A los cuatro modelos superiores se les hizo una prueba de agente inusual: constrúyalo usted mismo en

Tres.js

interactivo significa el cubo de Rubik y el ajedrez, y luego complete las tareas directamente dentro de las aplicaciones creadas.

Participantes en el experimento:

- GPT-5,6 Sol;

-DeepSeek V4 Flash 0731;

-Qwen 3,8 máx.;

-Kimi K3.

Primero, a los modelos se les dio la misma combinación de cubos de Rubik.

GPT-5.6 Sol

Lo resolvió en 24 movimientos y 17 segundos.

búsqueda profunda

Lo completó en 32 movimientos.

Qwen

se rindió después de 96 movimientos, y

kimi

- después de 207.

Luego, cada modelo construyó un tablero de ajedrez y jugó con blancas contra Claude Opus 5 sin motor, base de apertura ni pistas.

Nadie podría derrotar a Claude:

- DeepSeek se rindió en la jugada 13;

- GPT-5.6 Sol - el día 19;

- Kimi K3 - el día 21;

- Qwen duró hasta el día 29.

En términos de velocidad de desarrollo, GPT-5.6 aplastó al resto:

GPT-5.6 Sol 16 min 43 seg

Búsqueda profunda 97 min 39 seg

kimi k3 166 min 09 seg

Qwen 3.8 Máx. 215 min 08 seg

Costo:

DeepSeek utilizó la mayor cantidad de tokens:

27,4 millones

y cinco intentos de crear puestos de trabajo. A pesar de esto, todo el experimento costó sólo

$0,557

.

A modo de comparación:

Búsqueda profunda $0.557

GPT-5.6 Sol $6.319

Qwen 3.8 Máximo $10,270

Kimi K3 $16,667

El resultado fueron cuatro perfiles completamente diferentes:

-

GPT-5.6 Sol

- el más rápido y económico en términos de fichas, pero se omitió un error por el cual la pieza equivocada desaparecía al capturarla;

-

búsqueda profunda

- a menudo comete errores en el primer intento, pero puede repetir una y otra vez casi sin coste alguno;

-

Qwen

- el juego de ajedrez más lento, pero mostró el más preciso;

-

kimi

- comprobó activamente sus propios resultados, pero resultó ser el más caro y no pudo hacer frente al cubo.

A veces es más importante obtener resultados en 17 minutos. A veces, poder hacer cinco intentos por medio dólar.

Importante: este es un experimento propietario en Hermes Agent CLI, y no un punto de referencia independiente estandarizado.