Comparación benchmark de Gemini 3.5 Flash vs Grok 4.20 Beta: Gemini 3.5 Flash lidera en puntuación media con 9.6 vs 8.5. Grok 4.20 Beta tiene menor coste de benchmark con $0.750 vs $1.115. Gemini 3.5 Flash es más rápido con 8.84s vs 9.75s, con tasas de acierto de 96.8% vs 81.5%.
Modelo recomendado: Gemini 3.5 Flash - Tiene la puntuación más alta en esta comparación (9.6) y el mejor equilibrio general entre coste y tiempo de respuesta en los 2 modelos.
Benchmarks generados a partir de los suites de prueba de AI BENCHY en: 2026-06-10
Grok 4.20 BetaGrok 4.20 BetamediumModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.Lanzamiento: 2026-03-12
Puntuación
9.6Puntaje promedio en todas las pruebas de benchmark.…
8.5Puntaje promedio en todas las pruebas de benchmark.…
Rango
#2
#14
Fiabilidad
10.0Puntuación de éxito en el primer intento: 10.0 significa que no hubo fallos reintentables de la API objetivo ni de límite de tasa antes de llamadas exitosas; los fallos registrados bajan la puntuación.…
N/DPuntuación de éxito en el primer intento: 10.0 significa que no hubo fallos reintentables de la API objetivo ni de límite de tasa antes de llamadas exitosas; los fallos registrados bajan la puntuación.…
Consistencia
9.6La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
9.5La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
Pruebas correctas
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 1Tiempo de respuesta (promedio)8.84sTiempo de respuesta (máximo)34.82sTiempo de respuesta (total)185.57sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 3No siguió las instrucciones: 1Tiempo de respuesta (promedio)9.75sTiempo de respuesta (máximo)31.36sTiempo de respuesta (total)175.48sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Tasa de aciertos por intento
96.8%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
81.5%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
Pruebas inestables
1Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
1Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Ejecuciones totales
63Ejecuciones totales…
52Ejecuciones totales…
Costo por resultado
5.575Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
4.505Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
Costo total
$1.115Costo total (precio actual)…
$0.750Costo total (precio actual)…
Precio de entrada
$1.500 / 1MPrecio de entrada…
$5.805 / 1MPrecio de entrada…
Precio de salida
$9.000 / 1MPrecio de salida…
$5.805 / 1MPrecio de salida…
Total de tokens de entrada
37,594Total de tokens de entrada…
35,955Total de tokens de entrada…
Tokens de salida
1,975Tokens de salida…
1,647Tokens de salida…
Tokens de razonamiento
115,638Tokens de razonamiento…
91,565Tokens de razonamiento…
Tiempo de respuesta (promedio)
8.84sTiempo de respuesta (promedio)…
9.75sTiempo de respuesta (promedio)…
Tiempo de respuesta (máximo)
34.82sTiempo de respuesta (máximo)…
31.36sTiempo de respuesta (máximo)…
Tiempo de respuesta (total)
185.57sTiempo de respuesta (total)…
175.48sTiempo de respuesta (total)…
Generation showcase
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)2.57sTiempo de respuesta (máximo)3.60sTiempo de respuesta (total)10.27sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
2.57sTiempo de respuesta (promedio)…
492Total de tokens de entrada…
174Tokens de salida…
4,997Tokens de razonamiento…
Grok 4.20 BetaModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.
8.7Puntaje promedio en todas las pruebas de benchmark.…
7.9La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
91.7%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
1Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 1Tiempo de respuesta (promedio)3.16sTiempo de respuesta (máximo)3.44sTiempo de respuesta (total)12.65sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)22.96sTiempo de respuesta (máximo)34.82sTiempo de respuesta (total)68.88sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
22.96sTiempo de respuesta (promedio)…
8,118Total de tokens de entrada…
456Tokens de salida…
47,129Tokens de razonamiento…
Grok 4.20 BetaModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)31.36sTiempo de respuesta (máximo)31.36sTiempo de respuesta (total)31.36sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)22.37sTiempo de respuesta (máximo)22.37sTiempo de respuesta (total)22.37sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
22.37sTiempo de respuesta (promedio)…
12,873Total de tokens de entrada…
351Tokens de salida…
16,323Tokens de razonamiento…
Grok 4.20 BetaModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)20.93sTiempo de respuesta (máximo)20.93sTiempo de respuesta (total)20.93sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)6.43sTiempo de respuesta (máximo)8.51sTiempo de respuesta (total)12.87sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
6.43sTiempo de respuesta (promedio)…
7,548Total de tokens de entrada…
279Tokens de salida…
8,466Tokens de razonamiento…
Grok 4.20 BetaModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)4.01sTiempo de respuesta (máximo)4.27sTiempo de respuesta (total)8.02sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
7.6Puntaje promedio en todas las pruebas de benchmark.…
7.2La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
77.8%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
1Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 1Tiempo de respuesta (promedio)14.09sTiempo de respuesta (máximo)22.00sTiempo de respuesta (total)42.27sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
14.09sTiempo de respuesta (promedio)…
633Total de tokens de entrada…
12Tokens de salida…
24,721Tokens de razonamiento…
Grok 4.20 BetaModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.
5.3Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
33.3%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 2Tiempo de respuesta (promedio)21.33sTiempo de respuesta (máximo)24.21sTiempo de respuesta (total)64.00sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)3.63sTiempo de respuesta (máximo)3.63sTiempo de respuesta (total)3.63sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
3.63sTiempo de respuesta (promedio)…
486Total de tokens de entrada…
115Tokens de salida…
1,650Tokens de razonamiento…
Grok 4.20 BetaModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)5.78sTiempo de respuesta (máximo)5.78sTiempo de respuesta (total)5.78sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)3.35sTiempo de respuesta (máximo)3.42sTiempo de respuesta (total)6.69sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
3.35sTiempo de respuesta (promedio)…
615Total de tokens de entrada…
70Tokens de salida…
3,799Tokens de razonamiento…
Grok 4.20 BetaModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.
9.8Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)4.89sTiempo de respuesta (máximo)5.89sTiempo de respuesta (total)9.78sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)3.23sTiempo de respuesta (máximo)3.68sTiempo de respuesta (total)9.69sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
3.23sTiempo de respuesta (promedio)…
558Total de tokens de entrada…
241Tokens de salida…
4,940Tokens de razonamiento…
Grok 4.20 BetaModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)3.52sTiempo de respuesta (máximo)4.53sTiempo de respuesta (total)10.57sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
9.8Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)4.96sTiempo de respuesta (máximo)4.96sTiempo de respuesta (total)4.96sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
4.96sTiempo de respuesta (promedio)…
6,115Total de tokens de entrada…
265Tokens de salida…
1,608Tokens de razonamiento…
Grok 4.20 BetaModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.
3.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
0.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No siguió las instrucciones: 1Tiempo de respuesta (promedio)12.39sTiempo de respuesta (máximo)12.39sTiempo de respuesta (total)12.39sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)3.94sTiempo de respuesta (máximo)3.94sTiempo de respuesta (total)3.94sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
3.94sTiempo de respuesta (promedio)…
156Total de tokens de entrada…
12Tokens de salida…
2,005Tokens de razonamiento…
Grok 4.20 BetaModelo archivado: este modelo ya no se actualiza ni se prueba en pruebas nuevas.