Comparar los modelos GPT-5: razonamiento, velocidad y coste
Exploramos las diferencias entre la familia GPT-5 de OpenAI (por ejemplo, GPT-5, GPT-5-mini y GPT-5-nano) recopilando el rendimiento en los benchmarks y los costes de ejecutar los benchmarks.
Precio frente a éxito: conclusiones clave
Usamos la familia GPT-5 en nuestro análisis. Usamos seis benchmarks de diversas áreas, incluidos el razonamiento, la programación, el seguimiento de instrucciones y las matemáticas.
Nuestro análisis reveló:
- En promedio entre los benchmarks, GPT-5 (high) y GPT-5 (medium) ofrecen tasas de éxito casi idénticas (65 % frente a 64 %), aunque GPT-5 (high) cuesta casi el doble ($511 frente a $280). Les siguen GPT-5-mini (high), GPT-5 (low) y GPT-5-mini (medium), con tasas de éxito del 62 %, 61 % y 60 %, respectivamente, a precios más bajos de $105, $90 y $28. Esto demuestra que al aceptar una caída de ~5 % en la tasa de éxito, las tareas pueden completarse con un coste hasta 18 veces menor al cambiar de GPT-5 (high) a GPT-5-mini (medium).
- GPT-5-mini (high) supera a GPT-5 (low) en casi todos los benchmarks, y lo hace con el mismo coste o uno inferior. En IFBench, las tasas de éxito son 75 % frente a 67 %; en AIME 2025, 97 % frente a 83 %; en Humanity’s Last Exam, 20 % frente a 18 %; y en GPQA Diamond, 83 % frente a 81 %. Empatan en SciCode con un 39 %; aun así, GPT-5-mini (high) sigue resultando más económico.
- El modelo más caro, GPT-5 (high), supera al segundo mejor en tres benchmarks e, incluso en esos casos, el margen no supera el 3 %. En todos los demás benchmarks, alternativas más baratas lo superan.
Diferencias clave entre los modelos GPT
Los tres modelos difieren principalmente en profundidad de razonamiento, velocidad y coste. Las nuevas funciones se pueden usar en todos los modelos, pero su impacto varía según el modelo.
Razonamiento
- GPT-5 ofrece la capacidad de razonamiento más sólida. Es adecuado para problemas complejos de varios pasos en programación, análisis científico o soporte de decisiones.
- GPT-5 mini ofrece un razonamiento sólido para prompts estructurados con límites de tarea predecibles.
- GPT-5 nano tiene un rendimiento de razonamiento moderado y funciona mejor en tareas que no requieren un análisis profundo.
- El modo de razonamiento mínimo se puede usar con todos los modelos y aporta el mayor beneficio a GPT-5 nano y GPT-5 mini, dada su ventaja de velocidad.
Velocidad
- GPT-5 nano es la opción más rápida y es eficaz para cargas de trabajo en tiempo real o a gran escala.
- GPT-5 mini equilibra velocidad y razonamiento, lo que lo hace adecuado para cargas de trabajo de producción habituales.
- GPT-5 es más lento porque realiza más razonamiento interno, pero esto da como resultado una salida más precisa.
- El modo de razonamiento mínimo puede reducir aún más la latencia, especialmente para nano.
Coste
- GPT-5 nano tiene el coste más bajo por token. Se prefiere para tareas de gran volumen, como la clasificación por lotes o el resumen.
- GPT-5 mini se sitúa en la gama media y ofrece un equilibrio entre capacidad y coste.
- GPT-5 es el modelo más caro y se suele usar cuando la precisión y la coherencia son prioritarias.
- Los ajustes de verbosidad influyen en el coste porque una mayor verbosidad produce más tokens de salida.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{ermut2026,
author = {Ermut, Sıla and Alper, Şevval},
title = {{Comparar los modelos GPT-5: razonamiento, velocidad y coste}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/llm-parameters}},
note = {AIMultiple. Recuperado el 21 de agosto de 2026}
}Resultados y marcas de tiempo de 3 puntos de datos. Descargue los datos resumidos que se muestran en los gráficos y las tablas de este artículo como un archivo ZIP que contiene un archivo CSV.
¿Quieres los datos granulares que hay detrás? Únete a Premium
Registro de cambios
2 actualizacionesSe amplió la sección "¿Qué son los parámetros LLM?" con detalles sobre el tamaño del modelo, los fundamentos del entrenamiento y el muestreo top k.
Eliminado el parámetro de temperatura de la lista de parámetros clave.
Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla tiene un máster en Psicología Social y una licenciatura en Relaciones Internacionales.
Şevval se centra en herramientas de codificación con IA, agentes de IA y tecnologías cuánticas.
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.