Mejor API de LLM para resumen y extracción de datos
El resumen y la extracción suelen ser intensivos en entrada (un documento largo) y ligeros en salida (un resumen corto o un campo estructurado), así que la tarifa de entrada determina el costo. Modelos del nivel económico, entrada más barata primero.
Las tareas de resumen y extracción estructurada comparten un patrón: una entrada larga y una salida comparativamente corta y estructurada. Eso las hace sensibles al precio de entrada, igual que las tareas de clasificación de alto volumen. Esta lista filtra modelos económicos ordenados por precio de entrada ascendente.
| Modelo | Proveedor | Entrada /1M | Salida /1M | Contexto |
|---|---|---|---|---|
| Mistral | $0.15 | $0.60 | No publicado | |
| Meta (via Together AI) | $0.18 | $0.59 | 1M tokens | |
| OpenAI | $0.20 | $1.20 | ~1,05M tokens | |
| $0.25 | $1.50 | No publicado | ||
| Meta (via Together AI) | $0.27 | $0.85 | ~1,05M tokens | |
| DeepSeek | $0.30 | $1.20 | 1M tokens | |
| Amazon | $0.30 | $2.50 | 1M tokens | |
| Alibaba | $0.40 | $1.60 | 1M tokens | |
| Mistral | $0.50 | $1.50 | No publicado | |
| Anthropic | $1.00 | $5.00 | 200K tokens | |
| xAI | $1.00 | $2.00 | 256K tokens |
No benchmarcamos la calidad por tarea — esta selección se construye solo a partir del precio verificado y la ventana de contexto publicada. Úsala para reducir candidatos por costo, y luego evalúa tú mismo la calidad del resultado.
Preguntas frecuentes
El filtro y el orden son los mismos porque el patrón de coste se solapa — ambos son cargas intensivas en entrada y ligeras en salida. Esta página existe por separado para que resumen y extracción sean fáciles de encontrar por su cuenta.
Sí — si tus documentos superan habitualmente la ventana de contexto de un modelo, tendrás que dividirlos, lo que añade complejidad y puede perjudicar la calidad del resumen en los límites de cada fragmento. Revisa la columna de contexto, no solo el precio.
Sí — solo seguimos el precio verificado y la ventana de contexto, no la precisión de extracción. Para campos importantes, valida una muestra de resultados contra la verdad de referencia antes de confiar en cualquier modelo a gran escala.