¿Qué modelo de IA para un RAG sobre sus documentos?
Un asistente que responde a partir de sus documentos (RAG): documentación de producto, procedimientos, base de conocimientos.
DeepSeek V4.1 Flash
- Índice
- 154,9
- Precio / M tokens
- 0,27 € / 1,07 €
- Coste / 1 M
- ≈ 1500 €
En la línea de Pareto, índice de capacidades de 155 a un precio bajo: adecuado para los largos pasajes leídos en cada pregunta.
Ver en el ranking →Qwen3.8 27B
- Índice
- 149,4
- Precio / M tokens
- Gratis (local)
Pesos abiertos con licencia Apache 2.0: con un modelo de embeddings local, ni los documentos ni las preguntas salen de su servidor.
Ver en el ranking →Claude Sonnet 5.5
- Índice
- 165,0
- Precio / M tokens
- 1,79 € / 8,92 €
- Coste / 1 M
- ≈ 10.710 €
En la línea de Pareto, con uno de los mejores índices de capacidades: más capaz de decir «no lo sé» cuando los pasajes no contienen la respuesta.
Ver en el ranking →Por qué estas opciones
En un RAG, la calidad depende primero de la búsqueda de pasajes (el modelo de embeddings y la división de los documentos) y luego del modelo que redacta la respuesta. Cada pregunta hace leer varios miles de tokens: el precio de entrada pesa más que el de salida.
Pasar a la acción
Chat privado con tus documentos: Ollama, Qdrant, Open WebUI
Stack docker-compose para un chat privado sobre tus documentos: Ollama (modelo), Qdrant (base vectorial) y Open WebUI (interfaz).
Embeddings multilingual-e5-large para un RAG en español
multilingual-e5-large para un RAG en español: 1024 dimensiones, 512 tokens, prefijos query:/passage: obligatorios, distancia coseno. Licencia MIT.
Datos: índice de Epoch AI (CC BY 4.0), precios oficiales de los desarrolladores convertidos al tipo del BCE, actualizados el 2026-10-12 · Ranking de modelos de IA: inteligencia, benchmarks y precio