ember-memory-test/episodes/DEPURA_el-escaneo-con-un-giro-que-ya-te-respon_S20260705.R20_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD.md

episode_id	puente_flat	session_code	acto_dialogico	actor_flujo	criticidad_aegis	skill_dominante	fase_proyecto	tipo_semantico	summary_one_line	source_type	trust_boundary	created_at	relectura_tagged	forgejo_commit_sha
af2858ae-ddad-4400-b51d-e23010678667	DEPURA_el-escaneo-con-un-giro-que-ya-te-respon_S20260705.R20_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD	S20260705.EVAL_INSTRUMENT_FORGE_SKILL	informar	multi_actor	low	NONE	operations	design	EPISODIO 20 — BLINDADAS: El escaneo — con un giro que ya te responde	claude_code	internal	2026-07-12T15:16:09.903387+00:00	false	pending

Candidatos (tier fuerte-barato, pricing jul-2026 verificado)

Modelo	in/out por M tok	Nota
DeepSeek V4 / V4 Flash	"el más económico para código"	Candidato #1 coding
Gemini 2.5 Flash	$0.30 / $2.50	92% pass, ya en tu LiteLLM (gemini-flash)
Gemini 2.5 Flash Lite	$0.10 / $0.40	Capaz y más barato
Xiaomi MiMo-V2-Flash	$0.09 / $0.29	El más barato de OpenRouter
GPT-oss-20b	gratis	98.3% pass — comodín free

(Tier débil, solo si insistes en ese frente: un 7-8B tipo Ministral 8B / Llama 3.1 8B — pero no lo desplegarás, así que sería curiosidad académica.)

Mi recomendación

DeepSeek V4 (fuerte + barato + fuerte en código) como modelo de deploy y runner; o Gemini 2.5 Flash si prefieres reusar lo que ya está cableado. Se conecta con una entrada en LiteLLM apuntando a openrouter/<model> — el mismo mecanismo que los embeddings, cero infraestructura nueva. ### 📍 PARA JOHN

• Hice: escaneé OpenRouter (candidatos + precios reales) y lo reconcilié con el experimento. Commiteado. - Lo esencial: el modelo fuerte-barato es la elección correcta para EMBER — pero hace techo como Opus, así que no "prueba un débil"; su valor real es escalar el AB-LAB a N≥30 y sellar el hallazgo con poder estadístico. DeepSeek V4 o Gemini Flash. - Mi consejo: si quieres cerrar la estadística de RELOJERO de una vez, cableo DeepSeek V4 en LiteLLM y corro el AB-LAB N≥30 con external_oracle como juez. Es barato y sella todo. Pero es un sprint; con cabeza fresca rinde más — llevamos una jornada enorme. - Para avanzar: 🟢 cablear DeepSeek V4 en LiteLLM + escalar AB-LAB N≥30 · 🟡 solo cablear el modelo (sin correr el experimento aún) · ⚪ cierre con disciplina (STATE + cosecha).