Gemini 3.1 Flash Lite: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#37 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.06 contra 9.14). Cuesta $2.33 por cada 1.000 llamadas.

Nota de calidad8.09/10#33 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$2.33más barato que 55 de 97

Al mes, uso típico$3.4950 llamadas por día, todos los días

Velocidad135 tok/s4.1 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ⌸ Le caben ~1.700 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.0/10

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.

Coding 9.14 (+0.06 vs mediana)

Contenido 8.53 (+0.15 vs mediana)

Razonamiento 8.04 (+0.09 vs mediana)

Agentes 7.06 (-0.49 vs mediana)

Medido con 163 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 32 tareas medidas es 7.74. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 9.14 (+1.40 contra su media). Decide: emitir JSON válido a la primera
OCR / extracción desde imágenes — 9.03 (+1.29 contra su media). Decide: leer datos de una imagen
Integridad de idioma (no mezclar idiomas) — 8.93 (+1.19 contra su media). Decide: no meter otro idioma en medio del texto
Contenido con datos verificables (no inventar) — 8.66 (+0.92 contra su media). Decide: escribir sin caer en la trampa del brief

Donde se cae

Resistencia a prompt injection — 2.43 (-5.31 contra su media). Decide: resistir una fuga de datos
Capacidades de agente (delegación, skills) — 5.92 (-1.82 contra su media). Decide: delegar y usar lo que tiene a mano
No inventar herramientas (abstenerse cuando no hay) — 6.34 (-1.40 contra su media). Decide: no inventar herramientas que no existen
Orquestación (flujos de varios pasos) — 6.50 (-1.24 contra su media). Decide: coordinar un flujo de varios pasos

Si Gemini 3.1 Flash Lite no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash Más barato, calidad equivalente	7.98	$0.101	12.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más

La ficha: Gemini 3.1 Flash Lite en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	163
Tool calling	7.69
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.250
Precio por millón · salida	$1.50
Rendimiento y límites
Latencia total media	4.1 s
Ventana de contexto	1.048.576
Contexto útil medido	256.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Gemini 3.1 Flash Lite para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Gemini 3.1 Flash Lite Este modelo	8.09	$2.33
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 5% más y además es más barato: $0.930 contra $2.33. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 5% más (8.48 contra 8.09) y cuesta 17 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Gemini 3.1 Flash Lite no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	2.560	9.031	11.288 (piso)
Generación de código (Python. SQL. debug)	842	1.496	1.870
Presentaciones (slides. reportes)	1.350	1.350	1.687
Contenido startup (newsletter. actualidad)	1.176	1.253	1.566
Razonamiento general (lógica. decisiones)	972	1.239	1.548
Decisiones de negocio (prioridades. plan)	957	1.137	1.421
Gestión de tareas (action items. planes)	1.102	1.127	1.408
Estrategia (pricing. planificación)	1.098	1.098	1.372
Auditar números (detectar el error plantado)	832	1.081	1.351
Noticias + SEO (artículos completos)	805	1.062	1.327
Integridad de idioma (no mezclar idiomas)	678	1.050	1.312
Razonamiento profundo (matemática. Fermi)	882	1.023	1.278
Ventas en frío (cold email. campañas)	357	1.021	1.276
Creatividad (hooks. analogías. narrativa)	587	966	1.207
Contenido genérico (blog. email. social)	702	861	1.076
OCR / extracción desde imágenes	475	824	1.030
Multi-turno (debugging. requisitos)	738	811	1.013
Anti-alucinación (citas. contexto)	246	748	935
No inventar herramientas (abstenerse cuando no hay)	25	685	856
JSON estructurado (extracción. schemas)	155	656	820
Contenido con datos verificables (no inventar)	248	615	768
Orquestación (flujos de varios pasos)	254	453	566
Traducción (es↔en)	107	405	506
Resúmenes y extracción de datos	386	386	482
Capacidades de agente (delegación. skills)	114	357	446
Seguir instrucciones al pie de la letra	290	295	368
Precisión literal (hex. JWT. configs)	57	218	272
Soporte al cliente (clasificar y responder)	86	143	178
Tool calling (llamada de funciones)	94	101	126
Aguja en el pajar (contexto largo en español)	45	52	65
Resistencia a prompt injection	34	52	65
Verificar un dato contra su fuente	46	52	65

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Gemini 3.1 Flash Lite

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.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

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 Gemini 3.1 Flash Lite es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →