Cargando datos de benchmark…
EyesInAI·Cargando datos de benchmark en vivo
Los modelos Claude 5.5 razonan antes de responder salvo que se les indique lo contrario. Todas nuestras rutas envían a cada modelo su ajuste de razonamiento mínimo, porque razonar cuesta tokens y tiempo. Esta corrida revisa esa decisión: las mismas solicitudes de la comparativa de niveles de Claude, respondidas con el ajuste mínimo y con el valor por defecto del modelo, calificadas igual.
Corrida del 14 de octubre de 2026 · 540 respuestas calificadas · juez Claude Opus 5.5 · gasto total USD 6.46
| Modelo | Razonamiento mínimo (lo que enviamos) | Valor por defecto |
|---|---|---|
| Claude Haiku 5.5 | razonamiento desactivado | razonamiento adaptativo, esfuerzo medio (por defecto) |
| Claude Sonnet 5.5 | razonamiento between_tools | razonamiento adaptativo, esfuerzo alto (por defecto) |
| Claude Opus 5.5 | razonamiento adaptativo, esfuerzo bajo | razonamiento adaptativo, esfuerzo medio (por defecto) |
Comparadas solo en respuestas calificadas con ambos ajustes (2 corridas de cada problema): aprobadas de esos pares, con su costo y latencia. Aprueba una respuesta con calificación de 4 o 5 sobre 5 frente a una respuesta esperada escrita.
Aprobadas · Costo por 1,000 respuestas · Latencia mediana
Aprobadas de 10–20 por celda: primero el ajuste mínimo, luego el valor por defecto.
| Tipo de solicitud | Haiku 5.5 | Sonnet 5.5 | Opus 5.5 |
|---|---|---|---|
| Estado del pedido | 8/10 · 9/10 | 10/10 · 10/10 | 10/10 · 10/10 |
| Solicitud de reembolso | 10/10 · 10/10 | 10/10 · 10/10 | 10/10 · 10/10 |
| Preguntas sobre productos | 10/10 · 10/10 | 10/10 · 10/10 | 10/10 · 10/10 |
| Pregunta rápida | 10/10 · 10/10 | 10/10 · 10/10 | 10/10 · 10/10 |
| Redacción | 10/10 · 9/10 | 10/10 · 10/10 | 9/10 · 10/10 |
| Resumir un ticket | 10/10 · 9/10 | 10/10 · 10/10 | 10/10 · 10/10 |
| Código | 10/10 · 10/10 | 10/10 · 10/10 | 10/10 · 10/10 |
| Análisis a fondo | 17/20 · 19/20 | 20/20 · 20/20 | 20/20 · 20/20 |
Una empresa de prueba ficticia y sus solicitudes de soporte: demuestra el método, no el estándar de un cliente. Solo 10–20 respuestas por celda: una diferencia de uno o dos aprobados puede ser azar. Los problemas son cortos y bien definidos; una tarea que exige una cadena larga de razonamiento podría ganar más con el razonamiento que estas.
45 problemas escritos a mano en ocho tipos de solicitud, 2 corridas de cada uno, los tres modelos con ambos ajustes en una sola corrida. Mismo prompt y mismo presupuesto de respuesta; el valor por defecto recibió espacio extra para los tokens de razonamiento. Claude Opus 5.5 calificó las respuestas frente a una respuesta esperada. Los costos son los tokens de entrada y de salida de cada respuesta (razonamiento incluido) a precio de lista, sin el juez. 0 respuestas quedaron sin calificar. Id de corrida thinking_20261014T123152Z.
Qué modelo necesita cada tipo de solicitud: comparativa de niveles de Claude. Todas las corridas que publicamos: todas las comparativas.