Respuesta rápida: prueba primero DeepSeek V4 Flash si el trabajo es texto o código y mandan el coste y el volumen. Elige Kimi K3 cuando el agente deba comprender imágenes, diagramas, documentos escaneados o vídeo. Añade GLM-5.2 como alternativa intermedia cuando Flash necesite demasiada corrección y una prueba en tu repositorio pueda justificar su precio superior.
No es una clasificación universal. Los tres anuncian un contexto aproximado de un millón de tokens. Lo que decide son la modalidad de entrada, el control del razonamiento, la tarifa directa y la cantidad de trabajo que realmente supera tus criterios de aceptación.
Los datos y precios se comprobaron el 6 de agosto de 2026 y pueden cambiar.
Una decisión práctica antes de mirar benchmarks
| Necesidad principal | Primer modelo que probar | Motivo |
|---|---|---|
| Texto, código y muchos ciclos de agente | DeepSeek V4 Flash | Su tarifa directa permite probar más casos con el mismo presupuesto |
| Imágenes o vídeo dentro del razonamiento | Kimi K3 | Su ficha oficial describe multimodalidad nativa |
| Código complejo donde Flash exige retrabajo | GLM-5.2 | Precio intermedio y esfuerzo de razonamiento ajustable |
| Función específica del proveedor | API oficial correspondiente | Un agregador puede no reproducir todo el contrato |
Comprueba siempre el ID. deepseek-v4-flash no es DeepSeek V4 Pro; un benchmark de Pro no describe automáticamente a Flash. kimi-k3 tampoco es Kimi K2.5 o K2.6, por lo que sus tarifas antiguas no sirven para este cálculo.
La tarifa oficial de DeepSeek incluye modos thinking y non-thinking, tool calls, JSON y hasta 384K de salida. Su model card oficial describe un MoE de 284B parámetros totales y 13B activos, con pesos bajo MIT.
La página de precios de Kimi K3 explica que siempre razona y permite reasoning_effort low, high o max. La ficha de Kimi K3 indica 2,8T parámetros totales, 104B activos y multimodalidad nativa. Sus pesos usan Kimi K3 License, no MIT.
La ficha oficial de GLM-5.2 se centra en programación y tareas largas, con contexto 1M, varios esfuerzos de razonamiento, opciones de despliegue local y licencia MIT. Son descripciones del proveedor: orientan la prueba, pero no garantizan el resultado de tu aplicación.
El coste oficial para la misma carga
Supón una ejecución con 1 millón de tokens de entrada sin caché y 100.000 de salida. Con las tarifas directas comprobadas:
- DeepSeek V4 Flash:
1 × $0,14 + 0,1 × $0,28 = $0,168 - Kimi K3:
1 × $3,00 + 0,1 × $15,00 = $4,50 - GLM-5.2:
1 × $1,40 + 0,1 × $4,40 = $1,84
Es una operación aritmética sobre las tarifas oficiales, no el precio de una sesión de suscripción ni de un router externo. Faltan impuestos, herramientas, escritura de caché, reintentos y margen del proveedor alojado.
Para comprar con criterio, usa:
coste por resultado aceptado = gasto de todos los intentos / resultados que superan la aceptación
Una petición barata que falla tres veces puede ser más cara que una ejecución que termina bien. En sentido contrario, Kimi K3 necesita reducir mucho la intervención humana o resolver una necesidad multimodal real para compensar su mayor precio en texto.
La caché se mide, no se supone
Las tarifas de entrada en caché comprobadas son $0,0028/M para DeepSeek, $0,30/M para Kimi y $0,26/M para GLM. Un prompt de sistema estable, un mapa del repositorio o un corpus compartido pueden cambiar la economía.
Pero “admite caché” no significa que toda la entrada sea un acierto. Registra los cached tokens devueltos por el proveedor. Separa el prefijo estable de instrucciones variables, resultados de herramientas e historial generado. Con una API de terceros, aplica su precio y su política de caché.
Cuándo elegir DeepSeek V4 Flash
Flash es el punto de partida para correcciones con tests claros, funciones acotadas en varios archivos, transformación de datos y tool calls repetidos. Su tarifa permite evaluar 20 tareas representativas en lugar de decidir por una sola demo vistosa.
Prueba non-thinking en transformaciones sencillas y thinking en planificación, depuración y herramientas de varios pasos. No deduzcas la latencia de los 13B parámetros activos: hardware, cola, longitud de salida y agent harness también determinan el tiempo.
Cuándo Kimi K3 cambia la lista de candidatos
Si el agente debe interpretar una captura de interfaz, un gráfico, un PDF como imagen o un vídeo, la multimodalidad nativa de K3 es un requisito, no un punto extra. Añadir OCR o otro modelo visual a los competidores crea un sistema y un presupuesto diferentes.
Para tareas de texto, exige una ventaja observable: menos aclaraciones y reparaciones, una tasa de aceptación claramente mayor o una tarea larga que los otros no completan. Antes de enviar medios de producción, revisa el contrato actual de la API alojada; la ficha de pesos abiertos no define por sí sola todos los formatos del endpoint.
Cuándo GLM-5.2 merece el precio intermedio
Incluye GLM-5.2 cuando Flash entra en bucles, olvida convenciones del repositorio o requiere demasiada reparación de tool calls. El esfuerzo de razonamiento ajustable y el enfoque en programación larga son buenas hipótesis para trabajos complejos.
No gana por estar en la columna central. Si empata con Flash en aceptación, intervención y tiempo, conserva la opción más barata o fácil de operar. El sobreprecio solo se justifica si la reducción del retrabajo se repite en una segunda muestra.
Por qué los benchmarks públicos se contradicen
Las tablas oficiales ayudan a elegir una hipótesis, pero sus filas no siempre forman un ensayo A/B/C. El resultado cambia con:
- el agent harness, la selección de archivos y la compresión de contexto;
reasoning_effort, temperature, salida máxima y reintentos;- permisos de red, shell, búsqueda y otras herramientas;
- versión de las tareas, judge, timeout y definición de éxito;
- API directa o hosting externo, caché y congestión.
Las propias fichas de Kimi y GLM documentan diferencias de harness y configuración en varios benchmarks. Una cifra sin conjunto de tareas y parámetros auditables sirve como señal para probar, no como autorización para migrar.
Prueba los tres con 10–30 tareas privadas
Escoge trabajo real pero repetible: un bug en varios archivos, una función con tests, síntesis de documentos y datos o un flujo de soporte con varias herramientas.
- Parte del mismo commit, archivos, instrucciones y resultado esperado.
- Usa la misma clase de proveedor cuando sea posible; no enfrentes un endpoint gratuito saturado a uno premium.
- Fija permisos, paquete de contexto, política de effort, timeout y presupuesto de reintentos.
- Define antes la aceptación: tests, schema, verificación factual, revisión visual o condición de negocio.
- Registra pass/fail, intervención, tiempo total, input/output/cached tokens, herramientas y reintentos.
- Repite los casos dudosos y compara coste por resultado aceptado.
| Métrica | Qué guardar |
|---|---|
| Resultado aceptado | Comprobaciones superadas y fallos pendientes |
| Intervención | Aclaraciones, aprobaciones, arreglos manuales, reinicios |
| Tiempo | Desde el inicio hasta un resultado aceptable |
| Medición | Entrada sin caché, caché, salida, tools y retries |
| Fricción | Tool calls inválidas, contexto perdido, refusals |
Detén la comparación si un modelo carece de la modalidad obligatoria, supera el presupuesto o mantiene una ventaja clara en una segunda muestra. Si la diferencia cabe en la variación normal, conserva el candidato más barato como valor inicial.
Veredicto y siguiente paso
Para la mayoría de equipos de texto y código, DeepSeek V4 Flash merece la primera muestra real. Kimi K3 es la elección especializada para multimodalidad y tareas largas de alto valor. GLM-5.2 es el rival práctico cuando reduce de forma repetible el retrabajo de Flash.
Usa la API oficial si necesitas el contrato exacto de razonamiento, caché o multimodalidad. Si prefieres una conexión OpenAI-compatible, la documentación de LaoZhang API describe una API unificada y un endpoint Models; consulta la lista actual antes de asumir que una ruta concreta existe. Si también comparas agentes occidentales, continúa con GPT-5.6 Sol vs Claude Fable 5 en español.