Cuando un número equivocado cuesta dinero, el silencio es la respuesta correcta.

Lo que concluimos

Solo un candidato de pesos abiertos (open-weight) queda libre de descalificación, y llena muy poco para cambiarnos a él, así que nos quedamos en nuestro stack. Se sometieron dos a un bake-off con el prompt congelado. Qwen3-235B no inventó nada y no cometió ninguna violación de alcance en todas sus ejecuciones, y llenó entre 0 y 4 de 27 partidas: limpio, pero con un llenado pequeño e irregular. gpt-oss-120b tampoco inventó nada y fue más rápido y barato, pero en varias de sus ejecuciones marcó una cantidad como verificada a partir de una capa del límite del predio: un área real aplicada al alcance equivocado, lo cual es una violación de alcance y lo descalifica según la regla. Ser más rápido y barato no sobrevive a una violación de alcance.

Lea las cifras de llenado frente a la referencia, no de forma aislada. La referencia opus-5 no es un blanco estable: sus ejecuciones llenan entre 1 y 5 de 27 partidas, así que coincidir con una sola ejecución de referencia es una señal débil, y con un máximo de 5 partidas llenadas, ninguna referencia demuestra todavía que algún modelo llene correctamente un presupuesto completo cuando los planos sí respaldan una cifra. Lo que esta ejecución establece es el modo de falla, no una clasificación.

Use los datos

Cada cifra de esta página sale de un solo archivo JSON, servido de forma abierta para que usted lo verifique o lo grafique por su cuenta.