La visión solía ser una mejora de pago. En el catálogo de octubre de 2026 es una característica de nivel económico: cinco modelos por debajo de $0.16/M de entrada leen imágenes de forma nativa, una de las mejores opciones omnimodales es gratis, e incluso las selecciones premium occidentales han caído a una fracción de los precios de visión del año pasado. Si tu carga toca capturas, documentos, verificación de UI o fotos de productos, el costo de ver se ha desplomado.
Este es un ranking guiado por catálogo — cada precio y etiqueta proviene del catálogo en vivo de MeshTok del 2026-10-26 (verificable en la página de precios). Agrupamos por nivel de precio y señalamos qué modelos añaden audio o video además de imágenes.
El campo de visión de un vistazo
Todos los modelos siguientes llevan la etiqueta vision (entrada nativa de imágenes) y se llaman por un único endpoint compatible con OpenAI en https://meshtok.com/v1:
| Model id | Contexto | Entrada $/M | Salida $/M | Extras |
|---|---|---|---|---|
agnes/agnes-2.0-flash | 512K | gratis | gratis | agéntico, tools |
bigmodel/glm-5.3-flash | 1M | $0.12 | $0.42 | tools, fast |
xiaomi/mimo-v2.6-flash | 1M | $0.15 | $0.30 | entrada de audio |
ali/qwen3.8-flash | 1M | $0.15 | $0.45 | tools, fast |
deepseek/deepseek-v4.1-flash | 1M | $0.15 | $0.60 | reasoning |
deepseek/deepseek-v4-flash-vision-exp | 1M | $0.15 | $0.60 | línea experimental de visión |
ali/qwen3.5-omni-flash | 256K | $0.33 | $1.98 | entrada de audio + video |
google/gemini-3.8-flash | 1M | $0.75 | $3.75 | coding, reasoning, tools |
ali/qwen3.5-omni-plus | 256K | $1.04 | $5.95 | audio + video, flagship omni |
stepfun/step-5-preview | 256K | $1.04 | $2.98 | entrada de video, flagship de código |
anthropic/claude-sonnet-5.5 | 1M | $2.00 | $10.00 | reasoning, tools |
anthropic/claude-opus-5.5 | 1M | $4.00 | $20.00 | flagship, reasoning, tools |
openai/gpt-6-astra | 400K | $10.00 | $50.00 | flagship de OpenAI |
Nivel económico: visión a $0.12–$0.15/M
Este nivel no existía hace un año, y es donde debería vivir la mayoría de las cargas con volumen de imágenes:
- GLM-5.3-Flash ($0.12/$0.42) — el modelo con visión más barato del catálogo. El primer GLM-5 nativamente multimodal de Zhipu (320B totales/18B activos) lee imágenes en el mismo nivel de precio donde el año pasado estaban los modelos de solo texto. Para clasificación de capturas, análisis de recibos y moderación a escala, este es el suelo de precio.
- MiMo V2.6 Flash ($0.15/$0.30) — el único modelo económico con etiqueta
audio: imágenes y sonido de entrada, al precio de salida más barato del catálogo. Transcribir notas de voz más entender capturas en un solo modelo es una combinación genuinamente útil para herramientas de soporte. - Qwen3.8 Flash ($0.15/$0.45) — el flash equilibrado de Alibaba: imágenes más tool-calling, ventana de 1M. La elección cuando tus llamadas de visión también deben disparar function calls.
- DeepSeek V4.1 Flash ($0.15/$0.60) — añade etiqueta de
reasoninga la visión: la elección cuando las imágenes requieren pensar (interpretar gráficos, QA de diagramas, matemática desde fotos). - Agnes 2.0 Flash (gratis) — cero dólares, ventana de 512K, comprensión de imágenes incluida. Para prototipar pipelines de visión, pruebas de humo en CI y backfills, gratis le gana a barato.
Nivel medio: el salto omnimodal ($0.33–$1.04/M)
- Qwen3.5 Omni Flash ($0.33/$1.98) — el modelo omni verdadero más barato: texto, imagen, audio y audio-video de entrada, construido para interacción en tiempo real. Los asistentes de voz y los pipelines de comprensión de medios empiezan aquí.
- Gemini 3.8 Flash ($0.75/$3.75) — el Flash más fuerte de Google: visión con etiquetas de
codingyreasoningen una ventana de 1M. La elección para cargas mixtas donde el mismo modelo debe leer capturas y escribir código a partir de ellas. - Qwen3.5 Omni Plus ($1.04/$5.95) — el nivel flagship omni: comprensión de audio-video de máxima calidad cuando la variante Flash no basta.
- Step 5 Preview ($1.04/$2.98) — acepta video de entrada de forma nativa junto a texto e imágenes, con etiqueta flagship de código — una ventaja estrecha pero real para video-a-código y flujos de medios.
Nivel premium: visión ligada a flagships ($2.00–$10.00/M)
Claude Sonnet 5.5 ($2.00/$10.00) es el campeón de depuración por captura: visión más reasoning más herramientas en ventana de 1M, y la forma más barata de tener visión dentro de un stack agéntico de primera. Claude Opus 5.5 ($4.00/$20.00) y GPT-6 Astra ($10.00/$50.00) son para el extremo duro: corridas de agentes largas donde el modelo debe leer la pantalla, planificar y actuar durante horas. Para comprensión pura de imágenes, ambos son exceso; su visión es un bonus, no la razón de pagar.
Lo que cuesta un mes de tráfico de visión
Carga de referencia: 1M de entrada + 0.25M de salida al día, 30 días (los tokens de imagen facturan como entrada — ahí se concentra el costo de la visión):
| Modelo | Costo mensual | Nivel |
|---|---|---|
| Agnes 2.0 Flash | $0 | gratis |
| GLM-5.3-Flash | $6.75 | económico |
| MiMo V2.6 Flash | $6.75 | económico + audio |
| Qwen3.8 Flash | $7.88 | económico + tools |
| DeepSeek V4.1 Flash | $9.00 | económico + reasoning |
| Qwen3.5 Omni Flash | $24.75 | omni |
| Gemini 3.8 Flash | $50.63 | medio + código |
| Step 5 Preview | $53.55 | medio + video |
| Claude Sonnet 5.5 | $135.00 | premium |
| Claude Opus 5.5 | $270.00 | flagship premium |
| GPT-6 Astra | $675.00 | flagship de OpenAI |
El rango es contundente: un mes completo de tráfico intenso en imágenes cuesta $6.75 en el suelo económico o $675 en la cima del mercado — 100× por el mismo trabajo fundamental.
Elegir por carga
- Clasificación de capturas, recibos, moderación a escala → GLM-5.3-Flash (suelo de $0.12 de entrada)
- Imágenes + notas de voz (soporte) → MiMo V2.6 Flash
- Gráficos, diagramas, matemática desde fotos → DeepSeek V4.1 Flash (visión + reasoning)
- Asistentes de voz, comprensión audio-video → Qwen3.5 Omni Flash → Omni Plus por calidad
- Leer la pantalla y luego escribir código → Gemini 3.8 Flash o Step 5 Preview
- Bucles agénticos con capturas → Claude Sonnet 5.5 (y Opus 5.5 para el extremo duro)
- Prototipado sin presupuesto → Agnes 2.0 Flash
Pruébalo con una solicitud
import base64
from openai import OpenAI
client = OpenAI(
base_url="https://meshtok.com/v1",
api_key="sk-your-MeshTok-key",
)
img = base64.b64encode(open("screenshot.png", "rb").read()).decode()
resp = client.chat.completions.create(
model="bigmodel/glm-5.3-flash", # o mimo-v2.6-flash, gemini-3.8-flash, claude-sonnet-5.5
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "Describe cada elemento de UI en esta captura."},
{"type": "image_url", "image_url": {"url": f"data:image/png;base64,{img}"}},
],
}],
)Precios del catálogo de MeshTok del 2026-10-26; cifras en vivo en la página de precios, detalle por modelo en cada página de modelo. Para el nivel económico de solo texto, ver Las APIs de IA más baratas por menos de $0.20/M.