Wafer: inteligencia, rendimiento y precio de sus modelos
Este análisis está pensado para ayudarte a elegir el mejor modelo ofrecido por Wafer para tu caso de uso.
Más inteligente
Kimi K3.1 Pro
DeepSeek V4.1 Flash 1017 (max)
GLM-5.3 (max)GLM-5.3-Flash
Qwen3.8 27B (xhigh)Intelligence Index
8 modelos en total
Menor tiempo por tarea
Qwen3.8 27B (non-reasoning)DeepSeek V4.1 Flash 1017 (max)Kimi K3.1 ProQwen3.8 27B (xhigh)GLM-5.3-FlashTiempo por tarea del Intelligence Index (minutos)
8 modelos en total
Menor precio
GLM-5.3-FlashDeepSeek V4 Flash 0731 (max) (FAST)DeepSeek V4.1 Flash 1017 (max)DeepSeek V4.1 Flash (max)Qwen3.8 27B (xhigh)Precio combinado (por 1M de tokens)
8 modelos en total
Wafer ofrece 8 modelos, cada uno con distintas características de inteligencia, rendimiento y precio. A continuación se comparan las métricas clave entre modelos.
- En inteligencia, los mejores modelos en Wafer son Kimi K3.1 Pro (46), DeepSeek V4.1 Flash 1017 (max) (33) y GLM-5.3 (max) (32).
- En tiempo por tarea, Qwen3.8 27B (non-reasoning) (6.8 min), DeepSeek V4.1 Flash 1017 (max) (10.4 min) y Kimi K3.1 Pro (14.7 min) completan una tarea del Intelligence Index más rápido en Wafer. El tiempo por tarea varía significativamente entre modelos: el más lento tarda 2.8x más que el más rápido.
- En latencia, Qwen3.8 27B (non-reasoning) (3.61s), DeepSeek V4 Flash 0731 (max) (FAST) (26.99s) y DeepSeek V4.1 Flash 1017 (max) (34.02s) ofrecen el menor tiempo hasta el primer token de respuesta.
- En precios, GLM-5.3-Flash ($0.05), DeepSeek V4 Flash 0731 (max) (FAST) ($0.07) y DeepSeek V4.1 Flash 1017 (max) ($0.08) ofrecen los menores precios combinados por 1M de tokens. Los precios varían hasta 5.5x entre modelos.
- En tamaño de ventana de contexto, Kimi K3.1 Pro (1M), DeepSeek V4.1 Flash 1017 (max) (1M) y DeepSeek V4.1 Flash (max) (1M) admiten las ventanas de contexto más grandes en Wafer.
Inteligencia
Artificial Analysis Intelligence Index
Evaluations
Agentic knowledge work, Elo
Knowledge
1 - hallucination rate
Agentic SaaS workflows
Agentic scientific research workflows in a terminal
Agentic software engineering in open-source repositories
Reasoning & knowledge
Professional document reasoning, All-pass
Agentic coding & terminal use
Physics reasoning
Quantitative analysis on spreadsheets & documents
Legal agentic work, Hallucination-Gated All-Pass Rate
Agentic business operations
Agentic real-world work tasks, Elo
Agentic interactive 3D experiences, Elo
Product and brand videos designed in code, Elo
Kubernetes incident root-cause analysis
Medical long context reasoning
Visual reasoning
Rich, varied, well-crafted language
Well-structured, scannable, answer-first
Truthful, acknowledges uncertainty, non-sycophantic
Use of filler and generic language
Intelligence Index vs. precio
Precios
Costo por tarea del Intelligence Index
Intelligence Index vs. precio
Velocidad
Promedio de las cargas medidas de solicitud única y agénticas multiturno
Tiempo por tarea del Intelligence Index
Calidad
Endpoint Accuracy Index
Latencia
Promedio de las cargas medidas de solicitud única y agénticas multiturno
Tiempo hasta el primer token de respuesta
Fiabilidad
Proporción de solicitudes que el endpoint no completó, en todas las cargas medidas de solicitud única y agénticas multiturno
Tasa de errores del endpoint
Caché
Tasa de aciertos de caché
Costo por tarea vs. Tasa de aciertos de caché
Análisis adicional | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|
Kimi K3.1 Pro | 46 | $3.50 | 13.6 | 74.45 | 6.3% | 1M | Abierto | |||
DeepSeek V4.1 Flash 1017 (max) | 33 | $0.38 | 10.9 | 44.63 | 0.8% | 1M | Abierto | |||
GLM-5.3 (max) | 32 | $3.13 | 19.4 | 38.10 | 0.0% | 1M | Abierto | |||
GLM-5.3-Flash | 28 | $0.52 | 18.4 | 35.99 | 0.0% | 1M | Abierto | |||
Qwen3.8 27B (xhigh) | 20 | $1.05 | 16.0 | 56.10 | 0.0% | 262k | Abierto | |||
Qwen3.8 27B (non-reasoning) | 10 | $1.18 | 7.3 | 3.54 | 0.0% | 262k | Abierto | |||
DeepSeek V4.1 Flash (max) | -- | -- | -- | 32.76 | 0.0% | 1M | Abierto | |||
DeepSeek V4 Flash 0731 (max) (FAST) | -- | -- | -- | 26.84 | 0.0% | 1M | Abierto | |||
Definiciones clave
Preguntas frecuentes
Preguntas comunes sobre Wafer
Wafer ofrece 8 modelos que monitoreamos: Kimi K3.1 Pro, DeepSeek V4.1 Flash 1017 (max), GLM-5.3 (max), GLM-5.3-Flash, Qwen3.8 27B (xhigh), Qwen3.8 27B (non-reasoning), DeepSeek V4.1 Flash (max) y DeepSeek V4 Flash 0731 (max) (FAST).
El modelo más inteligente disponible en Wafer es Kimi K3.1 Pro, con una puntuación de 46 en el Intelligence Index.
El modelo con el menor tiempo por tarea en Wafer es Qwen3.8 27B (non-reasoning), con 6.8 minutos por tarea del Intelligence Index. El tiempo por tarea es la cantidad de tokens de salida por tarea dividida por la velocidad de salida de extremo a extremo; un valor menor significa que la tarea termina antes.
El modelo con el menor tiempo hasta el primer token de respuesta en Wafer es Qwen3.8 27B (non-reasoning), con 3.61s. Una menor latencia significa una respuesta inicial más rápida.
El modelo más económico en Wafer por precio combinado es GLM-5.3-Flash, a $0.051 por 1M de tokens (proporción 7:2:1 de aciertos de caché/entrada/salida).
Los precios en Wafer varían hasta 30.2x entre modelos, desde $0.051 por 1M de tokens para GLM-5.3-Flash hasta $1.54 por 1M de tokens para Kimi K3.1 Pro.
Sí, Wafer ofrece una API compatible con OpenAI, lo que facilita cambiar desde OpenAI o usar integraciones existentes del SDK de OpenAI.
Sí, los 8 modelos en Wafer admiten el modo JSON para salida estructurada.
Sí, los 8 modelos en Wafer admiten llamadas a funciones (uso de herramientas).
Sí, Wafer ofrece 7 modelos de razonamiento: Kimi K3.1 Pro, DeepSeek V4.1 Flash 1017 (max), GLM-5.3 (max), GLM-5.3-Flash, Qwen3.8 27B (xhigh), DeepSeek V4.1 Flash (max) y DeepSeek V4 Flash 0731 (max) (FAST). Los modelos de razonamiento usan pensamiento extendido para resolver problemas complejos antes de responder.
Sí, los 8 modelos en Wafer son modelos de pesos abiertos.
Sí, el rendimiento de un proveedor puede variar con el tiempo debido a cambios de infraestructura, balanceo de carga y actualizaciones. Medimos continuamente a todos los proveedores y mostramos las tendencias históricas de rendimiento en los gráficos "a lo largo del tiempo".
Al elegir un modelo en Wafer, considera: inteligencia (para tareas sensibles a la calidad), tiempo por tarea (la rapidez con la que el modelo completa una tarea del Intelligence Index), latencia (para aplicaciones interactivas que requieren primeras respuestas rápidas), precios (para cargas de trabajo sensibles al costo) y funcionalidades como el tamaño de la ventana de contexto, el modo JSON o las llamadas a funciones.