Tu inteligencia artificial, sin cambiar de chat.

Los aciertos miden estas tareas concretas, no la calidad general del modelo. Los fallos cuentan como incorrectos. Los tiempos son medianas de peticiones completadas, incluidas las respuestas incorrectas; no incluyen fallos ni tiempos de espera agotados.

Prueba interna de Nebula, no una evaluación independiente. Cada modelo recibe las mismas seis preguntas en inglés, dos veces, sin historial ni herramientas. Se envía una petición a la vez y se rota el orden de los modelos. Temperatura 0, máximo 2.048 tokens y límite de 60 segundos por petición, sin reintentos del evaluador.

Un acierto exige todos los valores y la estructura JSON esperados; se permite un bloque Markdown de JSON. «Primer texto» mide desde el envío hasta el primer texto de respuesta; «respuesta completa», hasta el final del flujo. Incluyen red y espera del servicio desde una sola conexión, no el renderizado del navegador.

Medimos las rutas de producción de cada opción Nebula, que pueden usar proveedores de respaldo. No verificamos de forma independiente la identidad del modelo subyacente. El piloto no evalúa español, escritura abierta, imágenes, herramientas ni conversaciones largas. La muestra es pequeña y los resultados pueden cambiar con la carga o las actualizaciones.