El mismo modelo, en qué se diferencian los proveedores
Mismo nombre, servicio distinto. Un mismo modelo de código abierto puede ofrecerse por muchos proveedores. La lección anterior comprobaba “si es este modelo”; esta lección comprueba “si el servicio de este proveedor funciona bien”: qué tan rápido sale el primer carácter, cuántos caracteres por segundo produce, qué longitud de entrada admite, si las llamadas a herramientas y el JSON se pueden usar directamente, y si se agota el tiempo de espera a cada rato.
Qué podrás hacer al terminar
- Explicar en qué aspectos difiere “el mismo modelo” entre proveedores
- Con una lista de verificación, hacer una evaluación de los proveedores candidatos
- Elegir proveedor según tu propia tarea, no según el nombre del modelo
Qué dice la investigación: el nombre del modelo no basta
El artículo de 2026 «When Is the Same Model Not the Same Service?» (arXiv 2605.02821) midió el uso real de las API de modelos de código abierto alojados en el cuarto trimestre de 2025. Su tesis central: en producción, la unidad que realmente se usa no es el “modelo”, sino el servicio, determinado conjuntamente por estos elementos:
| Componente | Significado |
|---|---|
| Variante del modelo | Qué versión concreta es |
| Comportamiento del protocolo | Qué formatos de interfaz admite, por ejemplo compatible con OpenAI, compatible con Anthropic |
| Capacidad de contexto | Qué longitud real de entrada y salida acepta |
| Precio de lista | Cuánto cuesta por millón de tokens |
| Latencia y rendimiento | Cuánto tarda en salir el primer carácter (TTFT), cuántos tokens por segundo (TPS) |
| Fiabilidad | Si se agota el tiempo de espera, y si se puede recuperar tras un error |
| Viabilidad de la tarea | Si tu tarea funciona en este proveedor |
Y todo esto cambia con el tiempo.
Tres hallazgos del artículo:
- El precio de lista es relativamente uniforme; el resto difiere más. Los precios de lista de cada proveedor son bastante cercanos; las diferencias mayores están en latencia, rendimiento, longitud de contexto, compatibilidad de protocolos y forma de fallar
- Que haya muchos ofertando no significa que se usen mucho. Un modelo lo ofrecen muchas empresas, pero el uso real se concentra en unas pocas
- La tarea determina la elección. Las longitudes de entrada y salida varían mucho entre aplicaciones, así que elegir proveedor depende de “qué modelo, qué empresa, qué tarea, qué momento”; no se puede consultar en una tabla por nombre de modelo
El artículo también calculó dos ejemplos: distribuyendo las solicitudes a proveedores adecuados bajo las restricciones de viabilidad, el costo de Qwen3-32B se redujo un 37.8%; el rendimiento medio de DeepSeek-V3.2 fue aproximadamente un 90% mayor que con la conexión directa oficial.
Pon a prueba tus conocimientosDos proveedores cobran lo mismo por DeepSeek. ¿Se puede decir que son iguales para ti?
- Sé en qué aspectos principales difieren los proveedores
Paso 1: filtrar primero las condiciones estrictas
Algunas condiciones, si no se cumplen, eliminan al proveedor directamente, sin comparar puntuaciones. La recomendación del artículo: cuando la aplicación exige un formato de salida estricto o compatibilidad de llamadas a herramientas, trátalas como condiciones obligatorias, no como puntos a sumar o restar.
Revisa punto por punto según tu tarea:
- Admite el formato de interfaz que usa tu código (OpenAI Chat Completions, Anthropic Messages o OpenAI Responses)
- La longitud de contexto, la longitud máxima de entrada y la longitud máxima de salida bastan para tu solicitud más larga
- Si necesitas caché, que la admita
Deberías obtener: una lista de proveedores candidatos restantes.
Paso 2: medir según cinco dimensiones
Algunas plataformas de evaluación dividen las capacidades de los proveedores en cinco dimensiones. Puedes tomar prestado este marco y medir con tus propias solicitudes:
| Dimensión | Qué se mide | Cómo medirlo |
|---|---|---|
| Desempeño en respuestas | Responder según lo pedido, problemas de razonamiento, temas especializados, problemas con imágenes y texto | Con tu conjunto de evaluación, registra la tasa de acierto |
| Eficiencia de respuesta | Primera respuesta, espera del cuerpo, velocidad de generación, tiempo total de la tarea | Con solicitudes en streaming, registra el tiempo hasta el primer token y los tokens por segundo |
| Cooperación con herramientas | Elegir la herramienta correcta, llamadas a múltiples herramientas, no usar herramientas al azar, continuar tras recibir resultados de herramientas | Prepara algunas solicitudes con definiciones de herramientas y comprueba si las llamadas son correctas |
| Compatibilidad de formato | Si al pedir JSON lo cumple, si los parámetros comunes funcionan a la primera, si los parámetros complejos funcionan | Envía una vez los parámetros de solicitud reales de tu código |
| Reutilización de caché | Si las solicitudes repetidas aciertan en la caché, proporción de reutilización de entrada en conversaciones de varios turnos | Envía el mismo prefijo largo varias veces y revisa los tokens de caché en la factura |
Al medir, usa tus propias solicitudes: mismos prompts, mismos parámetros, misma configuración de streaming, enviadas desde la misma región.
Pon a prueba tus conocimientosTu aplicación es un bot de atención al cliente: cuanto más esperan los usuarios, más probable es que se vayan. ¿Qué dimensión miras primero de las cinco?
- He medido cada proveedor candidato con mis propias solicitudes
Paso 3: medir más de una vez
El artículo considera el momento de la medición como parte del servicio: la latencia, el rendimiento y la fiabilidad cambian con el tiempo. Si mides solo una vez, solo ves ese instante.
- Mide en los horarios en que realmente usas el servicio
- Mide al menos una vez en varios días y en varios horarios distintos
- Registra el número de tiempos de espera agotados y de errores, no solo la velocidad media
Los informes de las plataformas de evaluación suelen indicar también: solo se muestra la última muestra válida, las puntuaciones se ven afectadas por la longitud de salida, la activación del modo de razonamiento, etc., y son solo de referencia. Al medir por tu cuenta, registra igualmente estas configuraciones.
Paso 4: incluir también los riesgos en el cálculo
El artículo descompone “el riesgo de usar un proveedor” en varias categorías, que puedes usar directamente como lista de verificación:
| Riesgo | Qué te encontrarás |
|---|---|
| Tiempo de espera agotado | La solicitud se cuelga, hay que reintentar |
| Error de formato | Falla el análisis del JSON o de las llamadas a herramientas |
| Truncamiento de contexto | Una entrada larga se trunca y la respuesta pierde información |
| Facturación | El cobro real no coincide con lo previsto |
| Deriva de identidad o de calidad | El modelo subyacente cambió, ver la lección anterior |
El artículo también advierte: una comparación completa no mira solo el costo y la velocidad, sino también el costo de los reintentos, la tasa de fallos, la tasa de truncamiento, la conformidad de las llamadas a herramientas y del formato JSON, y la calidad de la tarea.
Puntos de control
- El mismo modelo es un servicio distinto según el proveedor
- Precios de lista parecidos; las diferencias están en latencia, rendimiento, contexto, protocolos y forma de fallar
- Filtra primero las condiciones estrictas, luego mide según cinco dimensiones, varias veces en distintos horarios
- Lista de riesgos: tiempos de espera agotados, errores de formato, truncamiento, facturación, deriva de calidad
Malentendidos comunes
“Basta con elegir el más barato.” Los precios entre proveedores suelen ser parecidos. El costo de reintentos por fallos, truncamientos y errores de formato puede superar la diferencia de precio unitario.
“El más rápido medido una vez es el más rápido.” La velocidad varía según el horario. Si mides solo una vez, puede que midas justo cuando ese proveedor estaba desocupado.
Siguiente sección
Con el uso, sientes que el modelo “se volvió más tonto”, ¿es real? Qué es la degradación de los modelos.