Ponemos Kimi K3, GLM 5.3, Qwen3.8 Max y DeepSeek V4 Pro 0813 Enfrentándose entre sí en cuatro pruebas de codificación de un solo tiro, todas ejecutándose en EmpirioLabs. Mismo prompt cada uno, un intento, sin ediciones ni intentos, y todos los resultados renderizados en vivo en un navegador real.
Mira la comparación a cuatro bandas
Especificaciones de un vistazo
| Kimi K3 | GLM 5.3 | Qwen3.8 Max | DeepSeek V4 Pro 0813 | |
|---|---|---|---|---|
| Maker | IA Moonshot | Z.ai | Alibaba | DeepSeek |
| Ventana de contexto | 1.000.000 de fichas | 1.000.000 de fichas | 1.000.000 de fichas | 1.000.000 de fichas |
| Entrada | Texto, imágenes y vídeo | Texto | Texto, imágenes y vídeo | Texto |
| Control de razonamiento | reasoning_effort, de bajo a máximo | reasoning_effort, de bajo a máximo | reasoning_effort, ninguno a Max | reasoning_effort, ninguno a Max |
| Salida estructurada | Esquema JSON estricto | Modo JSON | Esquema JSON estricto | Esquema JSON estricto |
| Precio de entrada | $3.00 por cada 1M de fichas | $1.40 por cada 1M de fichas | $2.00 por cada 1M de fichas | $1.32 por cada 1M de fichas |
| Precio de producción | $15.00 por cada 1M de fichas | $4.40 por cada 1M de fichas | $6.00 por cada 1M de fichas | $3.96 por cada 1M de fichas |
Cómo lo gestionamos
Cada modelo recibía el mismo prompt para cuatro tareas: un laberinto que se genera y luego se resuelve solo con una búsqueda animada en A*, una simulación de arena que cae, una puesta de sol en el océano con un velero surfeando las olas, y lluvia corriendo por una ventana por la noche. Cada tarea pedía un único archivo HTML autónomo sin bibliotecas externas. Los cuatro modelos se ejecutaban en reasoning_effort: "max" con un presupuesto de salida de 65.536 tokens, un solo intento, sin intentos. El recuento de líneas y las lecturas de tokens-per-second en cada panel se miden a partir de las llamadas reales a la API, y cada resultado es el archivo que el modelo devolvió, renderizado tal cual.
Qué buscar
DeepSeek V4 Pro 0813 devolvía sus archivos más rápido, con unos 100 tokens por segundo. Qwen3.8 Max escribió los archivos más largos, unas 540 líneas de media, y Kimi K3 el más compacto, unos 360. GLM 5.3 usó la mayor cantidad de tokens de salida, unos 47.000 por tarea, incluyendo su razonamiento. Observa cómo cada modelo anima la búsqueda en el laberinto, apila la arena, mueve las ondas y fusiona las gotas de lluvia. No estamos declarando un ganador. Ejecuta el clip y juzga las salidas según tu propio caso de uso.
Haz la misma prueba en EmpirioLabs
curl https://api.empiriolabs.ai/v1/chat/completions \ -H "Autorización: Portador $EMPIRIOLABS_API_KEY" \ -H "Tipo-Contenido: application/json" \ -d '{ "modelo": "kimi-k3", "reasoning_effort": "max", "mensajes": [{"rol": "usuario", "contenido": "Construye un laberinto que se genere y resuelva a sí mismo en un solo archivo HTML."}] }'Intercambio modelo a glm-5-3, qwen3-8-max o deepseek-v4-pro-0813 para ejecutar la misma petición contra los demás, o intentarlos de forma interactiva en el parque infantil.
Preguntas frecuentes
¿Se editaron o volvieron a intentar los resultados?
No. Cada modelo tenía un intento por tarea con el mismo prompt, y el resultado renderizado era exactamente el archivo que devolvía.
¿Por qué maximizar el razonamiento?
Un comparativo justo muestra cada modelo en su mejor versión. Los cuatro muestran un control reasoning_effort en EmpirioLabs, por lo que los cuatro funcionaron en la configuración más alta.
¿Qué modelo debería usar?
DeepSeek V4 Pro 0813 tiene el precio por token más bajo de los cuatro y respondió más rápido aquí. Kimi K3 y Qwen3.8 Max aceptan imágenes y vídeo, así como texto. GLM 5.3 se sitúa cerca de DeepSeek en precio. Compara tu propia carga de trabajo con cada uno antes de decidir.
Pruébalo
Playground Silencio Todos los modelos Silencio Precios
