Vista previa del contenido del prototipo. Las figuras, los detalles del autor, las afirmaciones del producto y los ejemplos de API están pendientes de verificación; Los ejemplos no son instrucciones de integración confirmadas.
Los modelos flash son 10× más baratos, pero ¿cuándo importa la diferencia de calidad? Probamos los niveles del modelo 4 en tareas de codificación, razonamiento y creatividad.
Los modelos de clase flash cuestan aproximadamente una décima parte de los modelos de frontera y responden en un tercio del tiempo. La pregunta nunca es si son peores, sino si la brecha se manifiesta en su tarea específica.
Donde la brecha desaparece
- Clasificación y enrutamiento: no hay diferencias mensurables sobre los ejemplos etiquetados 200 en el mensaje
- Extracción según un esquema estricto: flash coincide con la frontera una vez que proporciona el esquema explícitamente
- Breve resumen de los tokens 4k: dentro de los puntos 2 sobre la preferencia humana
- Traducción de pares de idiomas comunes: indistinguibles en revisión ciega
donde no lo hace
Razonamiento de varios pasos, código que debe compilarse y cualquier cosa que requiera que el modelo se dé cuenta de que la pregunta es sutilmente incorrecta. En nuestro punto de referencia de codificación, el nivel fronterizo superó el 78% de tareas y el nivel flash 44%: una brecha que no se cerró por cantidad de solicitudes.
El patrón correcto es una cascada: respuestas instantáneas, comprobaciones de un validador barato y solo aumentan los fracasos. Esto capta la mayor parte de los ahorros y casi nada de la pérdida de calidad.
Implementando la cascada
resp = client.chat.completions.create(
model="qwen-3.8-flash",
messages=messages,
extra_body={"amplink": {"escalate": {
"to": "gpt-5",
"when": "schema_invalid or confidence < 0.7"
}}},
)
Entre los inquilinos que ejecutan cascadas, el 83% del tráfico termina en el nivel flash. El costo combinado se acerca a 2.4x, el precio flash, en lugar de 10x, el precio de frontera.