El modelo que pagas es el modelo que responde

Un modelo sigue a la venta cuando su mejor ejecución aquí queda a un elemento de la del fabricante, su llamada a herramientas es la misma, su bloque de razonamiento va firmado donde el fabricante firma uno, y sus tokens de entrada coinciden con los del fabricante o difieren por el contexto propio de la línea, que esta página recoge.

Solve all 12 items exactly. You have no tools; reason carefully. Reply with ONLY 12 lines in the form `N: answer` (no words, no units, no thousands separators).
1: Sum of the decimal digits of 2^200.
2: Number of integer partitions of 50.
3: Number of twin prime pairs (p, p+2) with p < 3000.
4: Determinant of the matrix [[3, -1, 4, 2], [1, 5, -9, 2], [6, 5, 3, -5], [8, 9, -7, 9]].
5: Day of the week (English) of 17 March 2031.
6: Length of the longest common subsequence of "AGGTABCXKQTRPLMZNVWY" and "GXTXAYBKQRTPLZMNWVYC".
7: Let f(n) be the number of Collatz steps to reach 1 (n -> n/2 if even, 3n+1 if odd). Let m be the n in 1..199 with the largest f(n) (smallest n on ties). Answer m*1000 + f(m).
8: The permutation at 0-indexed lexicographic position 31337 of the digits 01234567, written as 8 digits.
9: 7^222 mod 1009.
10: How many integers from 1 to 10000 have digit sum 19.
11: Number of derangements of 10 elements.
12: Number of occurrences of the letter r in: "the quick brown fox jumps over the lazy dog while seventeen irritated terriers hurriedly retrieve arbitrary forgotten rubber rings".

Respuestas exactas

Una línea cuenta como acierto cuando coincide con la respuesta esperada. Claude se ejecutó con razonamiento adaptativo. Los demás modelos se ejecutaron con los ajustes de partida de su endpoint, y de nuevo con un esfuerzo de razonamiento fijado allí donde ambos lados partían de valores distintos.

Tokens de entrada

El uso que informa cada endpoint para tres prompts fijos. El recuento lo decide el tokenizador del modelo, así que el modelo de otro creador informa de otra cifra, y una instrucción oculta la aumenta.

Llamada a herramienta

Una solicitud con una herramienta del tiempo que recibe una ciudad y una unidad. Los argumentos tienen que ser los mismos que devuelve el modelo del creador.

Razonamiento firmado

Anthropic firma el bloque de razonamiento de una respuesta de Claude. Todas las respuestas de Claude de esta prueba llegaron con ese bloque y su firma.

La referencia

Claude se comparó con la API de Anthropic, llamada con nuestra propia clave. GPT, Gemini y Grok se compararon con el mismo modelo a través de OpenRouter, un enrutador público.

Cuándo

Entre las 14:10 y las 14:46 UTC del 11 de noviembre de 2026. Cada llamada fue una conversación nueva, en streaming, y se dirigió a la línea que sirve el modelo, antes del recuento propio del endpoint.

Claude con llamada directa

En una llamada directa a la API con razonamiento adaptativo, la línea Claude pensó durante más tiempo que el endpoint de Anthropic en algunas ejecuciones. En 8 ejecuciones de la batería, Claude Opus 5.5 usó aquí de 2982 a 31.999 tokens de salida, frente a 2883 a 7903 en 5 ejecuciones en Anthropic. Una respuesta de Claude Sonnet 5.5 llegó a 46.822 tokens de salida con un max_tokens de 32.000, y algunas llamadas informaron de 724 tokens de prompt más que Anthropic para el mismo prompt. La línea Claude corta el texto en el max_tokens que fija la solicitud, de modo que el endpoint no factura salida de Claude más allá de ese límite. Dentro de él, la salida y esos tokens de prompt se facturan tal como se informan, así que una llamada directa que piensa más cuesta más.

Claude a través de Claude Code

Enviada por Claude Code con esfuerzo medio, la batería necesitó 1438 tokens de salida en Claude Opus 5.5 y 1992 en Claude Fable 5.2, frente a 5564 y 1578 en Anthropic, con todas las respuestas correctas en ambos lados.

Esfuerzo de razonamiento

Las líneas de GPT-6.1 Terra y Gemini 4 Argon parten de un nivel de esfuerzo de razonamiento más bajo que el del endpoint del fabricante cuando la solicitud no define ninguno. GPT-6.1 Terra obtuvo 11 de 12 de ese modo y 12 con el esfuerzo fijado en high. Gemini 4 Argon obtuvo 7 y después 12 con el esfuerzo fijado. Define reasoning_effort en la solicitud cuando la tarea lo necesite.

Límite de salida

Las líneas GPT y la línea Grok 4.7 no se detienen en max_tokens. Al pedirles más tarde, ese mismo día, un ensayo largo con max_tokens fijado en 300, cada una devolvió el ensayo completo, de 2370 a 4538 tokens de salida, mientras que los endpoints de OpenAI y xAI se detienen en el límite. Esas respuestas se facturan tal como se entregan, así que indica la extensión en el prompt. Claude y Gemini 4 Argon se detienen en el límite, y Gemini 4 Argon sube a 128 cualquier límite inferior a 128 tokens.

Contexto añadido

Dos líneas colocan tokens propios delante de la consulta, y el endpoint los descuenta del uso que muestra y factura: 288 en Gemini 4 Argon y 1200 en Grok 4.7, cifra cercana a los 1247 tokens de entrada que informa el endpoint de xAI para una consulta de dos palabras. Las llamadas de Grok 4.7 que informaron de más se facturaron por el resto. La tabla muestra el recuento propio de cada línea, antes de esa resta, por lo que el script ejecutado a través del endpoint informa de menos tokens de entrada que el fabricante en estos dos modelos.

Un solo día

Los resultados son los del 11 de noviembre de 2026. Las líneas cambian, por lo que la comprobación se repite con todos los modelos a la venta durante la primera semana de cada mes, antes de que un modelo pase a una nueva línea y antes de que salga a la venta un modelo nuevo, y un modelo que no la supera se retira de la venta ese mismo día. Esta página muestra la fecha de su última ejecución.

Modelos de un mismo fabricante

Dos modelos potentes de un mismo fabricante pueden acertar todos los elementos y contar los tokens igual. La batería distingue un modelo de un sustituto más débil y del modelo de otro fabricante, pero no puede decir cuál de dos modelos que la superan dio la respuesta.

Doce elementos

Una batería corta detecta un modelo más débil, pero no las diferencias pequeñas. Una puntuación de 11 y una de 12 son el mismo resultado aquí.

Elementos públicos

Los elementos y sus respuestas están en el script, así que un vendedor podría ajustar una línea a ellos. Cambia los números del script para crear una batería que nadie haya visto.

La referencia

Solo Claude se comparó directamente con la API de su fabricante. GPT, Gemini y Grok se compararon a través de OpenRouter, sin una clave propia en OpenAI, Google ni xAI.

Dónde se ejecutan los modelos

AIGROW sirve cada modelo con capacidad que compra a más de una fuente, y no las nombra. Ajustes como el esfuerzo de razonamiento inicial pueden diferir del endpoint del fabricante, como muestra la sección anterior.

Sin afiliación

AIGROW es independiente de Anthropic, OpenAI, Google y xAI. Sus nombres indican qué sirve el endpoint y no implican ninguna alianza ni aval.