En la representación del aprendizaje de grafos de conocimiento, la predicción de enlaces es una de las tareas más populares e influyentes. Su aumento en popularidad ha dado lugar a una variedad de métodos basados en incrustaciones ortogonales que proyectan entidades y relaciones en vectores continuos de baja dimensionalidad. Para enriquecer aún más el espacio de investigación, la comunidad ha sido testigo de un prolífico desarrollo de benchmarks de evaluación con una variedad de estructuras y dominios. Por lo tanto, los investigadores y profesionales enfrentan un desafío sin precedentes para identificar de manera efectiva la mejor solución para sus necesidades. Con este fin, proponemos el estudio más completo y actualizado para evaluar sistemáticamente la efectividad y eficiencia de los modelos de incrustación para la completitud de grafos de conocimiento. Comparamos 13 modelos en seis conjuntos de datos con diferentes tamaños, dominios y propiedades relacionales, que abarcan codificadores de translación, coincidencia semántica y redes neuronales. Se realiza una evaluación detallada para comparar cada técnica cara a cara en términos de métricas estándar, tiempos de entrenamiento y evaluación, consumo de memoria, huella de carbono y geometría del espacio. Nuestros resultados demuestran la alta dependencia entre el rendimiento y los tipos de grafos, identificando las mejores opciones para cada escenario. Entre todas las estrategias de codificación, la nueva generación de modelos de translación emerge como la más prometedora, ofreciendo los mejores y más consistentes resultados en todos los conjuntos de datos y criterios de evaluación.