DeepSeek V3.2: para qué sirve de verdad (benchmark en español)
Su fuerte es Coding (#26 de 97 entre los que rinden el examen completo), y donde menos rinde es Razonamiento (7.62 contra 9.23). Cuesta $1.62 por cada 1.000 llamadas.
Dónde está parado, pilar por pilar
La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.
Medido con 270 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos
Qué hace bien y qué no
Su media entre las 33 tareas medidas es 7.27. Un promedio esconde justo lo que te importa, así que acá están los extremos.
Donde rinde por encima de sí mismo
- Encontrar el sitio oficial de una empresa — 8.86 (+1.59 contra su media).
- OCR / extracción desde imágenes — 8.71 (+1.44 contra su media).
- Integridad de idioma (no mezclar idiomas) — 8.58 (+1.31 contra su media).
- JSON estructurado (extracción, schemas) — 8.57 (+1.30 contra su media).
Donde se cae
- Resistencia a prompt injection — 2.32 (-4.95 contra su media).
- Noticias + SEO (artículos completos) — 5.46 (-1.81 contra su media).
- Tool calling (llamada de funciones) — 5.96 (-1.31 contra su media).
- Auditar números (detectar el error plantado) — 6.05 (-1.22 contra su media).
Si DeepSeek V3.2 no te cierra
| Modelo | Calidad | $/1k | Latencia | Por qué |
|---|---|---|---|---|
| Ling 3.0 Flash | 7.98 | $0.101 | 12.1 s | misma nota o mejor, menos plata por llamada |
| GPT-5.6 Luna | 8.52 | $0.930 | 10.6 s | hasta 30% más caro, pero rinde más |
| Gemini 3.1 Flash Lite | 8.09 | $2.33 | 4.1 s | al menos 40% menos de espera, sin caer de nota |
La ficha: DeepSeek V3.2 en números
| Calidad medida | |
|---|---|
| Runs que puntúan | 270 |
| Tool calling | 7.48 |
| Resistencia a prompt injection | 1.00 |
| Precio | |
| Precio por millón · entrada | $0.257 |
| Precio por millón · salida | $1.03 |
| Rendimiento y límites | |
| Latencia total media | 62.2 s |
| Ventana de contexto | 131.072 |
Contra los mejores del ranking, en plata
| Modelo | Calidad | $/1.000 llamadas |
|---|---|---|
| DeepSeek V3.2 | 8.11 | $1.62 |
| GPT-5.6 Luna | 8.52 | $0.930 |
| Claude Opus 4.8 | 8.48 | $39.00 |
- GPT-5.6 Luna (el techo medido) rinde 5% más y además es más barato: $0.930 contra $1.62. Acá no hay que elegir.
- Claude Opus 4.8 (el caro que todos conocen) rinde 5% más (8.48 contra 8.11) y cuesta 24 veces más por llamada.
Cuánto max_tokens darle, por tarea
| Tarea | Mediana | Peor caso medido | max_tokens sugerido |
|---|---|---|---|
| Tareas largas (sostener el hilo 8-12 turnos) | 3.129 | 9.076 | 11.345 |
| Razonamiento profundo (matemática. Fermi) | 1.105 | 2.048 | 2.560 |
| Generación de código (Python. SQL. debug) | 596 | 1.766 | 2.207 |
| Presentaciones (slides. reportes) | 1.702 | 1.702 | 2.127 |
| Razonamiento general (lógica. decisiones) | 1.237 | 1.490 | 1.862 |
| Contenido startup (newsletter. actualidad) | 887 | 1.380 | 1.725 |
| Estrategia (pricing. planificación) | 1.094 | 1.266 | 1.582 |
| Auditar números (detectar el error plantado) | 655 | 1.221 | 1.526 |
| Ventas en frío (cold email. campañas) | 474 | 1.079 | 1.348 |
| Decisiones de negocio (prioridades. plan) | 664 | 1.047 | 1.308 |
| Gestión de tareas (action items. planes) | 785 | 1.043 | 1.303 |
| Noticias + SEO (artículos completos) | 866 | 965 | 1.206 |
| Creatividad (hooks. analogías. narrativa) | 416 | 948 | 1.185 |
| Integridad de idioma (no mezclar idiomas) | 803 | 934 | 1.167 |
| JSON estructurado (extracción. schemas) | 115 | 754 | 942 |
| Contenido genérico (blog. email. social) | 699 | 729 | 911 |
| Orquestación (flujos de varios pasos) | 333 | 707 | 883 |
| OCR / extracción desde imágenes | 392 | 678 | 847 |
| Anti-alucinación (citas. contexto) | 189 | 657 | 821 |
| Contenido con datos verificables (no inventar) | 298 | 599 | 748 |
| No inventar herramientas (abstenerse cuando no hay) | 41 | 558 | 697 |
| Multi-turno (debugging. requisitos) | 454 | 478 | 597 |
| Capacidades de agente (delegación. skills) | 207 | 451 | 563 |
| Traducción (es↔en) | 125 | 397 | 496 |
| Seguir instrucciones al pie de la letra | 277 | 380 | 475 |
| Resúmenes y extracción de datos | 340 | 340 | 425 |
| Extraer los datos verificables de un texto | 120 | 309 | 386 |
| Precisión literal (hex. JWT. configs) | 42 | 199 | 248 |
| Soporte al cliente (clasificar y responder) | 122 | 188 | 235 |
| Tool calling (llamada de funciones) | 96 | 151 | 188 |
| Resistencia a prompt injection | 67 | 104 | 130 |
| Verificar un dato contra su fuente | 50 | 63 | 78 |
| Encontrar el sitio oficial de una empresa | 46 | 57 | 71 |
Los números oficiales de DeepSeek V3.2
Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.
Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.
¿Es el mejor para TU caso?
Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si DeepSeek V3.2 es tu opción o hay algo mejor para lo que haces.
Ir a la calculadora →