space-bunny-alphaSpace Bunny Alpha es un modelo de lenguaje en vista previa «stealth»: su proveedor ha decidido permanecer anónimo. Apareció en OpenRouter el 23 de septiembre de 2026 con el id stealth/space-bunny-alpha y en apimodels.app está disponible como space-bunny-alpha en el endpoint compatible con OpenAI /v1/chat/completions. Lo anunciado: contexto de 1M de tokens, hasta 524K tokens de salida, esfuerzo de razonamiento ajustable (reasoning_effort, con la traza devuelta en la respuesta), llamadas a herramientas y tool_choice, response_format, y entrada de imagen y vídeo. En lugar de repetir lo que dice el proveedor, el 29 de septiembre de 2026 lo sometimos a 28 tareas, una llamada real por tarea, y abrimos cada resultado: 21 superadas, 5 parciales, 2 fallidas. Las seis tareas de 3D y web pasaron todas, desde un sistema solar en Three.js con control de cámara hasta un panel de administración en Chart.js de 64 KB cuya ordenación, filtros, modo oscuro y barra lateral plegable funcionaron en Chrome sin un solo error de consola. Escritura, 4 de 4: una cuarteta china con la métrica correcta verso a verso, una traducción técnica chino-inglés sin perder ni un número, un artículo de ingeniería de 2.300 palabras y textos de producto en japonés y coreano con calidad de hablante nativo. Razonamiento, 3 de 3, incluido un acertijo de asientos deliberadamente subdeterminado en el que informó con honestidad de que había cuatro soluciones en lugar de inventarse una. Recuperó 3 de 3 datos escondidos en un documento de 91.298 tokens con citas exactas, y ejecutó dos llamadas a herramientas en paralelo con los argumentos correctos en 2 segundos. Las cuatro tareas de programación quedaron en parcial por el mismo motivo: la lógica era correcta pero los detalles no estaban comprobados. Se le escapó uno de los errores de una función con límite de concurrencia, escribió 13 tests para una caché LRU correcta de los que 3 afirman lo contrario de su propia implementación, dejó un token corrupto en una consulta SQL por lo demás sólida e imprimió una tabla de pandas calculada «a mano» con 4 de 12 cuantiles mal. Un vídeo explicativo en canvas de 1.450 líneas falló por una sola comilla ausente; con ese carácter restaurado renderizó las cinco escenas. Dos capacidades anunciadas no se cumplieron en esta ruta: un esquema JSON estricto enviado por response_format se aceptó pero no se aplicó (dos claves obligatorias renombradas, campos añadidos), así que valida en tu lado; y el vídeo llega como unos pocos fotogramas muestreados sin audio, de modo que describe lo que hay en un clip pero no su duración, movimiento ni sonido. La entrada de imagen es buena: identificó por sí solo Preikestolen sobre el Lysefjord en una foto. Dos ajustes importan más que nada. Primero, reasoning_effort: con el valor por defecto razonó de 4 a 5 minutos antes del primer carácter incluso en un poema de cuatro versos, y 4 de las 28 llamadas fueron cortadas aguas arriba hacia los 300 segundos; en low o medium las mismas peticiones respondieron en 4 a 40 segundos hasta el primer token sin pérdida apreciable. Segundo, max_tokens: la traza de razonamiento se cobra dentro de completion_tokens y se emite antes de la respuesta, así que un tope pequeño devuelve contenido vacío; omítelo (la pasarela no inyecta nada y rige el límite del propio modelo) o ponlo alto. El rendimiento ronda los 90 a 140 tokens por segundo, razonamiento incluido. El precio es $0.10 por 1M de tokens de entrada, $0.40 por 1M de salida y $0.01 la entrada en caché: el modelo es gratuito aguas arriba durante la vista previa y el precio cubre la pasarela, así que no hay lista oficial con la que comparar, y los tokens de razonamiento cuentan como salida. Es una vista previa: los modelos stealth suelen retirarse o renombrarse cuando su proveedor se revela, así que trata el id como temporal y ten un plan B en tu código. Según los términos del proveedor, los prompts y las respuestas pueden conservarse, aunque no se usan para entrenar; no envíes datos que no compartirías con un tercero sin nombre. Los límites de tasa son los de la vista previa, no los nuestros: las ráfagas sostenidas pueden devolver 429, y las llamadas fallidas nunca se cobran.
View complete API reference with all parameters and examples.
View complete API reference with streaming, thinking, and more.
Billing: Cost = (input_tokens * input_price + output_tokens * output_price) / 1,000,000
Ventana de 1.000.000 de tokens y hasta 524K tokens de salida, según los metadatos publicados; recuperó 3 de 3 datos escondidos en un documento de 91K tokens con citas exactas
Por defecto razonó de 4 a 5 minutos antes del primer carácter y 4 de 28 llamadas se cortaron aguas arriba; en low o medium las mismas peticiones respondieron en 4 a 40 segundos sin pérdida visible
Dos llamadas a funciones en paralelo con los argumentos exactos en 2 segundos. response_format se acepta, pero un esquema JSON estricto no se aplicó en nuestra prueba: valida en tu lado
Identificó Preikestolen en una foto sin que se lo pidieran y describió con detalle un personaje generado. El vídeo llega como unos pocos fotogramas sin audio: no sirve para duración ni sonido
$0.10 / $0.40 por 1M mientras dure la vista previa. El proveedor es anónimo y puede conservar prompts y respuestas sin entrenar con ellos; espera que el id cambie cuando se revele
Space Bunny Alpha es una API de modelo de lenguaje de Stealth. Space Bunny Alpha es un modelo de lenguaje en vista previa «stealth»: su proveedor ha decidido permanecer anónimo. Apareció en OpenRouter el 23 de septiembre de 2026 con el id stealth/space-bunny-alpha y en apimodels.app está disponible como space-bunny-alpha en el endpoint compatible con OpenAI /v1/chat/completions. Lo anunciado: contexto de 1M de tokens, hasta 524K tokens de salida, esfuerzo de razonamiento ajustable (reasoning_effort, con la traza devuelta en la respuesta), llamadas a herramientas y tool_choice, response_format, y entrada de imagen y vídeo. En lugar de repetir lo que dice el proveedor, el 29 de septiembre de 2026 lo sometimos a 28 tareas, una llamada real por tarea, y abrimos cada resultado: 21 superadas, 5 parciales, 2 fallidas. Las seis tareas de 3D y web pasaron todas, desde un sistema solar en Three.js con control de cámara hasta un panel de administración en Chart.js de 64 KB cuya ordenación, filtros, modo oscuro y barra lateral plegable funcionaron en Chrome sin un solo error de consola. Escritura, 4 de 4: una cuarteta china con la métrica correcta verso a verso, una traducción técnica chino-inglés sin perder ni un número, un artículo de ingeniería de 2.300 palabras y textos de producto en japonés y coreano con calidad de hablante nativo. Razonamiento, 3 de 3, incluido un acertijo de asientos deliberadamente subdeterminado en el que informó con honestidad de que había cuatro soluciones en lugar de inventarse una. Recuperó 3 de 3 datos escondidos en un documento de 91.298 tokens con citas exactas, y ejecutó dos llamadas a herramientas en paralelo con los argumentos correctos en 2 segundos. Las cuatro tareas de programación quedaron en parcial por el mismo motivo: la lógica era correcta pero los detalles no estaban comprobados. Se le escapó uno de los errores de una función con límite de concurrencia, escribió 13 tests para una caché LRU correcta de los que 3 afirman lo contrario de su propia implementación, dejó un token corrupto en una consulta SQL por lo demás sólida e imprimió una tabla de pandas calculada «a mano» con 4 de 12 cuantiles mal. Un vídeo explicativo en canvas de 1.450 líneas falló por una sola comilla ausente; con ese carácter restaurado renderizó las cinco escenas. Dos capacidades anunciadas no se cumplieron en esta ruta: un esquema JSON estricto enviado por response_format se aceptó pero no se aplicó (dos claves obligatorias renombradas, campos añadidos), así que valida en tu lado; y el vídeo llega como unos pocos fotogramas muestreados sin audio, de modo que describe lo que hay en un clip pero no su duración, movimiento ni sonido. La entrada de imagen es buena: identificó por sí solo Preikestolen sobre el Lysefjord en una foto. Dos ajustes importan más que nada. Primero, reasoning_effort: con el valor por defecto razonó de 4 a 5 minutos antes del primer carácter incluso en un poema de cuatro versos, y 4 de las 28 llamadas fueron cortadas aguas arriba hacia los 300 segundos; en low o medium las mismas peticiones respondieron en 4 a 40 segundos hasta el primer token sin pérdida apreciable. Segundo, max_tokens: la traza de razonamiento se cobra dentro de completion_tokens y se emite antes de la respuesta, así que un tope pequeño devuelve contenido vacío; omítelo (la pasarela no inyecta nada y rige el límite del propio modelo) o ponlo alto. El rendimiento ronda los 90 a 140 tokens por segundo, razonamiento incluido. El precio es $0.10 por 1M de tokens de entrada, $0.40 por 1M de salida y $0.01 la entrada en caché: el modelo es gratuito aguas arriba durante la vista previa y el precio cubre la pasarela, así que no hay lista oficial con la que comparar, y los tokens de razonamiento cuentan como salida. Es una vista previa: los modelos stealth suelen retirarse o renombrarse cuando su proveedor se revela, así que trata el id como temporal y ten un plan B en tu código. Según los términos del proveedor, los prompts y las respuestas pueden conservarse, aunque no se usan para entrenar; no envíes datos que no compartirías con un tercero sin nombre. Los límites de tasa son los de la vista previa, no los nuestros: las ráfagas sostenidas pueden devolver 429, y las llamadas fallidas nunca se cobran. A través de la plataforma APIMODELS puedes acceder a este modelo mediante una API unificada con precios de pago por uso transparentes. Precio actual: Input: $0.10, Output: $0.40 per 1M tokens.
Crea sistemas conversacionales inteligentes que responden automáticamente y mejoran la eficiencia del servicio.
Redacta automáticamente artículos, correos, textos publicitarios y más para aumentar la productividad.
Apoya la escritura, depuración y revisión de código para acelerar el desarrollo.
Comprende y analiza datos no estructurados, extrae información clave y genera resúmenes.
Space Bunny Alpha está disponible a través de APIMODELS a: Input: $0.10, Output: $0.40 per 1M tokens. La facturación es de pago por uso: solo pagas por lo que generas.
Regístrate en APIMODELS, obtén tu clave API y llama a nuestro endpoint unificado. Ofrecemos documentación detallada con ejemplos en cURL, Python y Node.js.
APIMODELS ofrece el mismo modelo Space Bunny Alpha a través de nuestra plataforma de agregación. Proporcionamos una interfaz de API unificada, así que no necesitas cuentas separadas por proveedor: una sola clave para acceder a todos los modelos.
Un modelo de lenguaje en vista previa «stealth» cuyo proveedor no se ha identificado. Apareció en OpenRouter el 23 de septiembre de 2026 como stealth/space-bunny-alpha; en apimodels es space-bunny-alpha en el endpoint compatible con OpenAI /v1/chat/completions. Especificaciones publicadas: contexto de 1M de tokens, hasta 524K tokens de salida, reasoning_effort, llamadas a herramientas, response_format, entrada de imagen y vídeo. Los modelos stealth suelen renombrarse o retirarse cuando su creador se revela, así que trata el id como temporal y ten un modelo de reserva en tu código.
21 superadas, 5 parciales, 2 fallidas, el 29 de septiembre de 2026, con una llamada real por tarea y cada resultado revisado. 3D y web 6 de 6 (escenas Three.js, una página 3D en CSS puro, un panel en Chart.js, todo funcionando en Chrome sin errores de consola). Escritura 4 de 4, incluida una cuarteta china con los tonos correctos y una traducción que conservó cada número. Razonamiento 3 de 3; incluso informó de que un acertijo subdeterminado tenía cuatro soluciones en vez de inventar una. Contexto largo 3 de 3 datos en un documento de 91K tokens; llamadas a herramientas perfectas en 2 segundos. Las cuatro tareas de programación fueron parciales porque no revisa su propia salida: un error omitido, tres tests propios que contradicen su implementación correcta, un token corrupto en SQL, cuatro cuantiles mal calculados a mano. Una animación en canvas falló por una comilla ausente.
Pon reasoning_effort en low o medium para todo lo que genere mucho: código, páginas, planes, artículos largos. Por defecto el modelo razonó de 4 a 5 minutos antes del primer carácter y 4 de nuestras 28 llamadas se cortaron aguas arriba hacia los 300 segundos; en low o medium las mismas peticiones llegaron al primer token en 4 a 40 segundos sin diferencia de calidad apreciable. En max_tokens, omítelo o ponlo alto: la traza de razonamiento se cobra dentro de completion_tokens y se emite antes de la respuesta, así que un tope pequeño devuelve contenido vacío. Si lo omites, la pasarela no envía nada y rige el límite propio del modelo de 524K. Usa streaming para generaciones largas.
No como garantía. En nuestra prueba, un esquema JSON estricto enviado por response_format volvió como JSON válido con los datos correctos, pero dos claves obligatorias venían renombradas y cada línea traía un campo extra pese a additionalProperties: false. Nada aplicó el esquema en esta ruta, así que valida la respuesta en tu lado y reintenta si falla. Las llamadas a herramientas, en cambio, fueron limpias: dos llamadas a funciones en paralelo con los argumentos exactos, finish_reason tool_calls, en 2 segundos.
Imágenes sí, y bien: en una foto de paisaje identificó Preikestolen sobre el Lysefjord sin que se lo pidieran, estimó correctamente la multitud de la meseta y describió con detalle un personaje de fantasía generado. El vídeo llega como un puñado de fotogramas muestreados sin audio: describió con precisión el primer y el último fotograma de un clip de 2,02 segundos, pero estimó su duración en 0,2 segundos y no detectó que había banda sonora. Usa la entrada de vídeo para saber qué hay en un clip, no para duración, movimiento o sonido.
$0.10 por 1M de tokens de entrada, $0.40 por 1M de salida y $0.01 por entrada en caché, cobrado por uso real; los tokens de razonamiento cuentan como salida y las llamadas fallidas son gratis. El modelo es gratuito aguas arriba durante la vista previa y este precio cubre la pasarela, así que no hay lista oficial con la que comparar. Los términos stealth del proveedor dicen que los prompts y las respuestas pueden conservarse, pero no se usan para entrenar; no envíes datos que no compartirías con un tercero sin nombre. Los límites de tasa son de la vista previa: las ráfagas sostenidas pueden devolver 429.
En APIMODELS, Space Bunny Alpha convive con más de 60 modelos bajo una sola clave API y un solo saldo, así que elegir es cuestión de ajuste, no de dependencia. Admite Stealth Preview, 1M Context, Reasoning Effort, Tool Calling, Image + Video Input y puedes valorarlo en precio y capacidad frente a otros modelos de modelo de lenguaje, y cambiar modificando una sola cadena con el nombre del modelo: sin nueva cuenta ni integración. Explora todas las opciones de modelo de lenguaje con precios en vivo en apimodels.app/models.
Space Bunny Alpha admite: Stealth Preview, 1M Context, Reasoning Effort, Tool Calling, Image + Video Input. Consulta la documentación de APIMODELS para ver todos los parámetros y ejemplos de llamada.
Sí. APIMODELS expone Space Bunny Alpha mediante una única API unificada y una sola clave, sin cuentas separadas por proveedor ni necesidad de gestionar tú mismo el acceso de red regional de cada proveedor.
Aceptamos Stripe (Visa, Mastercard y otras tarjetas internacionales) y Alipay. El saldo está disponible al instante tras el pago.
How to get access, regional availability, and how this model compares with its alternatives.