchmark

# Rapido sin juez (~5 min por modelo)
python benchmarks/runner.py --quick

# Con LLM-as-Judge para resultados confiables (~8 min por modelo)
python benchmarks/runner.py --quick --judge

# Con juez local via Ollama ($0, requiere Ollama + modelo descargado)
ollama pull gemma4:31b
python benchmarks/runner.py --quick --judge --judge-model gemma4

# Benchmark completo (3 runs por test, mas preciso, ~15 min por modelo)
python benchmarks/runner.py --judge

Paso 4: Resultados

Los resultados se guardan en benchmarks/results/benchmark_YYYYMMDD_HHMMSS.json con:

Scores por test y modelo (calidad, tool calling, velocidad, costo)
Metadata del juez usado (modelo, proveedor, local/API) para trazabilidad
Rankings global y por categoria en la consola

Paso 5: Agregar un modelo nuevo

# 1. Agregar en config.py (ver config.example.py para formato)
# 2. Agregar pricing en scoring.py dict PRICING
# 3. Correr
python benchmarks/runner.py --quick --judge --models mi-nuevo-modelo
# 4. Actualizar docs con resultados

Costo estimado por run completo

Componente	Costo
1 modelo, 91 tests, modo --quick	~$0.01-0.05 (depende del modelo)
LLM-as-Judge (Haiku, 77 evals)	~$0.07
LLM-as-Judge (local Ollama)	$0.00
Run completo 10 modelos con juez	~$0.50-1.00
Run completo 10 modelos, 3 runs, con juez	~$1.50-3.00

Modelos Incluidos (via OpenRouter)

Gratuitos

DeepSeek R1, Llama 3.3 70B, MiMo-V2-Flash (free)

Ultra Economicos (<$0.10/M tokens)

Mistral Nemo, Nemotron 3 Nano, MiMo-V2-Flash

Economicos ($0.10 - $1.20/M tokens)

Nemotron 3 Super, DeepSeek V3.2, Mistral Small 4, Grok 4.1 Fast, Gemini 3.1 Flash Lite, MiniMax M2.7, Gemini 2.5 Flash, Qwen 3.6 Plus, Devstral 2, MiMo-V2-Omni, GLM-5.1, Kimi K2.6, Qwen 3.5 Plus, Llama 4 Maverick, Qwen3 Coder

Medio y Premium ($1.00+/M tokens)

MiMo-V2-Pro, Gemini 2.5 Pro, Gemini 3.1 Pro, Grok 4.20, GPT-4o, GPT-4.1, Claude Sonnet 4.6, Claude Opus 4.7, GPT-5.4/Mini

Open Source para NVIDIA DGX Spark (128GB)

Nemotron 3 Super (16 GB), Nemotron 3 Nano (4 GB), Gemma 4 26B MoE, Gemma 4 31B, Qwen 3.5 25B/72B, Llama 3.3/4 70B, MiniMax M2.5, DeepSeek V3.2

Benchmark Suites (91 tests en 23 suites)

Organizadas en los 4 pilares del emprendedor:

Pilar 1: Razonamiento y Estrategia

Suite	Tests	Que Evalua
deep_reasoning	6	Matematica, logica, causal, code bugs, Fermi, etica
reasoning	3	Analisis de negocio, logica, decisiones
hallucination	3	Trampas factuales, fidelidad al contexto, citas falsas
strategy	3	Competitor analysis, pricing, business model validation

Pilar 2: Coding y Datos

Suite	Tests	Que Evalua
code_generation	4	API integration, N8N workflows, SQL, debugging
structured_output	4	JSON simple, arrays, anidado, estricto
string_precision	6	Copia exacta de hex, API keys, JWT, config files
ocr_extraction	5	Facturas, tarjetas, recibos, dashboards, notas manuscritas

Pilar 3: Contenido y Marketing

Suite	Tests	Que Evalua
content_generation	4	Blog, email, social media, product descriptions
startup_content	5	Blog ecosistemastartup.com, cursos, workshops, newsletters
news_seo_writing	5	Articulos SEO, JSON N8N, solo espanol, Perplexity
creativity	4	Hooks sin cliches, analogias, profundidad, storytelling
sales_outreach	3	Cold email, lead qualification, campaign optimization
translation	3	Marketing es-en, tecnica en-es, deteccion de problemas idioma
presentation	2	Slide outline, reportes de datos

Pilar 4: Agentes y Operaciones

Suite	Tests	Que Evalua
tool_calling	4	Single/multi tool, razonamiento, no-tool
customer_support	4	Empatia, clasificacion, multi-issue, ingenieria social
orchestration	5	Planificacion multi-paso, error recovery, tool selection
multi_turn	4	Iteracion, soporte escalado, cambio de requisitos
policy_adherence	4	Reembolsos, privacidad, reglas de idioma, limites
agent_capabilities	5	Skills, delegacion sub-agentes, agent teams, routing
task_management	3	Action items, planning, project breakdown
summarization	2	Resumen ejecutivo, extraccion datos

Resultados (Abril 2026) — Scoring v2 + Phi-4 Judge

Ranking completo con 27 modelos × 91 tests = 2457 corridas evaluadas por Phi-4 (Microsoft, 14B, MIT) local via Ollama. Juez sin conflicto de interés. Total cómputo: ~65h wall-clock distribuidas en 37 lotes (22-25 abril).

JSON: benchmark_20260422_204025.json (Lote 1) + benchmark_20260423_051248.json (Lote 2) + benchmark_20260424_053942.json (Lote 3). Detalle por modelo navegable en results/per-model/.

Ranking Global (Phi-4 judge, 91 tests/modelo)

#	Modelo	Final	Calidad	tok/s	Open Source	OK/Total
1	Devstral Small	7.35	7.91	146	Si (Apache 2.0)	91/91
2	GPT-5.4 Mini	7.32	7.88	117	No	91/91
3	GPT-4.1	7.29	7.73	80	No	91/91
4	Gemini 2.5 Flash Lite	7.22	7.87	165	No	91/91
5	Devstral 2 (Dic 2025)	7.22	7.78	65	Si (Apache 2.0)	91/91
6	MiMo-V2-Flash	7.20	7.60	52	Si (MIT)	91/91
7	Llama 4 Maverick*	7.20	8.13	46	Si (Llama)	74/91
8	Gemini 2.5 Flash	7.20	7.80	115	No	91/91
9	Claude Opus 4.7	7.17	8.09	63	No	91/91
10	Gemma 4 26B MoE (3.8B activos)	7.15	7.85	48	Si (Apache 2.0)	91/91
11	Claude Sonnet 4.6	7.15	7.98	54	No	91/91
12	Claude Opus 4.6	7.11	8.16	46	No	91/91
13	GPT-4.1 Mini	7.11	7.53	59	No	91/91
14	GPT-5.4	7.11	7.62	57	No	91/91
15	DeepSeek V3.2	7.11	7.69	22	Si (MIT)	91/91
16	Devstral Medium	7.09	7.89	60	Si (Apache 2.0)	88/91
17	Kimi K2*	7.05	7.86	28	No	74/91
18	Qwen3 Coder	7.04	7.73	52	Si (Apache)	91/91
19	Mistral Large	7.03	7.70	50	Si (Apache)	91/91
20	MiMo-V2-Pro	6.88	7.52	52	No (Xiaomi)	91/91
21	Mistral Nemo	6.86	7.08	30	Si (Apache)	90/91
22	MiniMax M2.7	6.71	7.38	35	Parcial	91/91
23	Nemotron 3 Super	6.63	6.76	32	Si (NVIDIA)	91/91
24	Qwen 3.6 Plus	6.57	7.41	50	Si (Apache)	90/91
25	Gemini 2.5 Pro	6.45	6.52	91	No	91/91
26	GLM-5.1	6.25	6.28	38	Si (MIT)	91/91
27	Kimi K2.6	5.76	5.13	34	No	91/91

*Llama 4 Maverick: 17 errores 404 en suites con tools (OpenRouter sin endpoint con function calling). Kimi K2: 17 errores 429 por rate limits. Devstral Medium: 3 errores 503 puntuales del provider. Mistral Nemo: 1 error 400. Negrita = nuevos modelos del Lote 3 (24-25 abril).

Ranking Solo Alternativas (sin Anthropic, OpenAI, ni Google propietarios)

Excluye los 3 proveedores propietarios populares (Anthropic, OpenAI, Gemini Flash/Flash-Lite/Pro). Gemma sí queda porque es open-source.

#	Modelo	Final	tok/s	Open Source
1	Devstral Small	7.35	146	Si (Apache 2.0)
2	Devstral 2	7.22	65	Si (Apache 2.0)
3	MiMo-V2-Flash	7.20	52	Si (MIT)
4	Llama 4 Maverick	7.20	46	Si (Llama)
5	Gemma 4 26B MoE	7.15	48	Si (Apache 2.0)
6	DeepSeek V3.2	7.11	22	Si (MIT)
7	Devstral Medium	7.09	60	Si (Apache 2.0)
8	Kimi K2	7.05	28	No
9	Qwen3 Coder	7.04	52	Si (Apache)
10	Mistral Large	7.03	50	Si (Apache)
11	MiMo-V2-Pro	6.88	52	No
12	Mistral Nemo	6.86	30	Si (Apache)
13	MiniMax M2.7	6.71	35	Parcial
14	Nemotron 3 Super	6.63	32	Si (NVIDIA)
15	Qwen 3.6 Plus	6.57	50	No (proprietary)
16	GLM-5.1	6.25	38	Si (MIT)
17	Kimi K2.6	5.76	34	No

Ranking Solo Open-Source

#	Modelo	Final	tok/s	Licencia
1	Devstral Small	7.35	146	Apache 2.0
2	Devstral 2 (Dic 2025)	7.22	65	Apache 2.0
3	MiMo-V2-Flash	7.20	52	MIT
4	Llama 4 Maverick	7.20	46	Llama Community
5	Gemma 4 26B MoE	7.15	48	Apache 2.0
6	DeepSeek V3.2	7.11	22	MIT
7	Devstral Medium	7.09	60	Apache 2.0
8	Qwen3 Coder	7.04	52	Apache 2.0
9	Mistral Large	7.03	50	Apache 2.0
10	Mistral Nemo	6.86	30	Apache 2.0
11	Nemotron 3 Super	6.63	32	NVIDIA Open
12	Qwen 3.6 Plus	6.57	50	Apache 2.0
13	GLM-5.1	6.25	38	MIT

Mejor por Categoria

Categoria	1ro	2do	3ro
Razonamiento	MiMo-V2-Flash (7.58)	Devstral Small (7.36)	GPT-5.4 Mini (7.32)
Contenido ES	MiMo-V2-Flash (7.51)	DeepSeek V3.2 (7.40)	Devstral Small (7.39)
Code	MiMo-V2-Flash (7.74)	Qwen3 Coder (7.72)	GPT-4.1 (7.65)
Agentes (tool+orch)	Llama 4 Maverick (7.32)	Claude Opus 4.7 (7.09)	Claude Sonnet 4.6 (7.02)
Customer/Policy	GPT-5.4 Mini (7.32)	Kimi K2 (7.27)	Devstral Small (7.22)
Creatividad	Devstral Small (7.70)	Gemini Flash Lite (7.63)	Devstral Medium (7.59)
Estructurado/Hallucination	Devstral Small (7.63)	Gemini Flash Lite (7.63)	GPT-4.1 (7.57)
Strategy/Sales	MiMo-V2-Flash (7.78)	Devstral 2 (7.63)	GPT-4.1 (7.59)
Traduccion	Devstral Small (7.87)	Gemini Flash Lite (7.84)	Devstral 2 (7.69)
OCR	GPT-4.1 (7.28)	MiMo-V2-Flash (7.21)	Gemini Flash Lite (7.18)
String Precision	Devstral Small (7.66)	GPT-5.4 Mini (7.58)	Gemini Flash Lite (7.53)
Productividad	MiMo-V2-Flash (7.66)	Devstral Small (7.47)	Devstral 2 (7.47)

Hallazgos Clave (v2.2)

Devstral Small mantiene #1 tras agregar 10 modelos nuevos. Impecable para un 24B Apache 2.0.
Devstral 2 (dic 2025) entra #5 pero NO supera al Small original — el Small sigue siendo más eficiente.
Gemma 4 26B (3.8B activos) sorprende #10 — modelo open-source pequeño compitiendo con Claude Opus a $0.15/M.
MiMo-V2-Pro decepciona #20 ($1.00/$3.00) — el flagship de Xiaomi rinde MENOS que MiMo-V2-Flash (#6, $0.09/$0.29).
GPT-5.4 #14 vs Mini #2: el Mini supera consistentemente al modelo grande.
Gemini 2.5 Pro inesperadamente bajo (#25) — el flagship de Google rinde peor que su propio Flash Lite.
Kimi K2.6 ÚLTIMO (#27, 5.76) — peor que K2 (#17). El modelo nuevo de Moonshot tiene problemas serios.
Mistral Nemo top de los baratos (#21, $0.02/$0.02) — baseline ultra económico aceptable.
Llama 4 Maverick top en agentes (7.32) — pero requiere provider directo para tool calling.
Juez Phi-4 local: 2457 evaluaciones, cero conflicto, $0 costo, replicable con MIT license.

Recomendacion por Caso de Uso (v2.2)

Uso	Modelo Recomendado	Por que
Agente general	Devstral Small	#1 global, 146 tok/s, Apache 2.0
Agente con tool calling	Llama 4 Maverick (via Fireworks/Together/Groq)	Top en agentes (7.32), evitar OpenRouter
Agente económico API	MiMo-V2-Flash o DeepSeek V3.2	#6 a $0.09/M, #15 a $0.14/M
Agente ultra rápido	Gemini 2.5 Flash Lite	165 tok/s, #4 global
Agente con suscripción fija	MiniMax M2.7	$20-69/mes
Soporte al cliente	GPT-5.4 Mini o Kimi K2	Top 2 customer (7.32, 7.27)
Contenido sin alucinaciones	Claude Opus 4.6 o 4.7	Calidad raw 8.16 / 8.09
Contenido en español	MiMo-V2-Flash	#1 contenido ES (7.51), el más barato
Coding	MiMo-V2-Flash, Qwen3 Coder, GPT-4.1	Top 3 code (7.74, 7.72, 7.65)
OCR/documentos	GPT-4.1	Líder OCR (7.28)
Traducción es↔en	Devstral Small	#1 traducción (7.87)
Razonamiento profundo	MiMo-V2-Flash	#1 reasoning (7.58), precio minúsculo
Creatividad/storytelling	Devstral Small	#1 creatividad (7.70)
String precision	Devstral Small	#1 string precision (7.66)
Open-source para DGX Spark	Devstral Small/2, MiMo-V2-Flash, Gemma 4 26B	Top 4 open-source

Los resultados JSON completos estan en benchmarks/results/ Ver tambien: DESCUBRIMIENTOS.md | PACKS.md | PROVEEDORES.md

Estructura

├── README.md                        # Este archivo
├── COMPARATIVA.md                   # Comparativa completa de modelos
├── SUSCRIPCIONES.md                 # Suscripciones mensuales
├── CHANGELOG.md                     # Historial de cambios
├── benchmarks/
│   ├── config.example.py            # Configuracion ejemplo
│   ├── config.py                    # Tu configuracion (gitignored)
│   ├── runner.py                    # Motor de benchmarks
│   ├── scoring.py                   # Sistema de puntuacion
│   ├── llm_judge.py                 # LLM-as-Judge (Phi-4 local, cero sesgo)
│   ├── tests/                       # 23 suites de tests
│   └── results/                     # Resultados JSON
├── providers/
│   └── adapters.py                  # Adaptador unificado OpenAI-compatible
└── requirements.txt

Preguntas frecuentes (FAQ)

¿Cuál es la mejor alternativa a Claude para agentes N8N en 2026? Devstral Small (Apache 2.0, $0.10/$0.30 per M tokens), Mistral Small 4 ($0.15/$0.60) y Llama 3.3 70B en Groq (270 tok/s) son las top 3 por relación calidad/precio. El ranking cambia según la tarea — ver calculadora para filtrar por caso de uso.

¿Vale la pena pagar GPT-5 o Claude Opus si hay alternativas más baratas? Para tareas estándar (contenido, traducción, agentes simples), no — modelos de $0.10-0.60 dan resultados comparables. Para razonamiento profundo, código complejo o tool calling crítico, los premium siguen siendo superiores. El delta real está cuantificado en DESCUBRIMIENTOS.md.

¿Qué modelos open-source recomiendan para correr local? Para hardware ≥64GB RAM: Devstral Small (24B), Qwen 3.6 base, Mistral Small 4 (24B) y GPT-OSS 120B. Todos Apache 2.0 o MIT. Ver RECOMENDACIONES.md para guía completa por hardware.

¿Por qué usar Phi-4 como juez en vez de GPT-4 o Claude? Cero conflicto de interés (ningún proveedor del benchmark es también el juez), corre 100% local, gratis, licencia MIT y rúbrica en español. Detalles en sección Eleccion del modelo juez y sesgo.

¿Cómo replico el benchmark en mi propio hardware? Ver Quick Start y Como Replicar el Benchmark. Necesitás Python 3.10+, Ollama (para Phi-4 judge) y al menos OPENROUTER_API_KEY para empezar.

¿Puedo usar este benchmark para decidir qué modelo poner en producción? Sí — fue diseñado para eso. Pero validá en tu caso específico: replicá 5-10 prompts típicos de tu producto contra los 2-3 finalistas. Ningún benchmark sustituye prompts reales de tu negocio. En la comunidad Skool compartimos plantillas y workshops para esa validación.

Para agentes IA consumidores (Claude Code, Cursor, etc.)

Este repo está pensado también para que agentes IA puedan consumirlo y recomendar modelos basados en datos reales, no en su entrenamiento (que probablemente está desactualizado).

AGENTS.md — guía de decisión completa con reglas, anti-patterns y templates de respuesta
docs/data/models.json — JSON con todos los modelos, scores por pilar, costos, licencias
docs/data/agents-decision-guide.json — schema estructurado de casos de uso → modelos recomendados

Ejemplo mínimo en Python:

import json, urllib.request

GUIDE = json.loads(urllib.request.urlopen(
    'https://benchmarks.cristiantala.com/data/agents-decision-guide.json'
).read())

# Agente recibe pregunta sobre N8N templates
caso = next(uc for uc in GUIDE['use_cases'] if uc['id'] == 'coding_n8n_templates')
print(f"Recomendación: {caso['top_models'][0]['model_id']}")
print(f"Razón: {caso['top_models'][0]['reason']}")

Si construís un agente que recomiende modelos, leé AGENTS.md primero — la regla #0 es "no existe un mejor modelo universal".

Comunidad y soporte

💬 Cágala, Aprende, Repite (Skool) — comunidad de emprendedores latinoamericanos usando IA
📧 Newsletter Cristian Tala — análisis de modelos y casos reales
📺 YouTube — workshops y tutoriales
💼 LinkedIn — ecosistema startup chileno
🐛 Issues en GitHub — bugs, sugerencias, modelos a agregar

Name		Name	Last commit message	Last commit date
Latest commit History 353 Commits
.claude		.claude
.github/workflows		.github/workflows
benchmarks		benchmarks
blog		blog
cheatsheet		cheatsheet
docs		docs
providers		providers
scripts		scripts
tutoriales		tutoriales
.DS_Store		.DS_Store
.env.example		.env.example
.gitignore		.gitignore
AGENTS.md		AGENTS.md
ARQUITECTURA.md		ARQUITECTURA.md
BENCHMARKS_EXTERNOS.md		BENCHMARKS_EXTERNOS.md
CASOS_DE_USO.md		CASOS_DE_USO.md
CHANGELOG.md		CHANGELOG.md
CLAUDE.md		CLAUDE.md
COMPARATIVA.md		COMPARATIVA.md
DATASHEET_2026-04.md		DATASHEET_2026-04.md
DATASHEET_2026-05.md		DATASHEET_2026-05.md
DATASHEET_2026-06.md		DATASHEET_2026-06.md
DESCUBRIMIENTOS.md		DESCUBRIMIENTOS.md
ESTADO_SESION.md		ESTADO_SESION.md
INSIGHTS.md		INSIGHTS.md
MODELOS.md		MODELOS.md
NIAH_CROSSREF.md		NIAH_CROSSREF.md
NIAH_ES_DESIGN.md		NIAH_ES_DESIGN.md
PACKS.md		PACKS.md
PROVEEDORES.md		PROVEEDORES.md
README.md		README.md
RECOMENDACIONES.md		RECOMENDACIONES.md
ROADMAP.md		ROADMAP.md
SUSCRIPCIONES.md		SUSCRIPCIONES.md
TESTS.md		TESTS.md
THINKING_EXPLAINED.md		THINKING_EXPLAINED.md
requirements.txt		requirements.txt

Folders and files

Latest commit

History

Repository files navigation

Benchmark de Modelos AI Alternativos: comparación abierta de 70 LLMs en español para N8N, OpenClaw y emprendedores

Score = combinación ponderada (NO solo calidad)

Top 10 Global Ranking — score compuesto v2.9 (z-score)

🔍 Long-context + Seguridad (dimensiones separadas — v2.8)

🎛️ Calculadora interactiva

Lo que te ahorras al usar este benchmark

Modelos en suscripción mensual (NO son gratis)

Documentos Principales

Análisis y decisión

Inventarios y referencia

Para contribuir o forkear

Criterios de Evaluacion

Metodologia

Flujo detallado

Estandar del benchmark para thinking models

Eleccion del modelo juez y sesgo

Quick Start

Como Replicar el Benchmark

Requisitos

Paso 1: Setup

Paso 2: Elegir modelos

Paso 3: Correr benchmark

Paso 4: Resultados

Paso 5: Agregar un modelo nuevo

Costo estimado por run completo

Modelos Incluidos (via OpenRouter)

Gratuitos

Ultra Economicos (<$0.10/M tokens)

Economicos ($0.10 - $1.20/M tokens)

Medio y Premium ($1.00+/M tokens)

Open Source para NVIDIA DGX Spark (128GB)

Benchmark Suites (91 tests en 23 suites)

Pilar 1: Razonamiento y Estrategia

Pilar 2: Coding y Datos

Pilar 3: Contenido y Marketing

Pilar 4: Agentes y Operaciones

Resultados (Abril 2026) — Scoring v2 + Phi-4 Judge

Ranking Global (Phi-4 judge, 91 tests/modelo)

Ranking Solo Alternativas (sin Anthropic, OpenAI, ni Google propietarios)

Ranking Solo Open-Source

Mejor por Categoria

Hallazgos Clave (v2.2)

Recomendacion por Caso de Uso (v2.2)

Estructura

Preguntas frecuentes (FAQ)

Para agentes IA consumidores (Claude Code, Cursor, etc.)

Comunidad y soporte

About

Topics

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages