Matriz de Seleccion de Modelos de AI
Compara modelos LLM por costo, latencia, context window, accuracy y use case. Incluye criterios de decision, resultados de benchmarks, comparacion de pricing y recomendaciones para classification, extraction, summarization, code y agent tasks.
Overview
Esta matriz compara LLM models across cost, latency, context window, accuracy, y task suitability. Usala para selectar el right model para tu use case y budget. Updatea pricing y benchmarks a medida que new models se releasean.
1. Model Comparison Table
Model | Input $/1K | Output $/1K | Context | Latency p50 | Multimodal
───────────────────┼────────────┼─────────────┼─────────┼─────────────┼───────────
GPT-4o | $0.00250 | $0.01000 | 128K | 800ms | Yes
GPT-4o-mini | $0.00015 | $0.00060 | 128K | 300ms | Yes
Claude 3.5 Sonnet | $0.00300 | $0.01500 | 200K | 1000ms | Yes
Claude 3 Haiku | $0.00025 | $0.00125 | 200K | 400ms | Yes
Llama 3.1 70B | $0.00059 | $0.00079 | 128K | 600ms | No
Llama 3.1 8B | $0.00005 | $0.00008 | 128K | 200ms | No
Gemini 1.5 Pro | $0.00125 | $0.00500 | 2M | 1200ms | Yes
Gemini 1.5 Flash | $0.000075 | $0.00030 | 1M | 400ms | Yes
Mistral Large | $0.00200 | $0.00600 | 128K | 700ms | No
Mistral Small | $0.00020 | $0.00060 | 128K | 300ms | No
2. Cost per 1000 Queries
Assumptions: 1500 input tokens, 500 output tokens per query
Model | Cost per query | Cost per 1K queries | Monthly (10K q/day)
───────────────────┼────────────────┼─────────────────────┼────────────────────
GPT-4o | $0.00875 | $8.75 | $2,625.00
GPT-4o-mini | $0.00053 | $0.53 | $157.50
Claude 3.5 Sonnet | $0.01125 | $11.25 | $3,375.00
Claude 3 Haiku | $0.00094 | $0.94 | $281.25
Llama 3.1 70B | $0.00129 | $1.29 | $386.25
Llama 3.1 8B | $0.00012 | $0.12 | $35.40
Gemini 1.5 Pro | $0.00438 | $4.38 | $1,312.50
Gemini 1.5 Flash | $0.00021 | $0.21 | $63.75
Mistral Large | $0.00600 | $6.00 | $1,800.00
Mistral Small | $0.00060 | $0.60 | $180.00
3. Task-Based Recommendations
3.1 Classification
Task: Assignar input a uno de N categories
Requirements: Consistency, low cost, low latency
Recommended models (en order):
1. GPT-4o-mini — Best cost/accuracy ratio, 128K context, fast
2. Claude 3 Haiku — Good accuracy, slightly mas expensive
3. Gemini 1.5 Flash — Cheapest option, good para simple categories
4. Llama 3.1 8B — Self-hosted option, lowest cost
Not recommended:
- GPT-4o — Overkill para classification, 15x mas expensive
- Claude 3.5 — Overkill, 12x mas expensive que mini
3.2 Information Extraction
Task: Extraer structured data (entities, relationships, fields) de text
Requirements: Accuracy, structured output, schema adherence
Recommended models (en order):
1. GPT-4o — Best structured output, JSON mode, high accuracy
2. Claude 3.5 — Strong en extraction, good con complex schemas
3. GPT-4o-mini — Good para simple extraction, 15x cheaper
4. Gemini 1.5 Pro — Good para long-document extraction (2M context)
Considerations:
- Usa JSON mode / structured output cuando available
- Valida output schema en application code
- Para long documents (>100K tokens), usa Gemini 1.5 Pro o Claude 3.5
3.3 Summarization
Task: Condensar long text en un shorter summary
Requirements: Accuracy, coherence, context window para long inputs
Recommended models (en order):
1. Claude 3.5 Sonnet — Best summarization quality, 200K context
2. GPT-4o — Strong summarization, 128K context
3. Gemini 1.5 Pro — Best para very long documents (2M context)
4. Claude 3 Haiku — Good para short documents, lower cost
Considerations:
- Para documents < 10K tokens: any model trabaja well
- Para documents 10K-100K tokens: GPT-4o o Claude 3.5
- Para documents > 100K tokens: Gemini 1.5 Pro (2M context)
3.4 Code Generation y Review
Task: Generar, reviewar, o refactorear code
Requirements: Code accuracy, language support, reasoning ability
Recommended models (en order):
1. Claude 3.5 Sonnet — Best code reasoning, strong en refactoring
2. GPT-4o — Excellent code generation, broad language support
3. GPT-4o-mini — Good para simple code tasks, lower cost
4. Llama 3.1 70B — Good open-source option para self-hosting
Considerations:
- Para complex refactoring: Claude 3.5 Sonnet
- Para boilerplate generation: GPT-4o-mini
- Para code review: GPT-4o (best en identifying subtle bugs)
- Para self-hosting: Llama 3.1 70B con code-specific fine-tunes
3.5 RAG (Retrieval-Augmented Generation)
Task: Answer questions basado en retrieved context
Requirements: Faithfulness, context utilization, citation accuracy
Recommended models (en order):
1. GPT-4o — Best faithfulness, sigue context instructions well
2. Claude 3.5 Sonnet — Strong en synthesizing multiple chunks
3. Gemini 1.5 Pro — Best para large context windows (many chunks)
4. GPT-4o-mini — Good para simple Q&A, lower cost
Considerations:
- Faithfulness es critical — usa temperature 0
- Para multi-chunk synthesis: Claude 3.5 o GPT-4o
- Para large context (20+ chunks): Gemini 1.5 Pro
- Para cost-sensitive RAG: GPT-4o-mini con fewer chunks
3.6 Agent / Tool Use
Task: Multi-step reasoning con tool calls
Requirements: Tool selection accuracy, reasoning, instruction following
Recommended models (en order):
1. Claude 3.5 Sonnet — Best tool use, strong reasoning, function calling
2. GPT-4o — Excellent tool use, parallel function calling
3. GPT-4o-mini — Good para simple agents (1-3 tools)
4. Llama 3.1 70B — Open-source option con function calling
Considerations:
- Para complex agents (5+ tools): Claude 3.5 o GPT-4o
- Para simple agents (1-3 tools): GPT-4o-mini
- Para self-hosted agents: Llama 3.1 70B
- Testea tool selection accuracy antes de deployear
4. Decision Framework
Step 1: Cuál es el task type?
Classification → Empeza con GPT-4o-mini
Extraction → Empeza con GPT-4o
Summarization → Empeza con Claude 3.5
Code → Empeza con Claude 3.5
RAG → Empeza con GPT-4o
Agent → Empeza con Claude 3.5
Step 2: Cuál es el input size?
< 10K tokens → Any model trabaja
10K-100K tokens → GPT-4o, Claude 3.5, o Llama 3.1
100K-500K tokens → Claude 3.5 (200K) o Gemini 1.5 Pro (2M)
> 500K tokens → Gemini 1.5 Pro (2M context)
Step 3: Cuál es tu budget per 1000 queries?
< $1 → GPT-4o-mini, Gemini Flash, Llama 8B
$1-5 → GPT-4o, Gemini Pro, Llama 70B
$5-15 → Claude 3.5, GPT-4o, Mistral Large
> $15 → Any model (cost no es el constraint)
Step 4: Necesitas self-hostear?
Si → Llama 3.1 (8B o 70B dependiendo del hardware)
No → Any cloud model
Step 5: Necesitas multimodal (image input)?
Si → GPT-4o, Claude 3.5, Gemini 1.5
No → Any model
5. Benchmark Results
Benchmark: MMLU (general knowledge)
Model | Score
───────────────────┼──────
GPT-4o | 88.7%
Claude 3.5 Sonnet | 88.3%
Gemini 1.5 Pro | 85.9%
Llama 3.1 70B | 82.0%
GPT-4o-mini | 81.0%
Claude 3 Haiku | 75.2%
Gemini 1.5 Flash | 77.9%
Llama 3.1 8B | 68.5%
Benchmark: HumanEval (code generation)
Model | Score
───────────────────┼──────
Claude 3.5 Sonnet | 92.0%
GPT-4o | 90.2%
Gemini 1.5 Pro | 84.1%
Llama 3.1 70B | 80.5%
GPT-4o-mini | 87.0%
Claude 3 Haiku | 75.1%
Benchmark: Tool Use (function calling accuracy)
Model | Score
───────────────────┼──────
Claude 3.5 Sonnet | 95.0%
GPT-4o | 93.0%
GPT-4o-mini | 85.0%
Llama 3.1 70B | 78.0%
6. Fallback Strategy
# Multi-model fallback chain
FALLBACK_CHAIN = [
{"model": "gpt-4o", "timeout": 30, "retry": 2},
{"model": "claude-3-5-sonnet", "timeout": 30, "retry": 1},
{"model": "gpt-4o-mini", "timeout": 15, "retry": 1},
]
async def call_with_fallback(prompt: str, **kwargs):
for config in FALLBACK_CHAIN:
try:
response = await call_llm(
model=config["model"],
prompt=prompt,
timeout=config["timeout"],
retry_count=config["retry"],
**kwargs,
)
return response
except (TimeoutError, RateLimitError, ServiceUnavailableError):
continue # Try next model
raise Exception("All models in fallback chain failed")
Puntos Clave
- Aplica matriz de seleccion de modelos de ai cuando necesites una solución práctica para tu caso de uso.
- Monitorea el rendimiento después de implementar; mide latencia, errores y uso de recursos antes y después.
- Revisa la sección de Troubleshooting ante errores comunes; la mayoría tienen causa raíz documentada con solución.
- Mantén dependencias actualizadas y ejecuta tests en CI para prevenir regresiones en producción.
See Also
- Complete Guide to LLM Prompt Engineering
- Complete Guide to LangChain in Production
- Complete Guide to LLM Application Architecture
- Complete Guide to LLM Cost Optimization
- Complete Guide to LLM Evaluation
Troubleshooting
- Model outputs are inconsistent: set temperature to 0 for deterministic tasks, use seed where supported, and version the prompt.
- Prompt injection leaks context: separate user input from system instructions.
- High token costs: cache embeddings, summarize long context, and choose smaller models for simple tasks.
- Retrieval returns irrelevant chunks: tune chunk size, overlap, and metadata filters. Evaluate retrieval metrics separately from generation.
- Evaluation scores do not match human judgment: Human review is still the ground truth.
Errores Comunes en Producción
- Dejar campos requeridos vacíos o usar respuestas vagas de una palabra.
- Llenar el documento una vez y nunca actualizarlo cuando cambia el alcance o las decisiones.
- Guardar el documento donde el equipo no lo busque durante incidentes o revisiones.
- No asignar un responsable, fecha límite o cadencia de revisión.
- Copiar texto base sin eliminar secciones que no aplican.
- Saltar el control de versiones, lo que impide rollback y responsabilidad.
- No vincular el documento con decisiones relacionadas o acciones de seguimiento.
- Evitar revisiones trimestrales que retirarían secciones obsoletas o sin uso.
Preguntas frecuentes
¿Con qué frecuencia deberia re-evaluar mi model choice?
Re-evalua quarterly. Model providers releasean new versions frequentemente, y pricing cambia often. Corre tu test set contra new models cuando launchean. Trackea cost, latency, y quality metrics over time. Switchea models cuando un new model offerce better quality a lower cost, o cuando tu current model es deprecated.
¿Deberia usar el mismo model para all tasks?
No. Different tasks tienen different requirements. Usa cheap models (GPT-4o-mini, Claude Haiku) para simple tasks como classification y sentiment analysis. Usa premium models (GPT-4o, Claude 3.5) para complex tasks como code generation, extraction, y agent reasoning. Este mixed-model approach puede reduce costs by 50-80% comparado a usar un premium model para everything.
¿Cómo hago benchmark de models para mi specific use case?
Crea un test set de 100+ representative inputs con expected outputs. Corre cada model en el test set con temperature 0. Scorea los outputs usando: (1) automated metrics (exact match, F1, BLEU), (2) LLM-as-judge para subjective quality, (3) human review para un sample. Compara cost per 1000 queries, p95 latency, y quality score. Choosee el model que meetea tu quality threshold al lowest cost.
¿Cuándo deberia self-hostear vs usar un cloud API?
Self-hostea cuando: (1) tienes strict data privacy requirements, (2) tu query volume es high enough que API costs exceden GPU costs (tipicamente 100K+ queries/day), (3) necesitas sub-100ms latency, (4) necesitas fine-grained control sobre el model. Usa cloud APIs cuando: (1) query volume es low to medium, (2) necesitas el best available model, (3) queres avoid infrastructure management, (4) necesitas multimodal capabilities que open-source models no tienen.
¿Cuál es la diferencia entre GPT-4o y GPT-4o-mini?
GPT-4o es el full-capability model con el best reasoning, code generation, y complex task performance. GPT-4o-mini es un smaller, faster, cheaper variant que retiene most de la capability a 15x lower cost. Para most tasks (classification, simple extraction, summarization de short texts), GPT-4o-mini produce nearly identical results. Usa GPT-4o para complex reasoning, long-context tasks, y high-stakes generation donde quality mattera mas que cost.
Recursos Relacionados
Plantilla de Tracking de Costos de LLM
Trackea token usage y costs por feature, model y user. Incluye categorias de costos, tablas de pricing, budget alerts, estrategias de optimizacion y plantillas de reportes para spending de LLM API.
DocLibrería de Plantillas de Prompts para LLM
Una librería reutilizable de plantillas de prompts para tareas comunes de LLM: resumir, extraer, clasificar, revisar codigo, traducir y output estructurado con variables, ejemplos y criterios de evaluacion.
DocPlantilla de Documento de Diseño de AI Agent
Documenta arquitectura de AI agents, tools, memory, reasoning patterns, safety guardrails, criterios de evaluacion y configuracion de deployment. Incluye system prompts, tool definitions y failure modes.
DocChecklist de Preparacion de Datos para AI
Checklist para preparar datos para LLM y RAG systems: data collection, cleaning, chunking, embedding, deduplication, PII removal, format validation, quality scoring e indexing con metricas y thresholds.
DocPlantilla de Version Control de Prompts de AI
Versiona tus LLM prompts con eval scores, change history, rollback support y A/B testing. Incluye prompt metadata schema, changelog format, evaluation tracking y CI/CD integration para prompt management.